Data-driven vs. AI-driven: co tak naprawdę się zmienia w decyzjach biznesowych?

AI-driven zamiast data-driven: co tak naprawdę się zmienia w decyzjach biznesowych?

Na początek pytanie, które warto zabrać ze sobą na dłuższe rozważania - czy w Twojej organizacji dane nadal „czekają” na analityka… czy już pracują dla Ciebie 24/7 jako paliwo dla agentów AI?

Wiele firm deklaruje, że są „data-driven”. Mają hurtownie danych, raporty BI, dashboardy, KPI. Ale gdy przychodzi do podjęcia konkretnej decyzji – o poziomie zapasu, zatwierdzeniu planu S&OP, przesunięciu mocy produkcyjnych – proces nadal wygląda tak samo: człowiek ściąga dane, analizuje, czasem buduje scenariusze „what-if” i dopiero wtedy rekomenduje decyzję.

Tymczasem pojawienie się dużych modeli językowych (LLM) i agentów AI tworzy zupełnie nowy paradygmat: AI-driven decision making. To nie jest kosmetyczne ulepszenie raportowania. To zmiana „procesora decyzyjnego” – z człowieka pracującego na danych na agenta AI, który dane przetwarza, a człowiek skupia się na ocenie i wyborze kierunku.

Od raportów do agentów: gdzie kończy się „data-driven”

Model data-driven w praktyce większości firm wygląda mniej więcej tak:

1. Big Data / ERP / APS / CRM / MES generują ogromne ilości danych.

2. BI / Analitycy przekształcają je w raporty, dashboardy, alerty.

3. Managerowie i zarząd oglądają te dane i na ich podstawie podejmują decyzje.

   
   

Brzmi sensownie, ale ma kilka fundamentalnych ograniczeń:

• Dane są bierne – czekają, aż ktoś je „podniesie z ziemi” i sprawdzi ich jakość.

• Analitycy są wąskim gardłem – to oni są „procesorem”, który musi:

  • zrozumieć kontekst biznesowy,

  • wyciągnąć właściwe dane,

  • zbudować model,

  • zinterpretować wyniki.

• Decyzje są często:

  • spóźnione (czas potrzebny na analizy),

  • podatne na stronniczość (bias) decydentów,

  • niespójne między działami (różne interpretacje tych samych danych).

    
    

W modelu data-driven, do którego wielu organizacjom jest wciąż daleko, człowiek jest głównym procesorem danych. Dane tylko „pomagają”. W świecie złożonych, globalnych łańcuchów dostaw i zmienności popytu to po prostu za mało.

AI-driven: zmiana procesora, nie tylko narzędzia

W podejściu AI-driven dzieje się coś fundamentalnie innego. Z punktu widzenia procesu decyzyjnego:

• Dane pozostają tym samym paliwem.

• Zmienia się główny procesor – z człowieka na zestaw agentów AI opartych o LLM i wyspecjalizowane narzędzia.

Źródło: What AI-Driven Decision Making Looks Like

Model AI-driven opisany w 2019 r. przez Erica Colsona w What AI-Driven Decision Making Looks Like opiera się o:

1. Big data – systemy operacyjne, transakcyjne, sensory IoT, dane rynkowe.

2. AI (agenci) – warstwa, która:

   • agreguje,

   • oblicza,

   • generuje scenariusze,

   • rekomenduje możliwe działania.

3. Human judgement – zarząd i managerowie:

   • wybierają spośród „propozycji działań”,

   • dopasowują je do strategii, wartości, ryzyk.

Czyli człowiek przestaje rozmawiać z danymi, zaczyna rozmawiać z agentem AI o opcjach działania.

To jest różnica między:

• „Pokaż mi forecast i zapasy”, a

• „Przy obecnych poziomach obsługi klienta i zdolności, jakie 3 scenariusze polityki zapasów minimalizują ryzyko stock-outów przy wzroście popytu o 10% w Q3?”

