Generatywna sztuczna inteligencja — czym jest i gdzie znajduje zastosowanie?

Gartner prognozował, że do 2026 roku ponad 80% przedsiębiorstw będzie korzystać z generatywnej sztucznej inteligencji — i ta prognoza się sprawdza. Choć w 2023 roku odsetek takich firm nie przekraczał 5%, tempo wdrażania tej technologii okazało się jednym z najszybszych w ostatnich dekadach.

W tym artykule wyjaśnimy, jak działa generatywna sztuczna inteligencja, co może tworzyć, w jakich obszarach już dowodzi swojej skuteczności oraz z jakimi ryzykami należy się liczyć przed jej wdrożeniem.

Czym jest generatywna sztuczna inteligencja?

Generatywna sztuczna inteligencja to rodzaj AI, który nie tylko analizuje lub klasyfikuje istniejące informacje, ale także tworzy nowe treści: teksty, obrazy, dźwięki, wideo czy kod programistyczny. Uczy się na podstawie dużych zbiorów danych, identyfikuje w nich zależności i wzorce, a następnie wykorzystuje tę wiedzę do generowania wyników.

W przeciwieństwie do tradycyjnych systemów wyszukiwania i przetwarzania informacji generatywna sztuczna inteligencja działa w zasadniczo inny sposób: nie wyszukuje po prostu gotowej odpowiedzi w bazie danych, ale tworzy nową treść na podstawie przyswojonego kontekstu. Właśnie dlatego nazywa się ją generatywną — tworzy, a nie tylko przetwarza informacje.

Aby lepiej zrozumieć, jak działa ta technologia, warto poznać kilka podstawowych pojęć.

GenAI — skrót od Generative AI, ogólne określenie całej klasy generatywnych modeli sztucznej inteligencji.

Model generatywny — algorytm uczenia maszynowego wytrenowany na dużych zbiorach danych. To właśnie model „uczy się” rozumieć język, obrazy czy kod i odtwarza je w nowych kombinacjach. Duże modele językowe — takie jak te stojące za Copilotem, ChatGPT czy Google Gemini — są jednym z najczęściej spotykanych typów takich modeli.

Prompt — zapytanie lub instrukcja przekazywana systemowi przez użytkownika. Od tego, jak precyzyjnie i jasno sformułowany jest prompt, w dużej mierze zależy jakość odpowiedzi. Dlatego umiejętność pracy z promptami staje się odrębną praktyczną kompetencją dla zespołów korzystających z narzędzi opartych na generatywnej sztucznej inteligencji.

Czym generatywna AI różni się od tradycyjnej sztucznej inteligencji?

W dziedzinie sztucznej inteligencji stosuje się różne podejścia. Tradycyjne modele koncentrują się na analizie danych, klasyfikacji i prognozowaniu, podczas gdy generatywna AI ma inny cel — tworzenie nowych treści na podstawie poznanych wzorców. Zrozumienie tej różnicy pomaga określić, gdzie wystarczą klasyczne metody, a gdzie generatywna AI może przynieść największą wartość.

Klasyczne uczenie maszynowe dobrze radzi sobie z jasno określonymi zadaniami, takimi jak rozpoznawanie obiektów na zdjęciach, prognozowanie odpływu klientów czy rekomendowanie produktów. Jeśli jednak trzeba napisać e-mail, wygenerować obraz produktu lub stworzyć warianty projektu opakowania — wtedy do gry wkracza generatywna sztuczna inteligencja. Nie tylko wybiera gotową odpowiedź z bazy wiedzy, ale tworzy nową, dostosowując ją do konkretnego kontekstu i potrzeb użytkownika.

To właśnie zdolność do tworzenia nowych treści sprawia, że modele generatywne są tak istotne dla biznesu: automatyzują nie tylko rutynowe operacje, ale także zadania kreatywne i oparte na pracy intelektualnej, które wcześniej wymagały wyłącznie udziału człowieka.

Jak działa generatywna sztuczna inteligencja?

Pomimo złożonych algorytmów zasadę działania generatywnej sztucznej inteligencji można wyjaśnić w kilku kolejnych etapach. Model nie przechowuje gotowych odpowiedzi na wszystkie możliwe pytania. Zamiast tego jest trenowany na dużych zbiorach danych, identyfikuje zależności między słowami, obrazami, fragmentami kodu czy innymi typami informacji, a następnie wykorzystuje tę wiedzę do tworzenia nowych wyników.

W uproszczeniu proces działania generatywnej sztucznej inteligencji wygląda następująco:

1. Trenowanie modelu — modele generatywne przechodzą proces uczenia maszynowego na dużych zbiorach tekstów, obrazów, nagrań audio, kodu programistycznego i innych danych. Na tym etapie sieci neuronowe nie zapamiętują każdego dokumentu osobno, lecz identyfikują zależności, powiązania i wzorce między poszczególnymi elementami informacji.
2. Otrzymanie zapytania od użytkownika — użytkownik formułuje instrukcję lub zapytanie (prompt). Może ono zawierać jedno zdanie, szczegółowy opis zadania, a nawet przykłady oczekiwanego wyniku. Im precyzyjniej sformułowane jest zapytanie, tym większe prawdopodobieństwo uzyskania użytecznej odpowiedzi.
3. Generowanie odpowiedzi — na podstawie otrzymanego zapytania model przewiduje najbardziej prawdopodobną sekwencję słów, pikseli, nut lub fragmentów kodu programistycznego, w zależności od rodzaju zadania. Dzięki temu generatywna AI może tworzyć teksty i obrazy, pisać kod lub generować inne rodzaje treści.
4. Weryfikacja i dopracowanie wyniku — wygenerowana odpowiedź nie zawsze jest bezbłędna. Model może popełnić błąd merytoryczny, niewłaściwie zinterpretować kontekst lub wygenerować zmyślone informacje. Dlatego wyniki działania generatywnej AI wymagają weryfikacji przez człowieka, szczególnie jeśli są wykorzystywane w finansach, medycynie, prawie lub innych krytycznych procesach biznesowych.

Ważne jest, aby pamiętać, że generatywna AI nie „myśli” tak jak człowiek. Nie weryfikuje faktów w czasie rzeczywistym i nie rozumie informacji w ludzkim sensie. Model operuje na zależnościach statystycznych poznanych podczas treningu i generuje odpowiedź, która jest najbardziej prawdopodobna dla danego zapytania. Dzięki temu może tworzyć oryginalne treści, ale jednocześnie czasami generuje nieścisłości lub tzw. halucynacje.

Najważniejsze rodzaje modeli generatywnej AI

Obecnie istnieje kilka rodzajów modeli generatywnej AI. Są one oparte na różnych podejściach do uczenia maszynowego i znajdują zastosowanie w odmiennych zadaniach. Poniżej przedstawiamy najpopularniejsze modele generatywnej AI oraz obszary ich zastosowania.

Duże modele językowe (LLM) i transformatory

Duże modele językowe (Large Language Models, LLM) to obecnie najpopularniejszy rodzaj generatywnej AI. Są oparte na architekturze transformerów — rodzaju sieci neuronowych, który umożliwia analizowanie dużych ilości tekstu, uwzględnianie kontekstu między słowami i tworzenie spójnych odpowiedzi.

To właśnie duże modele językowe stanowią podstawę działania ChatGPT, Microsoft Copilot czy Google Gemini. Są wykorzystywane do tworzenia treści, przygotowywania dokumentów, programowania, wyszukiwania informacji, analizy tekstów oraz obsługi chatbotów.

GAN (Generative Adversarial Networks)

GAN (generatywne sieci przeciwstawne) składają się z dwóch sieci neuronowych, które działają jednocześnie. Jedna sieć generuje nowe dane, a druga ocenia, na ile przypominają one dane rzeczywiste. Dzięki temu podejściu model stopniowo poprawia jakość generowanych wyników.

GAN-y są najczęściej wykorzystywane do generowania realistycznych obrazów, tworzenia sztucznie wygenerowanych zdjęć ludzi lub obiektów, poprawy jakości grafiki oraz przygotowywania zbiorów danych treningowych dla innych systemów AI.

VAE (Variational Autoencoders)

VAE (wariacyjne autoenkodery) to modele generatywne, które uczą się identyfikować ukryte zależności w danych i tworzyć nowe warianty o podobnych właściwościach.

Modele te są wykorzystywane w badaniach, projektowaniu produktów, modelowaniu danych i tworzeniu nowych wariantów projektowych. Mogą na przykład pomagać w generowaniu koncepcji produktów lub modelowaniu scenariuszy na potrzeby uczenia maszynowego.

