Dostawca proponuje model, który czyta dokumenty i klasyfikuje zgłoszenia — a po dwóch tygodniach okazuje się, że połowa czasu projektu idzie nie na sam model, tylko na dogrzebanie się do danych, które leżą w trzech różnych systemach i nie mają wspólnego identyfikatora. To scenariusz, który powtarza się częściej niż jakikolwiek problem z samą jakością odpowiedzi AI.

Dlaczego integracja, a nie wymiana systemu

Naturalną reakcją na problemy z integracją bywa pomysł „wymieńmy stary system na coś nowoczesnego, co od razu ma AI wbudowane”. W praktyce to zwykle najdroższa i najwolniejsza droga — wymiana systemu księgowego, CRM-u czy obiegu dokumentów to projekt na wiele miesięcy, z ryzykiem migracji danych i przestojem, który firma usługowa rzadko może sobie pozwolić.

Tańsza i szybsza droga to dołożenie warstwy integracyjnej — AI i logiki, która czyta z istniejących systemów i do nich zapisuje, zamiast je zastępować. Ten kierunek sprawdza się w praktyce zdecydowanie częściej niż rewolucja od zera.

Cztery typowe przeszkody

Silosy danych

Najczęstszy problem to dane rozproszone między systemami, które nigdy nie były projektowane do współpracy. Dokumentacja klienta leży w jednym narzędziu, historia rozliczeń w innym, korespondencja w trzecim — a AI, żeby działać sensownie, potrzebuje widoku łączącego te źródła. Rozwiązaniem nie jest scalanie systemów w jeden, tylko budowa warstwy, która czyta z każdego z nich osobno i składa potrzebny kontekst w jednym miejscu.

Brak API

Wiele systemów używanych w firmach usługowych — zwłaszcza starszych systemów księgowych czy branżowych — nie ma żadnego API albo ma je bardzo ograniczone. W takich przypadkach integracja opiera się na eksportach plikowych, harmonogramowanych zrzutach danych albo, w ostateczności, na automatyzacji na poziomie interfejsu. To rozwiązania mniej eleganckie niż bezpośrednie API, ale w pełni wystarczające, żeby uruchomić pierwszą wersję automatyzacji.

Jakość danych

Nawet gdy dostęp do danych istnieje, same dane bywają niespójne — różne formaty dat, brakujące pola, duplikaty klientów pod nieco innymi nazwami. AI, które ma czytać dokumenty czy klasyfikować zgłoszenia, radzi sobie z niejednorodnością danych wejściowych lepiej niż sztywne reguły, ale to nie znaczy, że problem znika sam. Warstwa normalizacji — czyszczenie i ujednolicanie danych, zanim trafią dalej — jest zwykle koniecznym elementem integracji, a nie opcjonalnym dodatkiem.

Uprawnienia i dostęp

Ostatnia przeszkoda bywa najbardziej niedoceniana: kto właściwie ma dostęp do czego, i czy AI powinno mieć taki sam zakres dostępu jak pracownik, który normalnie z danego systemu korzysta. Zanim AI dostanie dostęp do danych, warto ten dostęp uporządkować — nie dlatego, że AI wymaga specjalnego traktowania, tylko dlatego, że to dobry moment, żeby w ogóle to zrobić. Piszemy o tym szerzej w artykule „Jak bezpiecznie dać AI dostęp do danych firmowych”.

Warstwa integracyjna zamiast wymiany systemu

Praktyczne podejście, które sprawdza się najczęściej, wygląda tak: zamiast wymieniać system źródłowy, buduje się cienką warstwę pośrednią, która czyta z istniejących systemów, normalizuje dane i udostępnia je AI w spójnej formie — a wyniki pracy AI zapisuje z powrotem tam, gdzie zespół i tak już pracuje. Taka warstwa jest mniejszym projektem niż wymiana systemu i nie wymaga migracji danych historycznych ani przestoju w codziennej pracy zespołu.

To podejście widać też w naszych własnych produktach, choć w innym kontekście niż typowa integracja firmowa. Brokik, nasza platforma do zarządzania najmem, działa dziś w 25 krajach, z interfejsem w 17 językach. Zamiast budować osobny produkt na każdy rynek, Brokik ma jeden rdzeń platformy i warstwę adaptacji — języka, walut i formatów — bez przepisywania całego systemu od zera przy każdej ekspansji. Ta sama logika, jeden rdzeń plus warstwa adaptacji, sprawdza się równie dobrze przy integracji AI z istniejącą infrastrukturą firmy.

Jak to wygląda w praktyce

W Qkwit, naszej księgowości z AI, AI czyta dokumenty księgowe — faktury, potwierdzenia, zestawienia — które w praktyce trafiają w bardzo różnych formatach, bo pochodzą od różnych kontrahentów i różnych systemów wystawiających. Zamiast wymagać jednego formatu wejściowego, warstwa odczytu radzi sobie z tą różnorodnością, a dopiero ustandaryzowany wynik trafia do deterministycznego silnika liczącego.

To dokładnie ten sam wzorzec, co przy integracji z systemami firmowymi: różnorodność na wejściu, jedna spójna warstwa pośrednia, a nie wymuszanie jednego formatu na wszystkich źródłach. Podobny mechanizm opisujemy w tekście „Asystent AI na danych firmy: czym różni się od zwykłego ChatGPT” — asystent, który ma sens biznesowy, musi umieć sięgnąć do faktycznych danych firmy, a nie działać w oderwaniu od nich.

Od czego zacząć integrację

Zanim zacznie się integrować cokolwiek, warto zmapować, gdzie faktycznie leżą dane potrzebne do danego procesu, w jakim są stanie i kto ma do nich dostęp dzisiaj. To ten sam audyt procesu, o którym piszemy w kontekście całego wdrożenia AI w artykule „Wdrożenie AI w firmie: od audytu procesu do utrzymania” — integracja z systemami nie jest osobnym etapem, tylko częścią tego samego audytu, skupioną na infrastrukturze zamiast na samym procesie decyzyjnym.

Dobra kolejność to: zmapować źródła danych, sprawdzić, czy da się do nich dostać bez zmiany systemu źródłowego, ocenić jakość danych na wejściu, uporządkować uprawnienia — i dopiero na końcu projektować samą warstwę integracyjną. Odwrócenie tej kolejności to najczęstsza przyczyna, dla której harmonogramy integracyjne się wydłużają.

W skrócie

Integracja AI z systemami firmowymi rzadko wymaga wymiany infrastruktury — w zdecydowanej większości przypadków wystarcza warstwa, która czyta z istniejących systemów, porządkuje dane i zapisuje wynik z powrotem tam, gdzie zespół już pracuje. Jak przenosimy dane między systemami bez przepisywania, opisujemy na stronie automatyzacji procesów biurowych.

Najczęstsze pytania

Czy integracja AI zawsze wymaga zmiany istniejących systemów firmowych?

Nie, w większości przypadków nie jest to konieczne. Warstwa integracyjna czytająca z istniejących systemów i zapisująca wyniki z powrotem do nich zwykle wystarcza, bez wymiany infrastruktury.

Co zrobić, jeśli system firmowy w ogóle nie ma API?

Da się pracować na eksportach plikowych albo harmonogramowanych zrzutach danych. To rozwiązanie mniej wygodne niż bezpośrednie API, ale w pełni wystarczające do uruchomienia pierwszej wersji automatyzacji.

Jak długo trwa zbudowanie warstwy integracyjnej?

Zależy od liczby źródeł danych i ich jakości na wejściu, dlatego audyt danych przed projektowaniem integracji jest tak ważny. Dobrze zmapowana integracja jednego procesu jest zwykle szybsza niż próba integracji wielu systemów naraz.

Czy jakość danych naprawdę jest tak dużym problemem?

Tak — nawet dobrze zaprojektowane AI nie naprawi samo z siebie niespójnych formatów czy duplikatów w danych źródłowych. Warstwa normalizacji danych jest częścią integracji, a nie opcjonalnym dodatkiem.

Czy AI powinno mieć taki sam dostęp do danych jak pracownicy?

Niekoniecznie — to dobra okazja, żeby uprawnienia dopasować do faktycznej potrzeby, zamiast kopiować istniejący, często rozrośnięty układ dostępów.