  
  

Kim właściwie jest agent AI w procesie decyzyjnym?

• To nie „chatbot”.

• To byt programowy, który:

  • ma swoją personę i rolę (np. Demand Planning Copilot),

  • widzi dane z otoczenia (ERP, Excel, hurtownia danych),

  • posiada narzędzia (SQL, Python, modele prognostyczne, RAG),

  • posiada pamięć i kontekst (historia interakcji, wcześniejsze decyzje),

  • potrafi planować sekwencję działań, a nie tylko jednorazowo odpowiedzieć.

    
    

W praktyce taki agent np.:

• Najpierw rozumie, o co pytasz w języku naturalnym („zagreguj sprzedaż tygodniowo, zrób forecast na 18 miesięcy, pokaż 3 scenariusze dla S&OP”).

• Potem zleca innym agentom lub narzędziom:

  • przetłumaczenie pytania na SQL i wyciągnięcie danych,

  • wygenerowanie kodu prognozującego w Pythonie,

  • stworzenie wizualizacji w Plotly,

  • zbudowanie narracji biznesowej do slajdu na spotkanie S&OP.

• Na koniec syntetyzuje wynik w zrozumiałą dla managera historię z liczbami i rekomendacją.

  
  

To już nie jest „BI + człowiek”. To jest autonomiczny współdecydujący partner, który pracuje na tej samej warstwie danych, ale ma zdolność realizacji całych łańcuchów logicznych.

Dlaczego sam „data-driven” nie wystarczy w S&OP i SCM

Jeśli odniesiemy ten temat do klasycznego procesu S&OP:

1. Zbieranie danych

2. Planowanie popytu

3. Planowanie podaży

4. Spotkanie wstępne

5. Executive S&OP

to w wielu organizacjach „data-driven” oznacza:

• Lepsze dane wejściowe (ERP, BI, integracje).

• Lepsze modele forecastu (ML, LSTM, itp.).

• Ale nadal:

  • żmudne ręczne przygotowanie materiału na spotkania,

  • wysoki udział manualnego „klejenia” danych i slajdów,

  • fragmentaryczną interpretację prognoz przez różne działy.

    
    

Agenci AI wprowadzają kilka kluczowych zmian:

1. Automatyzacja gromadzenia i strukturyzacji danych

   • Agent wie, z jakich tabel w SQL lub plików ma pobrać dane,

   • normalizuje je (daty, agregacja dzienna/tygodniowa/miesięczna),

   • przygotowuje je pod forecast i scenariusze S&OP.

2. Prognoza jako usługa, a nie projekt

   Dzięki agentom:

   • menedżer nie potrzebuje analityka do wykonania bazowej analizy,

   • może wprost zadawać pytania w naturalnym języku,

   • model dobiera algorytm, horyzont, agregację i kod.

3. Scenariusze „what-if” w czasie rzeczywistym

   Zamiast:

   • „przygotujmy 3 warianty na następne spotkanie za dwa tygodnie”

     mamy:

   • „pokaż mi natychmiast, co się wydarzy, jeśli lead time kluczowego dostawcy wydłuży się o 20%”.

4. Redukcja wpływu ludzkich biasów poznawczych

   AI:

   • konsekwentnie realizuje tę samą logikę,

   • nie „podciąga” prognozy pod oczekiwania sprzedaży ani nie konserwuje zbyt ostrożnych założeń operacji,

   • staje się neutralnym procesorem, a człowiek dodaje kontekst strategiczny.

Kluczowy punkt:

menedżer nie konfiguruje modeli, nie pisze SQL, nie dotyka kodu.

Jego interfejsem jest język naturalny i decyzje, nie narzędzia. Musi wnieść wiedzę biznesową, procesową i ekspercką.

Co realnie zmienia się w procesie decyzyjnym?

W modelu data-driven człowiek używa danych i narzędzi analitycznych, by dojść do decyzji. W modelu AI-driven człowiek wybiera między propozycjami decyzji, które zostały wygenerowane przez agenta AI na podstawie danych.

