Firmy budują modele językowe i automatyzują procesy, ale rewolucja AI toczy się dziś w kanale partnerskim i u klientów, którzy dopiero uczą się tego, jak przekuć sztuczną inteligencję na wartość biznesową.
O tym, co zmienia się w infrastrukturze IT, jak wygląda adaptacja AI w biznesie i jak na tę transformację przygotowuje się rynek w Polsce, rozmawiamy z Mariuszem Ziółkowskim, Vice President, Poland and South East Europe w TD SYNNEX.
Jakie są najważniejsze szanse i wyzwania dla biznesu związane z postępującą adaptacją AI?
Sztuczna inteligencja zaczęła przenikać każdy obszar technologii i biznesu. Mówimy tu już nie o jednym trendzie, ale o transformacji całych sektorów gospodarki. Z perspektywy firm technologicznych i kanału dystrybucyjnego widzę przede wszystkim trzy obszary największych szans. Pierwszy to modernizacja infrastruktury IT. Rosnące zapotrzebowanie na moc obliczeniową napędza inwestycje w akceleratory GPU oraz wyspecjalizowane jednostki NPU i TPU. Firmy unowocześniają serwerownie, kupują nową generację stacji roboczych i przyspieszają migrację systemów do środowisk hybrydowych.
Drugi obszar to gwałtowny rozwój usług chmurowych. Sztuczna inteligencja jest dziś ściśle związana z hyperscalerami, w tym Microsoft Azure, Amazon Web Services i Google Cloud, bo to oni udostępniają platformy do trenowania modeli i narzędzia MLOps. Dzięki temu AI staje się dostępna dla partnerów i klientów, którzy jeszcze kilka lat temu nie mieli kompetencji ani infrastruktury, aby wdrażać takie projekty.
Trzecia szansa to powstawanie nowych specjalizacji w kanale. Obserwujemy wzrost liczby firm partnerskich, które budują kompetencje w obszarze GenAI, cyberbezpieczeństwa i tworzenia specjalizowanych modeli językowych dla biznesu. Klienci oczekują dziś nie tylko infrastruktury, ale także konkretnych przypadków użycia: inteligentnych chatbotów, personalizacji usług, automatyzacji pracy z dokumentami czy predykcji w obszarze utrzymania systemów.
Transformacja nigdy nie jest jednak pozbawiona wyzwań, a największym problemem rynku pozostaje deficyt kompetencji. W Polsce brakuje specjalistów AI i inżynierów danych, dlatego firmy oczekują od dystrybutorów nie tylko dostarczania produktów, ale także inwestycji w rozwój kompetencji partnerów. Drugim wyzwaniem jest regulacja, szczególnie w kontekście europejskiego AI Act, który wprowadza niepewność interpretacyjną i wymaga od firm uporządkowania zarządzania ryzykiem w systemach AI. Wreszcie technologia rozwija się szybciej niż modele biznesowe. Wiele przedsiębiorstw eksperymentuje z AI, ale wciąż szuka sposobów, aby przełożyć ją na mierzalne wskaźniki biznesowe i ROI. To właśnie dlatego potrzebne są kompetencje, zarówno technologiczne, jak i strategiczne. Osobnym wyzwaniem jest integracja systemowa. Klienci często mają już rozbudowane środowiska IT, w których nowe rozwiązania AI muszą współpracować z istniejącymi aplikacjami i bazami danych. To wymaga nie tylko technologii, ale także umiejętności architektonicznych i partnerskiego podejścia w projektach wdrożeniowych. Dlatego coraz szybciej rośnie znaczenie dystrybutorów wartości dodanej, którzy są w stanie połączyć kompetencje inżynieryjne z doradztwem biznesowym. W AI nie wygrywa już ten, kto dostarcza sprzęt lub licencje, ale ten, kto potrafi przeprowadzić klientów przez cały proces transformacji.
Jakie kierunki rozwoju i zastosowań AI są dziś Pana zdaniem priorytetowe?