Modele dyfuzyjne (Diffusion Models)

Modele dyfuzyjne generują obrazy stopniowo. Początkowo model pracuje z losowym szumem, a następnie krok po kroku tworzy szczegółowy obraz zgodny z zapytaniem użytkownika.

To właśnie to podejście wykorzystuje wiele współczesnych narzędzi AI do generowania ilustracji, materiałów reklamowych, concept artu i wizualizacji produktów. Modele dyfuzyjne są również stosowane do edycji istniejących obrazów i tworzenia kilku wariantów projektu.

Obecnie największą popularność zyskały duże modele językowe, ponieważ obsługują szeroki zakres zadań biznesowych — od tworzenia treści i automatyzacji pracy z wiedzą po programowanie, analizę dokumentów i komunikację z klientami w języku naturalnym. Jednocześnie inne rodzaje modeli pozostają niezastąpione w obszarach, w których konieczne jest tworzenie obrazów, modelowanie danych lub opracowywanie nowych rozwiązań projektowych.

Co może tworzyć generatywna sztuczna inteligencja?

Możliwości generatywnej AI są znacznie szersze niż pisanie tekstów czy tworzenie chatbotów. Współczesne modele mogą generować różne rodzaje treści — od obrazów i kodu programistycznego po muzykę i dane syntetyczne. Dzięki temu firmy mogą automatyzować wybrane zadania kreatywne i te wymagające pracy intelektualnej, szybciej testować pomysły oraz wspierać pracowników w różnych procesach biznesowych.

Jednocześnie należy pamiętać, że generatywna AI nie gwarantuje bezbłędnych wyników. Niezależnie od tego, czy model tworzy tekst, obraz, kod programistyczny czy inne treści, jego wynik wymaga weryfikacji przez człowieka. Jest to szczególnie ważne w przypadku materiałów, które wpływają na decyzje biznesowe, dotyczą interakcji z klientami lub zawierają poufne informacje.

Dlatego większość firm wykorzystuje generatywną sztuczną inteligencję nie jako całkowity zamiennik specjalistów, lecz jako narzędzie, które pomaga szybciej wykonywać zadania rutynowe i kreatywne, pozostawiając kontrolę i ostateczną decyzję człowiekowi.

Gdzie znajduje zastosowanie generatywna sztuczna inteligencja?

Generatywna sztuczna inteligencja jest już wykorzystywana w różnych branżach — od marketingu i tworzenia oprogramowania po finanse, HR i medycynę. W niektórych przypadkach pomaga szybciej tworzyć treści, w innych analizuje duże ilości informacji, przygotowuje dokumenty lub wspiera podejmowanie decyzji. Poniżej przedstawiamy najczęstsze zastosowania generatywnej AI w biznesie.

Generatywna AI w marketingu i tworzeniu treści

Marketing był jednym z pierwszych obszarów, w których generatywna AI zaczęła być szeroko wykorzystywana w codziennej pracy. Pomaga tworzyć różne warianty tekstów, obrazów i materiałów reklamowych, które pracownicy mogą następnie dostosować do wymagań marki.

Na przykład narzędzia AI są wykorzystywane do pisania artykułów, opisów produktów, e-maili, postów w mediach społecznościowych, reklam i scenariuszy wideo. Generatywna AI może również tworzyć ilustracje, banery, koncepcje projektowe oraz kilka wariantów kampanii marketingowych dla różnych grup odbiorców.

Takie podejście pomaga skrócić czas potrzebny na przygotowanie treści, szybciej testować nowe pomysły i personalizować komunikację z klientami.

Generatywna AI w sprzedaży i obsłudze klienta

W sprzedaży generatywna AI pomaga przygotowywać spersonalizowane oferty handlowe, odpowiadać na typowe pytania klientów i generować rekomendacje dla menedżerów sprzedaży.

Na podstawie informacji z systemów CRM model może przygotować wiadomość e-mail do potencjalnego klienta, podsumować historię interakcji, zaproponować kolejny krok w procesie sprzedaży lub stworzyć krótkie podsumowanie negocjacji. Chatboty oparte na dużych modelach językowych mogą odpowiadać na pytania klientów w języku naturalnym i działać przez całą dobę.

W rezultacie menedżerowie poświęcają mniej czasu na rutynowe przygotowywanie dokumentów i mogą bardziej skupić się na pracy z klientami.

Generatywna AI w programowaniu i rozwoju oprogramowania

Programiści wykorzystują generatywną AI jako asystenta podczas pisania kodu. Może ona tworzyć fragmenty kodu, wyjaśniać algorytmy, proponować sposoby implementacji funkcji, wykrywać potencjalne błędy i pomagać w tworzeniu dokumentacji.

Ponadto narzędzia AI mogą automatycznie generować zapytania SQL, scenariusze testowe, wyrażenia regularne oraz przykłady wykorzystania API (interfejsów programowania aplikacji). Jest to szczególnie przydatne w przyspieszaniu typowych etapów tworzenia oprogramowania.

Jednocześnie ostateczna weryfikacja decyzji dotyczących architektury, bezpieczeństwa i jakości kodu powinna należeć do programistów, ponieważ model może zaproponować nieefektywne lub błędne rozwiązanie.

Generatywna AI w finansach, analizie danych i raportowaniu

W działach finansowych generatywna AI pomaga pracować z dużymi ilościami informacji, przygotowywać raporty i wyjaśniać wyniki analiz w przystępny sposób.

Na przykład może podsumowywać wskaźniki finansowe, tworzyć tekstowe wyjaśnienia do raportów, analizować umowy, odpowiadać na pytania dotyczące dokumentacji firmowej lub pomagać w znalezieniu potrzebnych informacji wśród dużej liczby dokumentów.

Narzędzia te nie zastępują specjalistów ds. finansów, ale skracają czas potrzebny na przygotowanie raportów i pracę z wewnętrznymi danymi firmy.

Generatywna AI w HR i pracy administracyjnej

Zespoły HR wykorzystują generatywną AI do automatyzacji wielu codziennych zadań. Pomaga ona tworzyć opisy stanowisk, przygotowywać pytania rekrutacyjne, podsumowywać CV kandydatów oraz opracowywać materiały potrzebne do wdrożenia nowych pracowników.

W pracy administracyjnej generatywna AI może sporządzać protokoły ze spotkań, tworzyć wewnętrzne instrukcje, przygotowywać szablony dokumentów i odpowiadać na typowe pytania pracowników na podstawie firmowej bazy wiedzy.

Dzięki temu pracownicy mogą poświęcać więcej czasu zadaniom wymagającym eksperckiej oceny i kontaktu z ludźmi.

Generatywna AI w badaniach, medycynie i projektowaniu produktów

W badaniach naukowych generatywna AI pomaga analizować duże ilości publikacji naukowych, identyfikować zależności między danymi i przyspieszać przygotowywanie materiałów badawczych.

W medycynie jest wykorzystywana do przygotowywania projektów dokumentacji medycznej, analizy informacji klinicznych oraz wspierania lekarzy w pracy z dużymi zbiorami danych. Jednocześnie ostateczne decyzje kliniczne zawsze podejmuje specjalista medyczny.

W projektowaniu produktów generatywna AI pomaga szybko tworzyć koncepcje produktów, warianty opakowań, interfejsów lub projektów przemysłowych. Dzięki temu można szybciej testować różne pomysły jeszcze przed stworzeniem fizycznego prototypu.

Jakie korzyści daje generatywna sztuczna inteligencja?

Generatywna AI przynosi największe korzyści, gdy wspiera pracę pracowników i skraca czas wykonywania powtarzalnych zadań. Poniżej przedstawiamy najważniejsze korzyści, które firmy z różnych branż już dziś czerpią z jej wykorzystania.

1. Oszczędność czasu na codziennych zadaniach — jedną z głównych zalet generatywnej AI jest możliwość szybkiego wykonywania zadań, które wcześniej zajmowały wiele godzin. Może ona przygotować pierwszy szkic dokumentu, stworzyć opis produktu, podsumować treść umowy, napisać e-mail lub przygotować krótkie podsumowanie spotkania. Dzięki temu pracownicy poświęcają mniej czasu na rutynowe przygotowywanie materiałów i mogą skupić się na zadaniach wymagających profesjonalnej wiedzy i podejmowania decyzji.
2. Automatyzacja pracy z dokumentami i informacjami — generatywna AI pomaga szybciej znajdować potrzebne informacje, podsumowywać obszerne dokumenty, przygotowywać projekty odpowiedzi i pracować z dokumentacją firmową. Efekt ten jest szczególnie widoczny w działach finansowych, prawnych, HR i administracyjnych, gdzie pracownicy na co dzień przetwarzają duże ilości informacji tekstowych.
3. Szybkie tworzenie wielu wariantów rozwiązania — generatywna AI może od razu zaproponować kilka sposobów wykonania tego samego zadania. Na przykład marketer może otrzymać kilka wersji tekstu reklamowego, projektant — kilka koncepcji wizualnych, a menedżer sprzedaży — różne warianty oferty handlowej dla poszczególnych segmentów klientów. Pozwala to szybciej ocenić dostępne alternatywy i wybrać najlepsze rozwiązanie.
4. Personalizacja interakcji z klientami — generatywna AI pomaga dostosowywać treści i komunikację do potrzeb różnych grup klientów. Może tworzyć spersonalizowane e-maile, rekomendacje, opisy produktów lub odpowiedzi na czacie, uwzględniając kontekst interakcji. Takie podejście pozwala skalować personalizację bez proporcjonalnego zwiększania obciążenia pracowników.
5. Wsparcie pracowników w codziennej pracy — generatywna AI nie zastępuje ekspertów, lecz pełni funkcję narzędzia wspierającego ich pracę. Pomaga wyjaśniać złożone informacje, przygotowywać projekty dokumentów, podsumowywać wyniki analiz, proponować pomysły czy przyspieszać wykonywanie typowych zadań.

Ograniczenia i ryzyka generatywnej sztucznej inteligencji

Pomimo dynamicznego rozwoju AI współczesne modele mogą popełniać błędy, odtwarzać uprzedzenia obecne w danych treningowych lub tworzyć treści wymagające dodatkowej weryfikacji. Dotyczy to przede wszystkim ogólnodostępnych usług generatywnej AI, które działają na podstawie otwartych lub ogólnych zbiorów danych i nie mają dostępu do wewnętrznego kontekstu firmy. Korzystanie z takich narzędzi wiąże się również z kwestiami ochrony poufnych informacji, praw autorskich i przejrzystości działania modeli. Zrozumienie tych ryzyk pomaga opracować zasady bezpiecznego korzystania z AI i czerpać z tej technologii maksymalne korzyści.

Przyjrzyjmy się najważniejszym ryzykom.

Halucynacje i niewiarygodne informacje

Generatywna AI może tworzyć przekonujące odpowiedzi zawierające błędy merytoryczne lub informacje, które zostały zmyślone. Zjawisko to określa się mianem halucynacji (hallucinations). Mogą one być szczególnie niebezpieczne podczas pracy z dokumentami finansowymi, materiałami prawnymi, dokumentacją techniczną czy danymi medycznymi. Dlatego rezultaty generowane przez model powinny być weryfikowane przez specjalistów z danej dziedziny.

Uprzedzenia w danych treningowych

Jakość odpowiedzi zależy bezpośrednio od danych, na których model był trenowany. Jeśli zbiory treningowe zawierają uprzedzenia lub są niezrównoważone, generatywna AI może odtwarzać je w swoich odpowiedziach. Jest to szczególnie istotne podczas przygotowywania rekomendacji, pracy z personelem lub interakcji z klientami.

Ograniczona przejrzystość działania modeli

Wiele współczesnych modeli sztucznej inteligencji działa na zasadzie „czarnej skrzynki”: użytkownik widzi rezultat, ale nie zawsze jest w stanie wyjaśnić, dlaczego model wygenerował właśnie taką odpowiedź. Utrudnia to audyt wyników i może wiązać się z dodatkowymi wymaganiami dotyczącymi kontroli wewnętrznej.

Ochrona poufnych danych

Podczas korzystania z generatywnej AI ważne jest kontrolowanie tego, jakie dane są przekazywane zewnętrznym usługom AI. Jeśli pracownicy wprowadzają do ogólnodostępnych narzędzi poufne dokumenty, dane osobowe lub informacje handlowe, może to stwarzać zagrożenia dla bezpieczeństwa firmy. Dlatego przedsiębiorstwa powinny określić zasady postępowania z takimi danymi i korzystać z rozwiązań korporacyjnych spełniających wymogi bezpieczeństwa.

Prawa autorskie i własność intelektualna

Treści tworzone przez generatywną AI mogą być podobne do materiałów wykorzystanych podczas trenowania modeli. Dlatego firmy powinny sprawdzać warunki korzystania z narzędzi AI, przestrzegać wymogów prawa autorskiego i oceniać potencjalne ryzyka prawne przed publikacją wygenerowanych treści.

Tworzenie wprowadzających w błąd treści

Generatywna AI może być wykorzystywana nie tylko do przydatnych zadań, lecz także do tworzenia fałszywych wiadomości, zmanipulowanych obrazów, nagrań głosowych lub innych materiałów, które mogą wprowadzać ludzi w błąd. Dlatego firmy powinny wdrażać wewnętrzne zasady odpowiedzialnego korzystania z AI i szkolić pracowników w zakresie bezpiecznego korzystania z takich narzędzi.

Jednocześnie korporacyjne rozwiązania AI zintegrowane z systemami biznesowymi i zaprojektowane zgodnie z wymaganiami bezpieczeństwa informacji zapewniają znacznie większą kontrolę nad danymi, uprawnieniami dostępu i zgodnością z politykami firmy.

Jak bezpiecznie wdrożyć generatywną AI w firmie?

Skuteczne wdrożenie generatywnej AI zależy jednocześnie od dwóch czynników: jasnego określenia problemu biznesowego, który ma zostać rozwiązany, oraz właściwego doboru narzędzia do konkretnego scenariusza. Rozpoczynanie od technologii, a dopiero później szukanie dla niej zastosowania, jest jednym z najczęstszych błędów i prowadzi do pilotażowych wdrożeń, które nie przynoszą oczekiwanych rezultatów. Z kolei gdy zadanie jest jasno określone, kryteria sukcesu zostały zdefiniowane, a wybrane narzędzie odpowiada rzeczywistym potrzebom i wymaganiom bezpieczeństwa, wdrożenie przynosi mierzalne efekty i tworzy podstawę do dalszego skalowania.

Podczas wdrażania generatywnej AI warto zwrócić uwagę na kilka kluczowych aspektów:

• Zacznij od jednego procesu biznesowego. Może to być na przykład automatyzacja przygotowywania dokumentów, tworzenie treści lub obsługa zgłoszeń w dziale wsparcia.
• Określ mierzalne cele. Oceniaj nie sam fakt korzystania z AI, lecz konkretne rezultaty: skrócenie czasu wykonywania zadań, poprawę jakości odpowiedzi lub ograniczenie pracy manualnej.
• Zadbaj o jakość danych. Aktualność i kompletność informacji mają bezpośredni wpływ na jakość rezultatów generowanych przez model.
• Zapewnij kontrolę dostępu. Określ, jakie dane mogą być wykorzystywane w usługach AI, a które powinny pozostać wyłącznie w wewnętrznych systemach firmy.
• Wybierz narzędzie dopasowane do swojej infrastruktury. Generatywna AI przynosi największą wartość, gdy jest zintegrowana z systemami korporacyjnymi — ERP, CRM, HCM oraz innymi platformami, z których zespół korzysta na co dzień. Izolowane narzędzie, które nie jest powiązane z rzeczywistymi procesami biznesowymi, rzadko spełnia oczekiwania.
• Uwzględnij kontrolę człowieka. Ostateczne decyzje, szczególnie w finansach, medycynie, HR czy obszarze prawnym, powinny być weryfikowane przez odpowiedzialnych specjalistów.

Właśnie tutaj ważną rolę odgrywa doświadczony partner wdrożeniowy — taki, który pomoże nie tylko skonfigurować narzędzie, lecz także właściwie określić scenariusz jego wykorzystania, ocenić gotowość procesów i danych, wybrać lub stworzyć rozwiązanie rzeczywiście dopasowane do konkretnej firmy oraz zapewnić bezpieczną integrację z istniejącą infrastrukturą IT.

SMART business — partner technologiczny Microsoft z wieloletnim doświadczeniem we wdrażaniu rozwiązań korporacyjnych — wspiera firmy na każdym etapie tej drogi: od określenia pierwszego scenariusza wykorzystania generatywnej AI po jej pełną integrację z platformami korporacyjnymi. Pozwala to uzyskać nie tylko działające narzędzie, ale też rozwiązanie, które naturalnie wpisuje się w procesy firmy i przynosi mierzalne rezultaty.