Sztuczna inteligencja nie kasuje długu technologicznego, ale może zmienić jego warunki – na korzystniejsze, albo wręcz przeciwnie. Wszystko zależy od podejścia firmy
Partnerem publikacji Westernacher
Czy firmy muszą gruntownie modernizować IT, żeby spłacić dług technologiczny? Niekoniecznie. Sztuczna inteligencja może przejąć część pracy i pomóc nadrobić zaległości – podkreślano na konferencji AI NOW w Sopocie. Jest jeden warunek: to technologię trzeba dopasować do problemów, potrzeb i procesów organizacji, a nie na odwrót. Inaczej zamiast spłacać stary dług, można zacząć zaciągać nowy.
Spotkali się głównie menedżerowie i eksperci z przedsiębiorstw korzystających z SAP ECC i SAP S/4HANA. Nic dziwnego, że na konferencji zorganizowanej przez firmę Westernacher nie rozmawiano o sztucznej inteligencji w kontekście społecznym, ideologicznym czy filozoficznym. Nie padło nawet jedno pytanie o przyszłość ludzkości. Omawiano sprawy bardziej przyziemne: co zrobić z systemem, który działa od kilkunastu lat, z kodem dopisywanym przez kolejne zespoły i z procesem, którego nikt nie chce ruszać, bo nadal przynosi pieniądze. Innymi słowy, dyskusja na AI NOW 2026 dotyczyła tego, jak spłacić dług technologiczny.
Stary system nie jest jeszcze długiem
Stare nie znaczy złe. Nowe nie znaczy dobre. Aleksander Popończyk, ERP Global Practice Lead w Westernacher Consulting, postawił nawet prowokacyjną tezę: dług technologiczny sam w sobie nie jest problemem. Staje się nim dopiero w chwili, gdy ogranicza możliwość zmiany.
Biznesu nie prowadzi się po to, by mieć najładniejszą architekturę IT. System ma obsługiwać sprzedaż, produkcję, logistykę, klientów, HR czy finanse. Jeżeli robi to dobrze, jego metrykalne zaawansowanie nie jest powodem do modernizacji. Z długiem mamy do czynienia wtedy, gdy każda zmiana trwa coraz dłużej, dokumentacja mówi jedno, konfiguracja drugie, a jedyny człowiek pamiętający całość właśnie odchodzi.
Westernacher robił inwentaryzację starszych środowisk ECC. Od 30 do 60 proc. własnego kodu typu Z okazało się martwe. Firma nadal go miała, lecz nikt już z niego nie korzystał. To doskonałe odzwierciedlenie długu. Nie chodzi o coś starego. Kłopot polega na tym, że trzeba utrzymywać i stale zajmować się czymś, co nie ma już wartości biznesowej.
Ze wsparciem przychodzi AI, bo pozwala czerpać ze starego świata, zamiast go burzyć. Może analizować kod, pracować obok narzędzi SAP albo działać jako osobna warstwa nad kilkoma systemami. Weźmy jako przykład raport, którego nikt w Westernacherze nie chciał przygotować. Agentowi wraz z testami zajęło to 16–40 minut. Na pytanie klienta o to, gdzie jest jego zamówienie, zareagowano automatycznie w około 30 sekund. Inwentaryzacja własnego kodu czy prace przy konwersji to już kwestia dni, a nie tygodni. Nie znaczy to jeszcze, że dług zniknął. Ale zmienia się cena życia z nim.
Najpierw wartość, potem wielka migracja
Tu pojawia się pierwsza lekcja: odwróć kolejność. Przez lata transformacja technologiczna często zaczynała się od dużej decyzji. Kupujemy platformę. Migrujemy. Budujemy architekturę. Po wielu miesiącach biznes zobaczy pierwszy ekran i wtedy sprawdzimy, czy pomysł rzeczywiście działa – i czy jest szansa na zwrot z inwestycji.
AI pozwala zmniejszyć ryzyko. Najpierw zrobimy makietę albo działający prototyp. Sprawdzimy, czy rozwiązuje konkretny problem. Dopiero później zdecydujemy, gdzie powinien działać i jak głęboko integrować go z firmą.
W materiałach Westernacher zestawiono dwa terminy: nawet 12 miesięcy do pierwszego efektu widocznego dla biznesu kontra makieta zbudowana w kilka godzin. Makieta to nie wdrożenie. Ale przy małych nakładach pozwala sprawdzić, czy warto iść dalej. To zmiana także dla menedżerów. Technologia tanieje szybciej niż odpowiedzialność. Coraz łatwiej coś zbudować. Decyzja, co budować, nie staje się przez to prostsza.