Najważniejszy kierunek to dziś integracja AI z architekturą chmurową i środowiskami hybrydowymi. Firmy zaczynają rozumieć, iż sztuczna inteligencja nie istnieje w oderwaniu od infrastruktury. Żeby wdrażać GenAI, analitykę predykcyjną czy automatyzację procesów, potrzebne są fundamenty: przemyślana architektura danych, odpowiednio przygotowane API i narzędzia MLOps oraz bezpieczne środowiska do trenowania modeli. Rośnie znaczenie tzw. Private AI, czyli modeli wdrażanych lokalnie lub w prywatnych instancjach chmury. Coraz więcej przedsiębiorstw decyduje się na trenowanie własnych modeli językowych na wewnętrznych danych, zamiast korzystać z usług publicznych dostępnych w modelu open source. Biznes chce mieć kontrolę nad informacją i przewidywalność działania, a to wymaga świadomej architektury.
Kolejny priorytet to lokalne przetwarzanie danych w urządzeniach końcowych. Komputery z akceleracją NPU i urządzenia klasy Copilot+ PC zmieniają sposób myślenia o wykorzystaniu AI. Model on-device pozwala redukować opóźnienia i wzmacnia bezpieczeństwo danych, ponieważ mogą być one przetwarzane bez wysyłania do chmury. Tego wymagają dziś branże regulowane, takie jak finanse, sektor publiczny, zdrowie czy usługi profesjonalne. Trzeci kierunek to automatyzacja. AI zaczyna pełnić rolę aktywnego operatora procesów, co widać w obsłudze klienta, systemach predykcyjnych, analizach dokumentów czy monitoringu infrastruktury IT. Mówimy już nie o prostych chatbotach, ale o systemach zdolnych do prowadzenia autonomicznych operacji w ramach określonego zakresu odpowiedzialności. Ten obszar będzie się rozwijał bardzo dynamicznie.
Czy AI to dziś przede wszystkim narzędzie redukujące koszty, czy motor innowacji i nowych źródeł przychodu?
Sposób wdrażania AI przebiega falowo. Na początku większość firm wykorzystuje ją do optymalizacji kosztowej. To naturalny etap, który pozwala managerom gwałtownie zbudować case biznesowy i uzasadnić dalsze inwestycje. Wiele projektów zaczyna się od automatyzacji back-office, ujednolicenia obsługi klienta, skrócenia czasu reakcji w działach wsparcia technicznego czy ulepszenia procesów obiegu dokumentów. To obszary o wysokim potencjale ROI i mierzalnym efekcie biznesowym. AI przynosi tu natychmiastowe oszczędności operacyjne.
Drugi etap jest znacznie ciekawszy, ponieważ sztuczna inteligencja zaczyna w nim generować przychody. Firmy tworzą produkty rozwijane w modelu AI as a Service, oferują personalizację usług w czasie rzeczywistym, wdrażają dynamiczne strategie cenowe oraz inteligentne systemy rekomendacji. Pojawia się nowa kategoria produktów, które bazują na modelach językowych i technologiach generatywnych. To już nie tylko efektywność, ale także nowe modele biznesowe i linie przychodowe.
Trzeci etap, do którego stopniowo dochodzimy, to transformacja modeli operacyjnych. AI staje się integralną częścią architektury organizacji i fundamentem decyzyjności. Firmy zaczynają budować przewagę konkurencyjną nie tylko na poziomie produktów, ale także procesów i kompetencji. Przejście między etapami wymaga jednak dojrzałości technologicznej, a także zbudowania własnego ekosystemu danych. Bez tego AI pozostaje zestawem narzędzi, zamiast być realnym motorem innowacji.
Warto podkreślić, iż prawdziwą miarą dojrzałości organizacji nie jest sam fakt korzystania z AI, ale sposób, w jaki potrafi ona skalować jej zastosowania. Na rynku widać już wyraźny podział na firmy, które używają sztucznej inteligencji punktowo oraz te, które budują na niej przewagę systemową. Różnica jest fundamentalna, ponieważ AI nie daje zwrotu z inwestycji tam, gdzie pozostaje ciekawostką technologiczną. Realna wartość pojawia się dopiero wtedy, gdy staje się częścią ścieżki przychodowej i decyzji strategicznych. To moment, w którym AI przestaje być kosztem operacyjnym, a zaczyna wzmacniać model biznesowy i pozycję rynkową.
Jaką rolę odgrywa dziś sztuczna inteligencja w strategii TD SYNNEX i jak przebiegała droga od pierwszych decyzji o jej wdrożeniu do obecnych działań?
