RPA kontra generatywna AI: dylemat polskiego przemysłu

Na halach produkcyjnych pod Wrocławiem, w centrach usług w Krakowie i w działach finansowych warszawskich korporacji toczy się dziś cicha gra o przyszłość. Nie chodzi o rynki zbytu, lecz o wybór technologicznej ścieżki, która zdefiniuje krajobraz polskiego przemysłu i usług na nadchodzącą dekadę. Na szali leżą dwie potężne siły transformacyjne: z jednej strony Robotic Process Automation (RPA), sprawdzony i niezawodny cyfrowy pracownik, mistrz optymalizacji. Z drugiej – generatywna sztuczna inteligencja (GenAI), kreatywny wizjoner, zdolny do tworzenia innowacji na niespotykaną dotąd skalę.

RPA: cyfrowy pracownik i wykonawca

Aby zrozumieć istotę dylematu, należy najpierw docenić siłę i rolę, jaką w polskim biznesie odegrała technologia RPA. W najprostszym ujęciu, RPA to oprogramowanie, które potrafi naśladować powtarzalne, oparte na regułach czynności wykonywane przez człowieka na komputerze. To „cyfrowy pracownik”, który loguje się do systemów, kopiuje dane z jednego pliku do drugiego, wypełnia formularze i klika w przyciski – robi to jednak bezbłędnie, 24 godziny na dobę, 7 dni w tygodniu.

Popularność RPA w Polsce nie jest przypadkowa. Jej gwałtowny wzrost jest nierozerwalnie związany z fenomenem rozwoju sektora nowoczesnych usług dla biznesu (BPO/SSC). Przez ostatnie dwie dekady miasta takie jak Kraków, Wrocław, Warszawa czy Trójmiasto stały się europejskimi zagłębiami dla centrów operacyjnych globalnych korporacji. Ich model biznesowy opierał się na standaryzacji i realizacji ogromnej liczby powtarzalnych procesów – w finansach, księgowości, HR czy obsłudze klienta. W środowisku, gdzie liczyła się skala, precyzja i efektywność kosztowa, RPA okazała się technologią idealną. Polskie zespoły, wspierane przez narzędzia czołowych dostawców, takich jak UiPath, Blue Prism czy Automation Anywhere, stały się światowymi ekspertami w automatyzacji procesów.

Główne atuty RPA, które zadecydowały o jej sukcesie, to przede wszystkim przewidywalność i szybkość wdrożenia. W przeciwieństwie do skomplikowanych projektów transformacji systemów IT, robotyzację można było wdrażać stopniowo, proces po procesie, uzyskując mierzalne korzyści w relatywnie krótkim czasie. Dla dyrektora finansowego możliwość zautomatyzowania procesu uzgadniania faktur i uzyskania zwrotu z inwestycji w ciągu 9-12 miesięcy była niezwykle kuszącą propozycją. Banki automatyzowały wstępne etapy weryfikacji wniosków kredytowych, firmy ubezpieczeniowe – likwidację prostych szkód, a działy HR – proces onboardingu nowych pracowników.

Jednak siła RPA jest jednocześnie jej największym ograniczeniem. Roboty są niezwykle skuteczne, ale „kruche” i pozbawione inteligencji. Działają na podstawie sztywno zdefiniowanego scenariusza. Jakakolwiek zmiana w interfejsie aplikacji, przeniesienie przycisku czy dodanie nowego pola w formularzu, powoduje, że robot się zatrzymuje i wymaga kosztownej interwencji programisty. Co ważniejsze, RPA nie rozumie kontekstu. Automatyzuje proces w jego obecnym kształcie („as is”), nawet jeśli jest on z gruntu nieefektywny. Nie potrafi uczyć się na podstawie danych ani obsługiwać informacji nieustrukturyzowanych, takich jak treść e-maila, skan dokumentu o niestandardowym układzie czy zapis rozmowy z klientem. To niezawodny wykonawca, ale nigdy nie stanie się samodzielnym myślicielem.

Sztuczna inteligencja generatywna: architekt z nowej rzeczywistości

Na drugim biegunie stoi sztuczna inteligencja generatywna. Jej pojawienie się w publicznej świadomości za sprawą modeli językowych takich jak GPT-3 i GPT-4 było dla biznesu technologicznym trzęsieniem ziemi. Po raz pierwszy na masową skalę zetknęliśmy się z technologią, która nie tylko przetwarza informacje, ale potrafi tworzyć zupełnie nowe, oryginalne i spójne treści – tekst, kod programistyczny, obrazy, a nawet projekty inżynierskie.

GenAI, w przeciwieństwie do RPA, nie operuje na poziomie interfejsu użytkownika, ale na poziomie znaczenia i kontekstu. Rozumie niuanse języka naturalnego, potrafi streszczać skomplikowane dokumenty, prowadzić złożone dialogi i generować kreatywne rozwiązania problemów. Jej siła leży w zdolności do pracy z danymi nieustrukturyzowanymi, które stanowią ponad 80% informacji w każdej organizacji – e-mailami, raportami, umowami, opiniami klientów czy zgłoszeniami serwisowymi.

Potencjał tej technologii dla polskiego przemysłu i usług jest ogromny i wykracza daleko poza prostą optymalizację. W sektorze produkcyjnym, inżynierowie mogą używać GenAI do generowania i testowania tysięcy wariantów nowego komponentu, aby znaleźć ten o optymalnych parametrach. Zamiast przeglądać setki stron dokumentacji technicznej, pracownik utrzymania ruchu może zadać systemowi pytanie w języku naturalnym: „Jakie są najczęstsze przyczyny awarii maszyny X i jak im zapobiegać?”. W branży marketingowej, GenAI może tworzyć spersonalizowane kampanie e-mailowe, które trafiają w indywidualne potrzeby każdego klienta. W obsłudze klienta, inteligentne chatboty nowej generacji mogą wreszcie prowadzić naturalne rozmowy, rozumieć frustrację dzwoniącego i samodzielnie rozwiązywać złożone problemy, zamiast zmuszać do przeklikiwania się przez drzewko IVR.

Jednakże, za tym ogromnym potencjałem kryją się równie duże wyzwania. Modele generatywne są kosztowne w utrzymaniu i wymagają ogromnych mocy obliczeniowych. Ich skłonność do „halucynacji”, czyli generowania nieprawdziwych, ale wiarygodnie brzmiących informacji, wymaga stałego nadzoru człowieka („human-in-the-loop”). Kwestie prywatności i bezpieczeństwa danych używanych do trenowania modeli stają się kluczowym zagadnieniem, zwłaszcza w kontekście europejskich regulacji. Wdrożenie GenAI to nie projekt na kilka miesięcy, lecz długofalowa, strategiczna inwestycja w nowe kompetencje i kulturę organizacyjną.

RPA spotyka generatywną AI

• Podejście oparte wyłącznie na RPA: firma inwestuje w robota, który potrafi zalogować się do skrzynki e-mail, otworzyć załącznik w postaci standardowego formularza PDF, odczytać dane z konkretnych pól (np. numer polisy, data zdarzenia) i przepisać je do wewnętrznego systemu likwidacji szkód. Proces działa szybko i sprawnie, dopóki klient nie prześle zgłoszenia w treści e-maila lub nie użyje niestandardowego formularza. Wtedy robot zawodzi, a sprawa musi być obsłużona ręcznie.
• Podejście oparte wyłącznie na GenAI: firma wdraża zaawansowany model językowy, który potrafi przeczytać i zrozumieć treść dowolnego e-maila opisującego szkodę. Model streszcza opis zdarzenia, identyfikuje kluczowe informacje i przygotowuje wstępną ocenę. Jednak proces jest relatywnie wolny i kosztowny w przeliczeniu na pojedyncze zgłoszenie. Co więcej, model sam w sobie nie potrafi wprowadzić danych do przestarzałego, wewnętrznego systemu firmy, który nie posiada API.
• Podejście synergiczne (Hiperautomatyzacja): tu właśnie leży przyszłość. W tym modelu, GenAI odgrywa rolę inteligentnego „tłumacza”. Czyta nieustrukturyzowany e-mail od klienta, rozumie jego treść, wyodrębnia potrzebne dane i porządkuje je w standardowym formacie (np. JSON). Następnie, te ustrukturyzowane dane są przekazywane do robota RPA, który w szybki i tani sposób wprowadza je do starego systemu, wykonując serię zdefiniowanych kliknięć.

Orkiestracja tak złożonego przepływu pracy, gdzie zadania są płynnie przekazywane między człowiekiem, generatywną sztuczną inteligencją a robotem RPA, wymaga centralnej platformy do zarządzania procesami. Tu kluczową funkcję pełnią narzędzia wbudowane w zintegrowane systemy biznesowe. Na przykład, zaawansowane reguły Automatyzacji dostępne w Bitrix24 mogą działać jak cyfrowy dyrygent. Potrafią one monitorować przychodzące zgłoszenia, na podstawie ich treści uruchamiać odpowiednie API modelu GenAI, a następnie, po otrzymaniu ustrukturyzowanych danych, aktywować konkretny scenariusz robota RPA i przypisać zadanie do odpowiedniego pracownika w celu ostatecznej weryfikacji. W ten sposób dylemat „albo-albo” zamienia się w „i to, i to”.

Scorecard decyzji o automatyzacji: macierz zastosowań RPA vs GenAI i mapy ryzyka dla polskiego przemysłu

Wprowadź swój adres e-mail, aby otrzymać kompleksowy, szczegółowy przewodnik krok po kroku

Potwierdzam, że przeczytałem(-am) i zrozumiałem(-am) zasady Polityki Prywatności Bitrix24

Optymalizacja czy innowacja?

Przenosząc te technologiczne rozważania na poziom strategii biznesowej, polscy decydenci stają przed trudnymi wyborami, uwarunkowanymi specyfiką naszej gospodarki.

Z jednej strony, silna presja na efektywność kosztową, wynikająca z rosnących wynagrodzeń i konkurencji ze strony krajów o niższych kosztach pracy, naturalnie pcha firmy w stronę RPA. Inwestycja w robotyzację oferuje szybki, przewidywalny i łatwy do obrony przed zarządem zwrot. Dla wielu polskich firm produkcyjnych, które są częścią międzynarodowych łańcuchów dostaw, kluczowa jest standaryzacja i niezawodność – cechy, w których RPA celuje.

Z drugiej strony, rośnie świadomość, że długoterminowa konkurencyjność polskiej gospodarki nie może opierać się wyłącznie na optymalizacji kosztów. Strategiczna ambicja to przejście od roli podwykonawcy do roli innowatora, który tworzy własne produkty, marki i technologie. Ta droga wymaga inwestycji w badania i rozwój, kreatywność i budowanie unikalnej wartości – a to jest domena generatywnej AI. Jednak inwestycje w GenAI są obarczone większym ryzykiem, wymagają nowych, rzadkich na rynku kompetencji (jak inżynieria promptów czy etyka AI) i często przynoszą zwrot w dłuższej perspektywie.

Na decyzje te nakłada się również kontekst regulacyjny. Nadchodzący unijny Akt o Sztucznej Inteligencji (AI Act) nałoży na firmy dodatkowe obowiązki związane z transparentnością i zarządzaniem ryzykiem, co może wpłynąć na tempo adopcji bardziej zaawansowanych rozwiązań AI. Wreszcie, pozostaje kwestia luki kompetencyjnej. Choć Polska może poszczycić się armią utalentowanych programistów, wciąż brakuje nam menedżerów i strategów, którzy potrafią myśleć o technologii nie w kategoriach narzędzia, ale w kategoriach fundamentalnej transformacji modelu biznesowego.

Plan działania dla polskiego menedżera

Strategiczny dylemat między optymalizacją a innowacją wymaga przełożenia na konkretny, pragmatyczny plan działania. Dla polskiego menedżera, który chce świadomie prowadzić swoją organizację przez tę transformację, pierwszym krokiem nie jest wybór dostawcy technologii, ale spojrzenie w głąb własnej firmy.

• Krok 1: audyt i mapowanie procesów. Podstawą każdej udanej automatyzacji jest dogłębne zrozumienie obecnych przepływów pracy. Coraz częściej firmy sięgają po narzędzia do process mining (eksploracji procesów), takie jak Celonis, które na podstawie danych z systemów IT tworzą obiektywną mapę tego, jak procesy faktycznie wyglądają, a nie jak wydaje się nam, że powinny wyglądać. Taki audyt pozwala zidentyfikować „wąskie gardła”, nieefektywności i ukryte koszty. Efektem powinna być skategoryzowana lista potencjalnych kandydatów do automatyzacji: procesy powtarzalne, oparte na stałych regułach i ustrukturyzowanych danych (idealne dla RPA) oraz te, które wymagają analizy tekstu, podejmowania decyzji w warunkach niepewności czy kreatywności (potencjalne zastosowania GenAI).
• Krok 2: budowa zróżnicowanego uzasadnienia biznesowego. Uzasadnienie inwestycji w RPA i GenAI wymaga posługiwania się różnymi językami. W przypadku RPA, rozmowa z zarządem powinna opierać się na twardych wskaźnikach: obliczeniu zwrotu z inwestycji (ROI) na podstawie zaoszczędzonych roboczogodzin, redukcji wskaźnika błędów (error rate) i przyspieszeniu cyklu przetwarzania. To język finansów, który jest uniwersalnie zrozumiały. W przypadku GenAI, uzasadnienie musi wykraczać poza proste oszczędności. Tu kluczowe stają się metryki związane ze wzrostem i innowacją: skrócenie czasu wprowadzania nowego produktu na rynek, wzrost wskaźników satysfakcji klienta (CSAT) dzięki lepszej obsłudze, czy nawet liczba nowych hipotez biznesowych, które udało się wygenerować i przetestować dzięki analizie danych.
• Krok 3: potęga projektu pilotażowego (Proof of Concept). Zamiast planować wielką rewolucję, należy zacząć od małego, kontrolowanego eksperymentu. Dobry projekt pilotażowy powinien być realizowany w obszarze o wysokiej widoczności, ale niskim ryzyku operacyjnym. Dla RPA może to być automatyzacja przygotowywania cyklicznego raportu, który jest ważny, ale jego chwilowa niedostępność nie zatrzyma działalności firmy. Dla GenAI, bezpiecznym polem do eksperymentów jest często obszar wewnętrzny – np. stworzenie inteligentnego asystenta dla działu HR, który odpowiada na pytania pracowników na podstawie wewnętrznego regulaminu. Sukces takiego pilotażu jest najlepszym argumentem za dalszymi inwestycjami, a zdobyte doświadczenia – bezcenną lekcją.
• Krok 4: inwestycja w ludzi i kulturę. Technologia jest tylko narzędziem; prawdziwa transformacja zachodzi w głowach pracowników. Kluczowa jest otwarta komunikacja, która przedstawia automatyzację nie jako zagrożenie, ale jako szansę na eliminację nużących zadań i skupienie się na bardziej kreatywnej pracy. Należy stworzyć konkretny plan podnoszenia i zmiany kwalifikacji (upskilling i reskilling). Kto w zespole ma potencjał, by stać się deweloperem RPA? Kto nauczy się tworzyć skuteczne zapytania do modeli AI (prompt engineering)? W miarę dojrzewania organizacji, warto rozważyć powołanie Centrum Doskonałości (Center of Excellence), które będzie zarządzać rosnącą „cyfrową siłą roboczą”, dbać o standardy i promować najlepsze praktyki w całej firmie.

Prawdziwa rewolucja w produktywności i innowacyjności nie dokona się poprzez wybór jednej z tych technologii, ale poprzez ich inteligentne połączenie w ramach szerszej strategii hiperautomatyzacji. RPA pozostanie niezastąpiona w automatyzacji prostych, ustrukturyzowanych zadań na dużą skalę, stanowiąc solidny fundament operacyjnej doskonałości. GenAI będzie natomiast mózgiem operacji, który radzi sobie ze złożonością, kontekstem i kreatywnością, otwierając drzwi do zupełnie nowych możliwości.