Jakich kompetencji potrzebują projekty AI

Skuteczne wdrażanie sztucznej inteligencji wymaga znacznie więcej niż zatrudnienia data scientist lub programisty znającego modele językowe. Projekty AI łączą technologię, dane, procesy biznesowe, wiedzę branżową, bezpieczeństwo oraz zarządzanie zmianą. Dlatego o ich powodzeniu decyduje nie tylko wybór odpowiedniego modelu, ale przede wszystkim właściwie zbudowany zespół.

W APG Systems pomagamy firmom określić, jakich kompetencji potrzebują do realizacji projektów AI, które role powinny rozwijać wewnętrznie, a które mogą pozyskać od partnerów technologicznych. Projektujemy strukturę zespołu dopasowaną do celów organizacji, rodzaju planowanych wdrożeń, dostępnych danych oraz obecnego poziomu dojrzałości cyfrowej.

Nie zaczynamy od tworzenia listy stanowisk. Najpierw analizujemy procesy, potrzeby biznesowe, systemy i planowane zastosowania sztucznej inteligencji. Dopiero na tej podstawie określamy, jakie kompetencje są rzeczywiście potrzebne i jak powinny ze sobą współpracować.

Budowa zespołu AI to nie tylko rekrutacja specjalistów technicznych

Najczęstszym błędem podczas tworzenia zespołu AI jest koncentrowanie się wyłącznie na kompetencjach programistycznych i analitycznych. Nawet bardzo dobry model sztucznej inteligencji nie przyniesie wartości, jeżeli nie rozwiązuje konkretnego problemu biznesowego, nie ma dostępu do odpowiednich danych albo nie może zostać zintegrowany z procesami i systemami firmy.

Zespół AI powinien łączyć trzy perspektywy:

perspektywę biznesową, która pozwala określić, jaki problem warto rozwiązać i jak mierzyć efekty wdrożenia;

perspektywę technologiczną, odpowiadającą za dane, modele, integracje, bezpieczeństwo oraz utrzymanie rozwiązania;

perspektywę organizacyjną, obejmującą zarządzanie zmianą, wdrożenie nowych sposobów pracy, rozwój kompetencji pracowników i odpowiedzialne wykorzystanie sztucznej inteligencji.

Dopiero połączenie tych obszarów pozwala przejść od eksperymentów i pojedynczych prototypów do stabilnych rozwiązań AI wykorzystywanych w codziennej działalności firmy.

Jakich kompetencji potrzebują projekty AI?

Zakres potrzebnych kompetencji zależy od rodzaju projektu. Innego zespołu wymaga wdrożenie asystenta wykorzystującego generatywną AI, innego system prognozowania popytu, automatyczna analiza dokumentów, rozwiązanie oparte na agentach AI czy model wspierający kontrolę jakości w produkcji.

W większości projektów potrzebne są jednak kompetencje z kilku kluczowych obszarów.

Strategia AI i zarządzanie produktem

Każdy projekt sztucznej inteligencji powinien mieć jasno określony cel biznesowy, właściciela oraz mierzalne kryteria sukcesu. Potrzebne są osoby, które potrafią przełożyć potrzeby organizacji na wymagania wobec rozwiązania AI.

Do ich zadań należy między innymi:

wybór problemów biznesowych, które warto rozwiązać przy użyciu AI,
określenie wartości oczekiwanej z wdrożenia,
ustalenie priorytetów oraz zakresu projektu,
zarządzanie backlogiem i rozwojem rozwiązania,
monitorowanie wskaźników biznesowych,
koordynowanie współpracy między biznesem, IT i dostawcami.

Rolę tę może pełnić AI Product Owner, Product Manager, kierownik projektu lub właściciel procesu odpowiednio przygotowany do prowadzenia inicjatyw AI.

Wiedza branżowa i znajomość procesów

Modele sztucznej inteligencji nie rozumieją automatycznie specyfiki organizacji. Potrzebują danych, kontekstu oraz wiedzy ekspertów, którzy znają rzeczywiste procesy, wyjątki, ograniczenia i sposób podejmowania decyzji w firmie.

Eksperci dziedzinowi pomagają:

prawidłowo zdefiniować problem,
ocenić jakość danych i wyników generowanych przez AI,
wskazać wyjątki oraz sytuacje nietypowe,
przygotować reguły biznesowe,
zweryfikować, czy rozwiązanie może być bezpiecznie wykorzystywane,
włączyć AI w codzienną pracę użytkowników.