System pamięta, człowiek decyduje
Marta Czapulak, dyrektor działu AMS-SAP w firmie Westernacher, i Leszek Strumiłowski, konsultant SAP Basis, przedstawili wizję proaktywnego wsparcia serwisowego opartego na AI. Chodzi o mniej widowiskową, ale równie ważną stronę technologii: pamięć organizacji. Każdy duży system ma swoje legendy. Konsultant pamięta awarię sprzed dwóch lat, administrator wie, którego parametru lepiej nie ruszać, a ktoś jeszcze inny potrafi wyjaśnić, dlaczego dekadę temu powstało tak dziwne rozwiązanie. Kłopot zaczyna się, gdy te osoby odchodzą.
W tradycyjnym serwisie wiedza jest porozrzucana pomiędzy systemem SAP, dokumentacją, historią zgłoszeń, logami i ludźmi. AI mogłaby złożyć ją z powrotem w całość. Nie po to, żeby samodzielnie naprawiać wszystko, lecz żeby przedstawić konsultantowi hipotezy poparte źródłami i odrzucić te, które nie pasują do konkretnego środowiska klienta.
Prelegenci zilustrowali tę wizję rzeczywistym, zanonimizowanym przypadkiem. Integracja nie działała. Zespół sprawdzał połączenia, certyfikaty i logi. Odbyło się kilka spotkań trwających po godzinę lub dwie. Dopiero zestawienie dokumentacji z faktycznymi wartościami parametrów ujawniło przyczynę: nieprawidłową wartość parametru wersji API, a nie konflikt wersji oprogramowania. Sama analiza dokumentacji i parametrów zajęła minutę.
Czy konsultanta może zastąpić technologia? Nie taki był sens przedstawionej wizji. Chodzi raczej o to, by system pamiętał, a człowiek nie musiał za każdym razem zaczynać od zera.
11 tysięcy testów zamiast ręcznego sprawdzania
Najlepiej widać jednak wartość sztucznej inteligencji nie podczas prezentacji, a w codziennej pracy. Przedstawiciele spółki Aquael – Piotr Kaczmarek, dyrektor IT, i Igor Gerc, architekt AI – zaprezentowali kilka rozwiązań, które nie próbują „zmienić wszystkiego”. Mają usunąć konkretną niewygodę.
Najprostszy przykład to OCR faktur. Zamiast przepisywać dane ze skanu albo PDF, pracownik dostaje pola odczytane automatycznie. Nie wygląda to na rewolucję, prawda? I właśnie dlatego ma sens.
Jeszcze ciekawsze są promocje. Wcześniej marketing Aquaelu wprowadzał je do SAP, a biuro obsługi klienta ręcznie sprawdzało, czy rabaty naliczają się prawidłowo. Teraz program wykonuje tysiące kontroli. Skala robi różnicę: ponad 450 promocji, ponad 11 tys. testów, czas przebiegu poniżej 20 minut. Według kalkulacji pokazanej przez firmę samo to rozwiązanie uwalnia około 30–50 godzin miesięcznie, czyli 360–600 godzin rocznie. To równowartość mniej więcej 45–75 dni pracy.
Tu właśnie ginie część marketingowej mgły otaczającej AI. Nie trzeba się zastanawiać, czy sztuczna inteligencja „transformuje przedsiębiorstwo”. Bo widać konkret: ona odzyskuje 500 godzin pracy rocznie.
Aquael pokazał też agenta korzystającego z firmowej bazy wiedzy, mobilne przyjęcia towarów oraz automatyczną pętlę naprawczą w SAP. Gdy przypadek jest jednoznaczny, automat radzi sobie sam. Kiedy nie widzi bezpiecznego kroku, przekazuje sprawę człowiekowi. To bardziej przemawia do wyobraźni niż modne hasło „human in the loop”. Człowiek nie musi zatwierdzać każdej banalnej operacji. Powinien pojawić się tam, gdzie kończy się pewność.
Robot rozmawia z robotem
Podobny temat poruszyli Piotr Zając, architekt systemów agentycznych w UiPath, i Katarzyna Jasińska, head of AI-driven automation team w Westernacher. Klient pisze: co dzieje się z moim zamówieniem? Agent odczytuje wiadomość. Robot wyszukuje klienta i zamówienie w SAP. Następnie agent sprawdza status przesyłki u przewoźnika, a na końcu przygotowuje odpowiedź.
W praktyce automat może otworzyć stronę obsługiwaną przez inny automat. Robot pyta robota. Biznesowo nie ma w tym nic futurystycznego: część kroków wykonywanych wcześniej przez pracownika przejmuje system. AI przydaje się w sytuacjach niejednoznacznych, a klasyczna automatyzacja tam, gdzie wystarczy reguła. I to jest kolejna dobra zasada: nie używaj AI do tego, z czym radzą sobie prostsze narzędzia.
Najgroźniejsza AI to ta, która brzmi pewnie
Po południu przyszła pora na eksperyment, który skutecznie ostudził entuzjazm. Aleksander Popończyk opowiedział, jak urządził pojedynek narzędzi AI piszących kod ABAP. Zadanie polegało na przygotowaniu raportu o dostępnej zdolności stanowiska roboczego. Wszystkie narzędzia otrzymały ten sam opis wymagań i przeszły ten sam test. Porównano jednak różne konfiguracje: SAP Joule for Consultants oraz Claude i Antigravity, które korzystały z mostu do systemu SAP. Wyniki dotyczyły więc konkretnego eksperymentu, a nie ogólnych możliwości rozwiązań SAP.
SAP Joule pracujący sam po 55 minutach nie dostarczył kompilującej się wersji. Claude przez pierwsze osiem minut nie pisał prawie nic – czytał interfejsy, pola tabel i dane testowe. Po około 10 minutach miał kod bez błędów składni, a po niespełna 16 minutach wersję końcową działającą w GUI.
Gemini w jednym z biegów przygotował rozwiązanie działające dla danych testowych, ale zrobił coś bardziej pouczającego: ominął założenie zapisane w specyfikacji i policzył wynik własnym wzorem. Technicznie rezultat wyglądał dobrze. Projektowo był błędny.
W innym biegu agent ogłosił rozwiązanie jako w pełni aktywne. Pierwsze kliknięcie człowieka zakończyło się błędem. Człowiek znalazł problem w kilka sekund, agent naprawił go w kilka minut.
To świetna szczepionka przeciwko zachwytowi nad szybkością generowania kodu. AI pozwala pisać dobry kod szybciej. Pozwala też szybciej pisać kod zły, zbędny albo sprzeczny z wymaganiami. Jeżeli więc organizacja mierzy tylko liczbę wygenerowanych rozwiązań, może mieć po roku więcej długu niż przed wdrożeniem AI.
Dwa tygodnie zamiast sześciu miesięcy
Równie mocno pokazał to Sebastian Rosiński, global IBP manager w IONWAY , opowiadając o problemie z wcześniejszej firmy. Po kosztownym wdrożeniu systemu planowania trzeba było zautomatyzować przełączanie prognoz i zapasów pomiędzy wariantami produktów. Odpowiedź dostawcy: około sześciu miesięcy i 200 tys. dolarów.
Sebastian Rosiński, choć nie jest programistą, w dwa tygodnie zbudował rozwiązanie, wykorzystując ChatGPT do przekładania logiki biznesowej na SQL i workflow. Przed wdrożeniem skonsultował je z działem raportowania. Po czterech miesiącach jego rozwiązanie, działające wspólnie z mechanizmem dostawcy, przyniosło wymierne rezultaty: ograniczenie globalnego sygnału zapotrzebowania na nową produkcję o około 3 mln USD, zmniejszenie kosztu zmiany po stronie dostawcy o 100 tys. USD i odzyskanie dwóch dni pracy tygodniowo.
Najlepszy test przyszedł później. Autor odszedł z firmy, a workflow – według prezentacji – trzy lata później nadal działał. Narzędzie, którego nie da się utrzymać bez autora, jest problemem odłożonym na później.
Sebastian Rosiński przedstawił też drugą historię, już z 2026 r. Model pomagał budować rozbudowaną prognozę dla zakładu pozbawionego historii. Potrafił prowadzić research, tworzyć silnik obliczeniowy, uruchamiać symulacje Monte Carlo i przygotowywać materiały dla zarządu. Pracę, która ręcznie zajęłaby tygodnie, udało się wykonać w dzień. A jednak model nie zauważył, że jest już maj 2026 r. Prognozował okresy, dla których istniały dane rzeczywiste. Wynik wyglądał przekonująco. Błąd złapał człowiek.
Własny model też wystawia rachunki
Skoro AI ma wejść głębiej do organizacji, wraca pytanie: gdzie należy go umieścić? Reprezentanci firmy Westernacher – Maciej Adamczyk, adwokat, i Sylwester Kozak, odpowiedzialny za organization management – omówili cztery możliwości: publiczną chmurę, prywatną chmurę z własnym modelem, infrastrukturę on-premises i rozwiązanie hybrydowe.
Nie ma jedynie słusznego rozwiązania. Każde ma zalety i wady. W publicznej chmurze łatwo zacząć, ale przedsiębiorstwo płaci za każde użycie. Przy własnym modelu na wynajmowanych GPU płaci też za moc, której nie wykorzystuje. Własny sprzęt daje większą kontrolę, ale wymaga pieniędzy, energii i ludzi, którzy to utrzymają. Dlatego sensowna jest hybryda. Dane wrażliwe i duży, powtarzalny ruch zostają lokalnie. Najmocniejsze modele i chwilowe skoki mocy idą do chmury.
Marcin Dąbrowski, product manager Obywatela Bielika i chief AI officer w 3Soft, przekonywał do lokalnych modeli właśnie argumentami bezpieczeństwa, niezależności, przewidywalności kosztów i możliwości dostrojenia do własnych danych.
Warto jednak dopisać jedno zdanie, którego w entuzjazmie wobec suwerenności łatwo nie zauważyć: własny model nie jest darmowym modelem. Suwerenność zamienia część zależności od dostawcy na własne obowiązki.
AI może również powiększyć dług
Wieczorny panel odbywał się w restauracji Bulaj. Nazwa sama podsunęła metaforę. Bulaj jest małym oknem w burcie statku. Widać przez nie kawałek morza, nie cały horyzont. Bardzo trudno dostrzec rafy.
Z długiem technologicznym jest podobnie. Dział IT widzi awarię. Biznes – proces, który trwa za długo. Finanse – koszty. Zarząd – kolejną inwestycję, której zwrot trzeba policzyć.
W debacie uczestniczyli: Adam Piętera, AI business development lead w firmie Westernacher, Piotr Kaczmarek, dyrektor IT w spółce Aquael, Paweł Biel, wiceprezes Amiki, a także Michał Szopa, dyrektor transformacji cyfrowej w Press Glass, oraz Sebastian Rosiński, global IBP manager w IONWAY.
Zastanawiano się, czy AI rzeczywiście pomaga spłacać dług. Czasami tak. Może analizować stary kod, odtwarzać wiedzę, automatyzować testy, tworzyć nowy interfejs nad starą aplikacją, przejmować rutynowe czynności albo sprawić, że rozwiązanie zbyt drogie do modernizacji pozostanie użyteczne kilka lat dłużej.
Może jednak zrobić coś przeciwnego. Jeżeli na źle zaprojektowany proces nałożymy agenta, do niego kolejną integrację, a pomiędzy nimi tysiące linii kodu wygenerowanego bez przeglądu, firma poczuje szybki postęp. Niestety, problem źródłowy nie zniknie. Dostanie tylko nową warstwę. Najgroźniejszą cechą generatywnej AI nie jest zatem to, że popełnia błędy. Ludzie robią to od zawsze. Nowością jest tempo, w jakim można błędy produkować i skalować.
Nie pytaj, czy AI potrafi
Żadna konferencja poświęcona sztucznej inteligencji nie spłaci długu technologicznego. Takie wydarzenia jak AI NOW, zorganizowane przez Westernacher, pomagają jednak lepiej zrozumieć, gdzie tego długu warto się pozbywać, a gdzie trzeba nauczyć się z nim rozsądnie żyć. Nie każdy stary system trzeba wymieniać. Nie każdą czynność warto oddawać agentowi. Nie każdy model powinien działać w chmurze. Ostatecznie nie chodzi więc o to, by zastosować jak najwięcej technologii, lecz by wiedzieć, gdzie naprawdę rozwiązuje ona problem – i kto odpowiada za tę decyzję.
AI może napisać kod. Ktoś musi sprawdzić, czy kod realizuje wymaganie. Agent może podjąć następny krok. Ktoś musi określić, kiedy ma się zatwierdzić/zatrzymać. Model może przygotować prognozę. Ktoś musi zdecydować, czy firma chce na jej podstawie zobowiązać się wobec klienta, banku albo rynku.
Być może dlatego najbardziej przekonujące przykłady z sopockiej konferencji AI NOW nie dotyczyły przyszłości ludzkości. Dotyczyły 11 tys. testów promocji wykonanych w mniej niż 20 minut. Parametru, którego ludzie długo nie mogli znaleźć. Raportu napisanego w kilkanaście minut. Procesu, który przeżył swojego autora. I modelu, który z wielką pewnością prognozował przeszłość.
W dyskusji o AI łatwo pomylić wielkość obietnicy z wielkością efektu. Biznes działa odwrotnie. Mały efekt powtórzony tysiąc razy może być wart więcej niż jedna efektowna demonstracja.
Dlatego zamiast pytać, co jeszcze potrafi AI, lepiej zadać mniej spektakularne pytanie: jaki konkretny problem zdejmie nam z biurka w poniedziałek rano. A potem – dopiero potem – pozwolić jej płynąć dalej.
Partnerem publikacji jest Westernacher