Konsekwencje:

• Skala:

  Agenci mogą równolegle:

  • generować prognozy dla setek/kilkuset tysięcy SKU,

  • obsługiwać wiele scenariuszy „what-if”,

  • podsumowywać zmiany prognozy miesiąc do miesiąca.

• Szybkość:

  Czas od pytania do odpowiedzi liczymy w sekundach/minutach, nie w dniach.

• Spójność:

  Ta sama logika jest stosowana w różnych jednostkach biznesowych, regionach i działach.

• Przeniesienie ciężaru pracy:

  • z „tworzenia danych pomocniczych do decyzji”

  • na „ocenę, priorytety, ryzyka, synchronizację strategiczną”.

    
    

Czy AI-driven oznacza „bez człowieka”? Absolutnie nie, największą wartość daje synergia AI + wiedza ekspercka + człowiek w pętli decyzyjnej.

Dlatego sensowny model AI-driven w S&OP i SCM wygląda tak:

• AI:

  • przetwarza dane,

  • generuje forecasty i scenariusze,

  • proponuje możliwe działania.

• Człowiek (specjaliści, managerowie, zarząd):

  • weryfikują zgodność ze strategią i wartościami,

  • dodają informacje, których nie ma w danych (NPI, konkurencja, M&A),

  • wybierają scenariusz i poziom akceptowalnego ryzyka.

    
    

Co z tego wynika praktycznie dla firm?

Kilka konkretnych wniosków i rekomendacji, jeśli myślisz o przesunięciu się w stronę AI-driven:

1. Zacznij od procesów, nie od narzędzi

   • Zidentyfikuj decyzje, które:

     • są powtarzalne,

     • opierają się na ustrukturyzowanych danych,

     • zajmują dużo czasu analitykom.

   • To są idealne obszary dla agentów AI (np. bazowy forecast, pierwsze scenariusze S&OP, podstawowe analizy zapasów).

2. Zbuduj pierwszego „copilota”

   • W prototypowym ujęciu takie agent, może wyglądać np. tak: Streamlit (potrzebny własny klucz API od OpenAI jeśli chcesz testować):

     • jedno wejście: pytanie w języku naturalnym,

     • jasny „obszar odpowiedzialności” (np. prognoza i podstawowe analizy sprzedaży),

     • zdefiniowany łańcuch agentów (SQL → forecast → wizualizacja).

3. Zachowaj człowieka w pętli

   • Nie próbuj w pierwszym kroku automatyzować:

     • decyzji inwestycyjnych,

     • polityki serwisu klienta na poziomie strategicznym,

     • decyzji o zamknięciu linii / zakładu.

   • Skup się na rutynowych, ilościowych decyzjach tam, gdzie:

     • dane są pełne,

     • proces jest powtarzalny,

     • ryzyko operacyjne jest kontrolowalne.

4. Przygotuj organizację na zmianę roli analityka

   • Z „twórcy exceli i dashboardów” na:

     • opiekuna danych,

     • projektanta agentów i przepływów AI,

     • partnera biznesowego w interpretacji rekomendacji AI.

       
       

Na koniec kluczowe pytanie do przemyślenia:

Jeśli Twoja organizacja deklaruje, że jest „data-driven”, ale:

• forecast nadal przygotowuje się tygodniami,

• analitycy toną w raportach,

• a spotkania S&OP zaczynają się od „sprawdźmy, czy dane w ogóle się zgadzają”,

to być może nie chodzi o kolejną iterację hurtowni danych, tylko o krok dalej: wybór Data-driven vs. AI-driven.

Pytanie, które warto zadać samemu sobie i zespołowi:

Jak wyglądałby nasz proces S&OP i decyzje w łańcuchu dostaw, gdyby większość rutynowych analiz wykonywali agenci AI, a ludzie skupiali się wyłącznie na wyborze scenariuszy i zarządzaniu ryzykiem?