W zależności od branży mogą to być technolodzy, konstruktorzy, księgowi, prawnicy, specjaliści obsługi klienta, pracownicy produkcji, logistycy lub osoby odpowiedzialne za sprzedaż.

Dane i inżynieria danych

Jakość rozwiązania AI zależy od jakości, dostępności i aktualności danych. Organizacja musi wiedzieć, gdzie znajdują się potrzebne informacje, kto za nie odpowiada i czy mogą być legalnie oraz bezpiecznie wykorzystane.

Kompetencje związane z danymi obejmują:

pozyskiwanie danych z systemów źródłowych,
integrację danych z wielu aplikacji,
projektowanie hurtowni, jezior danych i baz wektorowych,
czyszczenie i standaryzację informacji,
kontrolę jakości danych,
zarządzanie dostępem, metadanymi i pochodzeniem danych,
przygotowywanie danych do trenowania lub zasilania modeli.

W tym obszarze potrzebni mogą być Data Engineer, Data Architect, Analytics Engineer, Data Steward oraz właściciele danych po stronie biznesowej.

Data science, uczenie maszynowe i generatywna AI

Kompetencje modelowe odpowiadają za wybór, budowę, dostosowanie i ocenę mechanizmów sztucznej inteligencji. Nie zawsze oznacza to trenowanie własnego modelu od podstaw. W wielu przypadkach większą wartość przynosi właściwe wykorzystanie gotowych modeli i usług AI.

Zakres kompetencji może obejmować:

analizę danych i budowę modeli predykcyjnych,
uczenie maszynowe i uczenie głębokie,
przetwarzanie języka naturalnego,
analizę obrazu i dźwięku,
wykorzystanie dużych modeli językowych,
projektowanie rozwiązań RAG,
tworzenie agentów AI,
projektowanie i testowanie promptów,
dostrajanie modeli,
ewaluację jakości, trafności i stabilności odpowiedzi.

W zależności od projektu potrzebni mogą być Data Scientist, Machine Learning Engineer, AI Engineer, Generative AI Engineer lub specjalista odpowiedzialny za ewaluację modeli.

Architektura, programowanie i integracja systemów

Model AI jest zazwyczaj tylko jednym z elementów większego rozwiązania. Musi zostać połączony z aplikacjami, bazami danych, systemami ERP, CRM, platformami dokumentowymi lub środowiskiem Microsoft 365.

Kompetencje programistyczne i architektoniczne są potrzebne do:

zaprojektowania architektury rozwiązania,
budowy interfejsów użytkownika,
integracji AI z istniejącymi systemami,
przygotowania API i mechanizmów wymiany danych,
zarządzania tożsamością i uprawnieniami,
zapewnienia skalowalności oraz wydajności,
kontrolowania kosztów usług chmurowych,
utrzymania rozwiązania po zakończeniu pilotażu.

W tej części zespołu znajdują się zazwyczaj Solution Architect, Software Developer, Integration Engineer, Cloud Engineer oraz specjaliści DevOps.

MLOps i LLMOps

Rozwiązanie AI nie kończy się w momencie wdrożenia modelu. Jego jakość może zmieniać się wraz z danymi, zachowaniami użytkowników, aktualizacjami modeli i zmianami zachodzącymi w organizacji.

MLOps i LLMOps obejmują między innymi:

automatyzację wdrożeń,
wersjonowanie modeli, promptów i zbiorów danych,
monitorowanie jakości wyników,
wykrywanie spadku skuteczności modelu,
kontrolę kosztów i wykorzystania zasobów,
obsługę testów regresyjnych,
zarządzanie środowiskami testowymi i produkcyjnymi,
reagowanie na błędy oraz niepożądane zachowania AI.

Kompetencje te stają się szczególnie istotne, gdy organizacja przechodzi od pojedynczego prototypu do rozwiązania wykorzystywanego przez wielu pracowników lub klientów.

Bezpieczeństwo, zgodność i AI Governance

Sztuczna inteligencja może przetwarzać dane osobowe, informacje poufne, dokumenty wewnętrzne oraz wiedzę stanowiącą własność organizacji. Dlatego bezpieczeństwo i zgodność nie powinny być analizowane dopiero przed uruchomieniem rozwiązania.

Zespół powinien posiadać kompetencje pozwalające ocenić:

jakie dane mogą być przekazywane do modeli AI,
gdzie dane są przetwarzane i przechowywane,
kto ma dostęp do rozwiązania,
jak chronić system przed wyciekiem informacji,
jak ograniczać nieprawidłowe lub niebezpieczne odpowiedzi,
jak dokumentować działanie rozwiązania,
jakie obowiązki wynikają z przepisów i polityk organizacji,
kiedy konieczny jest nadzór człowieka.

W większych projektach potrzebni mogą być specjaliści cyberbezpieczeństwa, ochrony danych, compliance, zarządzania ryzykiem oraz osoby odpowiedzialne za AI Governance.

UX, adopcja i zarządzanie zmianą

Nawet technicznie poprawne rozwiązanie nie przyniesie efektów, jeśli pracownicy nie będą chcieli lub potrafili z niego korzystać. AI często zmienia zakres obowiązków, sposób podejmowania decyzji oraz podział odpowiedzialności między człowiekiem a systemem.

Dlatego potrzebne są kompetencje związane z:

projektowaniem doświadczeń użytkownika,
badaniem potrzeb pracowników,
tworzeniem intuicyjnych interfejsów,
przygotowaniem szkoleń i instrukcji,
komunikacją celów wdrożenia,
definiowaniem nowych procedur pracy,
oceną poziomu wykorzystania rozwiązania,
rozwijaniem kompetencji AI w organizacji.

W tym obszarze ważną rolę mogą pełnić UX Researcher, UX Designer, Change Manager, trenerzy oraz liderzy zespołów biznesowych.

Nie każdy projekt AI wymaga wszystkich ról

Budowa zespołu AI nie oznacza konieczności zatrudnienia kilkunastu nowych osób. W mniejszych projektach jedna osoba może łączyć kilka ról. Część kompetencji może już znajdować się w organizacji, a część może zostać zapewniona przez partnera technologicznego.

Kluczowe jest określenie, które kompetencje:

powinny pozostać wewnątrz firmy,
można rozwinąć u obecnych pracowników,
należy pozyskać poprzez rekrutację,
mogą być czasowo dostarczane przez zewnętrznych ekspertów,
będą potrzebne jedynie na określonym etapie projektu.

Pomagamy podjąć decyzję zgodnie z podejściem build, buy or borrow: rozwijać kompetencje wewnętrzne, kupić gotowe rozwiązanie czy korzystać ze wsparcia zewnętrznego zespołu.

Jaki model zespołu AI wybrać?

Nie istnieje jeden uniwersalny sposób organizacji zespołów AI. Struktura powinna zależeć od wielkości firmy, liczby inicjatyw, dostępnych kompetencji oraz znaczenia sztucznej inteligencji dla strategii organizacji.

Model, który sprawdzi się w dużej organizacji realizującej wiele projektów równolegle, może być zbyt kosztowny i złożony dla małej lub średniej firmy. Z kolei niewielki zespół oparty wyłącznie na wsparciu zewnętrznym może okazać się niewystarczający w przedsiębiorstwie, w którym sztuczna inteligencja staje się jednym z kluczowych kierunków rozwoju albo nawet ważnym.

W mniejszych firmach bardziej efektywny może być model lekki, w którym odpowiedzialność biznesowa i wiedza procesowa pozostają wewnątrz organizacji, natomiast specjalistyczne kompetencje techniczne są pozyskiwane od partnerów zewnętrznych. Pozwala to ograniczyć koszty stałe, szybciej rozpocząć pierwszy projekt i sprawdzić, czy planowane zastosowania AI przynoszą oczekiwaną wartość.

Centralny zespół AI

Jedna jednostka odpowiada za rozwój kompetencji, standardów, platform i najważniejszych projektów AI.

Model ten pozwala skoncentrować ekspertów, kontrolować koszty oraz zachować spójność technologiczną. Może jednak prowadzić do oddalenia zespołu od rzeczywistych potrzeb poszczególnych działów.

Zespoły AI osadzone w działach biznesowych

Specjaliści AI pracują bezpośrednio z działami sprzedaży, produkcji, logistyki, finansów lub obsługi klienta.

Takie rozwiązanie ułatwia zrozumienie procesów i szybsze wdrażanie zmian. Wymaga jednak koordynacji, aby różne działy nie tworzyły podobnych rozwiązań niezależnie od siebie.

Model hub-and-spoke

Centralny zespół wyznacza architekturę, standardy, zasady bezpieczeństwa i sposób zarządzania AI, natomiast zespoły działowe realizują konkretne zastosowania biznesowe.

Jest to często najbardziej efektywny model dla organizacji rozwijających wiele inicjatyw AI równolegle.

Zespół hybrydowy z partnerem zewnętrznym

Organizacja zachowuje własność produktu, wiedzę biznesową i kontrolę nad kierunkiem rozwoju, a partner dostarcza specjalistyczne kompetencje technologiczne lub wspiera realizację pierwszych projektów.

Model ten pozwala szybciej rozpocząć działania, ograniczyć ryzyko rekrutacyjne i stopniowo budować kompetencje wewnętrzne.

Na czym polega doradztwo APG Systems?

Nasze wsparcie obejmuje zarówno zaprojektowanie docelowego zespołu AI, jak i przygotowanie organizacji do jego zbudowania.

Analiza planowanych zastosowań AI

Identyfikujemy rodzaje projektów, które firma chce realizować. Oceniamy ich wymagania technologiczne, dane, skalę, ryzyko oraz znaczenie biznesowe.

Audyt obecnych kompetencji

Analizujemy wiedzę i doświadczenie pracowników biznesowych, zespołu IT, analityków, administratorów, programistów oraz osób odpowiedzialnych za bezpieczeństwo i procesy.

Pozwala to ustalić, które kompetencje są już dostępne, które można rozwinąć, a których brakuje.

Mapa kompetencji AI

Przygotowujemy przejrzystą mapę ról i kompetencji potrzebnych do realizacji planowanych projektów. Określamy również poziom zaawansowania wymagany na poszczególnych stanowiskach.

Projekt struktury zespołu

Proponujemy model organizacyjny, zakres odpowiedzialności, sposób współpracy między biznesem i IT oraz relacje z zewnętrznymi dostawcami.

Profile ról i wymagania rekrutacyjne

Opracowujemy opisy stanowisk, zakresy obowiązków oraz kryteria oceny kandydatów. Pomagamy rozróżnić kompetencje rzeczywiście potrzebne od wymagań, które nie wnoszą wartości do danego projektu.

Plan rozwoju kompetencji

Wskazujemy, które umiejętności można rozwinąć wewnętrznie poprzez szkolenia, udział w projektach pilotażowych, mentoring lub współpracę z partnerami technologicznymi.

Model zarządzania projektami AI

Pomagamy określić zasady wyboru inicjatyw, finansowania eksperymentów, zatwierdzania rozwiązań, zarządzania ryzykiem oraz mierzenia rezultatów.

Co otrzymuje firma?

Rezultatem współpracy może być:

mapa kompetencji potrzebnych do realizacji projektów AI,
ocena obecnych kompetencji organizacji,
propozycja docelowej struktury zespołu,
opisy ról i zakresów odpowiedzialności,
macierz RACI dla projektów AI,
rekomendowany model współpracy biznesu, IT i dostawców,
plan rekrutacji i rozwoju pracowników,
rekomendacje dotyczące szkoleń,
zasady zarządzania projektami i portfelem inicjatyw AI,
plan stopniowego budowania zespołu,
rekomendacje w zakresie AI Governance i bezpieczeństwa.

Dokumentacja jest dostosowana do rzeczywistych możliwości firmy. Może dotyczyć zarówno kilkuosobowego zespołu odpowiedzialnego za pierwszy pilotaż, jak i rozbudowanego modelu kompetencyjnego dla organizacji realizującej wiele projektów AI.

Kiedy warto skorzystać z doradztwa?

Usługa jest szczególnie przydatna, gdy firma:

planuje pierwsze wdrożenia sztucznej inteligencji,
prowadzi wiele nieskoordynowanych eksperymentów AI,
chce stworzyć wewnętrzny zespół AI lub AI Center of Excellence,
nie wie, jakie role powinny znaleźć się w projekcie,
planuje rekrutację specjalistów AI,
chce ocenić kompetencje obecnych pracowników,
współpracuje z wieloma dostawcami technologii,
chce uniezależnić się od pojedynczego wykonawcy,
potrzebuje przygotować zasady bezpiecznego wykorzystania generatywnej AI,
zamierza przejść od prototypów do rozwiązań produkcyjnych.

Dlaczego APG Systems?

Łączymy doświadczenie w projektowaniu systemów IT, integracji technologii, analizie procesów oraz cyfrowej transformacji przedsiębiorstw.

Patrzymy na zespół AI jako część większego systemu organizacyjnego. Uwzględniamy nie tylko modele i narzędzia, ale również procesy, dane, istniejącą architekturę IT, bezpieczeństwo, sposób zarządzania oraz gotowość pracowników do korzystania z nowych rozwiązań.

Naszym celem nie jest tworzenie rozbudowanych struktur bez uzasadnienia. Pomagamy zaprojektować zespół wystarczająco kompetentny, aby skutecznie realizował cele firmy, ale jednocześnie dopasowany do jej skali, budżetu i etapu rozwoju.

Zbuduj zespół AI dopasowany do celów Twojej firmy

Dobry zespół AI nie powstaje poprzez przypadkowe zatrudnianie specjalistów od najnowszych technologii. Powstaje poprzez świadome połączenie wiedzy biznesowej, danych, technologii, bezpieczeństwa oraz kompetencji organizacyjnych.

APG Systems pomoże Ci określić, jakich ludzi, ról i umiejętności potrzebuje Twoja organizacja, aby bezpiecznie i efektywnie rozwijać rozwiązania sztucznej inteligencji.

Porozmawiajmy o kompetencjach potrzebnych do realizacji Twoich projektów AI.

Najczęściej zadawane pytania

Kto powinien znaleźć się w zespole AI?

Podstawowy zespół powinien obejmować właściciela biznesowego, eksperta dziedzinowego, osobę odpowiedzialną za dane, kompetencje AI lub machine learning, programistę albo architekta integracji oraz specjalistę odpowiedzialnego za bezpieczeństwo. Dokładny skład zależy od rodzaju i skali projektu.

Czy każda firma potrzebuje własnego zespołu AI?

Nie. Wiele firm może rozpocząć od zespołu hybrydowego, w którym pracownicy organizacji odpowiadają za procesy, dane i cele biznesowe, a partner zewnętrzny dostarcza kompetencje technologiczne. Własny zespół warto rozwijać wtedy, gdy AI staje się stałym elementem działalności firmy.

Czy do wdrażania generatywnej AI potrzebny jest data scientist?

Nie zawsze. Projekty wykorzystujące gotowe modele językowe częściej wymagają kompetencji AI Engineering, integracji systemów, projektowania rozwiązań RAG, bezpieczeństwa i ewaluacji jakości niż klasycznego trenowania modeli statystycznych.

Czym różni się AI Engineer od Data Scientista?

Data Scientist koncentruje się przede wszystkim na analizie danych, eksperymentach i budowaniu modeli. AI Engineer odpowiada częściej za zastosowanie modeli w rzeczywistym systemie, ich integrację, testowanie, skalowanie i udostępnienie użytkownikom.

Jak duży powinien być zespół AI?

Pierwszy zespół może liczyć od trzech do sześciu osób, które łączą kilka funkcji. Większe zespoły są potrzebne przy wielu równoległych projektach, przetwarzaniu danych wrażliwych, budowaniu własnych modeli lub wdrażaniu rozwiązań AI w całej organizacji.

Od czego rozpocząć budowę zespołu AI?

Najpierw należy określić konkretne zastosowania AI, oczekiwane rezultaty, dostępne dane i ograniczenia technologiczne. Dopiero następnie warto projektować strukturę zespołu, planować rozwój kompetencji i rozpoczynać rekrutację.

Potrzebujesz konsultacji w temacie budowy kompetencji i/lub zespołów AI?

Porozmawiajmy o tym, jakich kompetencji potrzebuje Twoja organizacja i jaki model zespołu najlepiej odpowiada jej celom, skali oraz możliwościom finansowym.

Pomożemy Ci uporządkować role, zaplanować rozwój pracowników i wybrać właściwy zakres wsparcia zewnętrznego.

Umów spotkanie

Doradztwo w budowie zespołów AI