Dla nas AI nie jest eksperymentem ani pobocznym projektem. To fundament strategii rozwoju i odpowiedź na transformację całego rynku technologicznego. Zaczęliśmy od wewnętrznych wdrożeń, bo nie ma wiarygodnego doradztwa bez praktyki. Sztuczna inteligencja wspiera nas w analizie danych i prognozowaniu popytu, zarządzaniu łańcuchem dostaw oraz optymalizacji operacyjnej. Automatyzujemy procesy przetwarzania zamówień, obsługi dokumentów i back-office. To dało nam realne doświadczenia w pracy z AI i przygotowało organizację do kolejnego etapu.
Drugi krok to rozwinięcie oferty dla partnerów i klientów końcowych. AI jest obecna we wszystkich filarach naszego portfolio, od infrastruktury serwerowej i urządzeń z akceleracją NPU, przez chmurę i MLOps, po rozwiązania do przetwarzania danych i cyberbezpieczeństwo. Ponadto nasza rola nie polega jedynie na dostarczeniu produktów. Wspieramy projekty wdrożeniowe, pomagamy partnerom budować architektury Private AI i integrować modele językowe w środowiskach regulowanych. To kompetencje, które powstają na styku technologii i biznesu.
Równolegle inwestujemy w rozwój kompetencji rynku. Wprowadziliśmy program Destination AI, a w ramach TD SYNNEX Academy budujemy ścieżki edukacyjne dla partnerów. Uruchomiliśmy też europejskie Center of Excellence, które wspiera partnerów na poziomie architektonicznym i projektowym. AI nie jest technologią plug and play – wymaga wiedzy, odpowiedzialności oraz gotowości do zmian i dlatego budujemy nie tylko ofertę produktową, ale cały ekosystem kompetencji.
Co jest dziś najbardziej niedocenianym aspektem sztucznej inteligencji w debacie publicznej i biznesowej?
AI często traktowana jest jako narzędzie, tymczasem w rzeczywistości to strategia. Najbardziej niedoceniany jest aspekt dojrzałości danych, bo firmy wciąż zaczynają od modeli, zamiast zacząć od analizy jako- ści i struktury danych, które mają zasilać te modele. Druga rzecz to odpowiedzialność technologiczna. AI wymaga elementarnej transparentności i kontroli. Ostatni aspekt to demokratyzacja AI. Wbrew pozorom to nie jest technologia wyłącznie dla gigantów. W erze chmury i modeli API realne korzyści mogą osiągać także firmy średniej wielkości, ale muszą zainwestować w kompetencje.
Jak ocenia Pan dojrzałość polskiego rynku w obszarze AI i jakie kroki powinny podjąć firmy, aby realnie wykorzystać potencjał tej technologii?
Rynek jest pełen deklaracji, ale mało kto ma prawdziwą strategię AI. Wiele firm pozostaje na poziomie eksperymentów i prezentacji koncepcyjnych. Część wdrożeń kończy się w PowerPoincie, bo brakuje fundamentów, czyli spójnych danych, architektury i przygotowanych zespołów. Zbyt często słyszę, iż AI to przyszłość. To nie jest przyszłość, tylko teraźniejszość i kto tego jeszcze nie widzi, już ma opóźnienie.
Polskie firmy muszą wykonać trzy konkretne kroki. Po pierwsze, przejść z fazy testów do projektów produkcyjnych i zaprojektować realne przypadki użycia AI w biznesie. Nie ogólne hasła o efektywności, tylko wdrożenia powiązane z KPI i przychodami. Po drugie, zbudować kompetencje, czyli inwestować w edukację, bo bez tego AI będzie jedynie narzutem marketingowym. I po trzecie, uporządkować dane. Nie będzie skutecznej AI bez architektury danych i kultury pracy opartej na informacji.
Dojrzałość organizacji w obszarze AI nie zaczyna się od zakupu technologii, tylko od decyzji strategicznych. Wygrywać będą te firmy, które jako pierwsze połączą AI z modelem operacyjnym i potrafią skalować wdrożenia. To jest dziś prawdziwa przewaga konkurencyjna.
Aby bezpłatnie pobrać cały raport AI RADAR – Trendbook (ponad 400 stron, bezcennej wiedzy o AI) kliknij w poniższy baner:
