AI w konsultingu — jak to faktycznie działa i kiedy ma sens

"AI-first consulting" jest dziś sloganem tak samo pustym, jak "data-driven" pięć lat temu. Każda firma konsultingowa coś o AI pisze. Mało która pokazuje, co konkretnie AI robi w projekcie klienta — poza prezentacją z ChatGPT i stockowymi hasłami.

Ten artykuł pokazuje, jak w praktyce wygląda AI w consultingu, na jakich warstwach działa, co robi dobrze, w czym zawodzi i kiedy lepiej zostać przy tradycyjnym podejściu.

Czym są agenci AI w konsultingu

Agent AI w konsultingu to wyspecjalizowany model językowy (LLM) skonfigurowany pod konkretną rolę ekspercką — np. "specjalista od transformacji manufacturing", "analityk finansowy SaaS", "doradca ds. zarządzania zmianą". Nie jest to jeden ChatGPT robiący wszystko; to zestaw wielu agentów, każdy zasilony:

Prompt system (rola, metodologia, ton)
Knowledge base (branżowe frameworki, regulacje, benchmarki)
Context (dane klienta z wywiadów, dokumentów, systemów)
Guardrails (co wolno powiedzieć, kiedy odmówić, jak flagować niepewność)

W Why Consulting mamy 35+ profili ekspertów (strategy, operations, finance, people & culture, industry specialists). Każdy jest agentem — ale wszystkie decyzje końcowe są przeglądane przez człowieka.

4 warstwy, na których AI wspiera konsulting

Warstwa 1: Dokumentacja i research (70% oszczędności czasu)

Tradycyjny consulting: junior konsultant spędza 2-3 dni na przygotowaniu deck z benchmarkami branżowymi, regulacjami, case studies. Koszt: 12-18K PLN (za jeden deck).

AI-first: agent generuje pierwszą wersję w 15 minut. Senior konsultant przegląda, poprawia błędy, dodaje kontekst klienta. Finalny deck: 4-6 godzin pracy człowieka. Koszt: 3-5K PLN.

Co AI robi dobrze: synteza publicznej wiedzy (raporty, regulacje, trendy), strukturyzacja (executive summary, bullets, tabele), iteracja (wersja A/B/C).

Co wymaga człowieka: ocena jakości źródeł, kontekst klienta, interpretacja niuansów rynku polskiego.

Warstwa 2: Wywiady i customer research

Tradycyjny consulting: 20-30 wywiadów (klienci, pracownicy, menedżerowie) × 60 min × 2 osoby (moderator + note-taker) = ~40-60 osobogodzin. Plus transkrypcja, kodowanie, synteza — kolejne 30-40h. Łącznie 70-100 osobogodzin.

AI-first: interview framework z pytaniami przygotowany przez agenta w 30 min. Transkrypcja automatyczna (Whisper). Agent robi pierwszą syntezę tematów — "30% respondentów mówi o X, 20% o Y". Human tylko weryfikuje i interpretuje.

Redukcja: 70-100h → 25-35h na zespół. Oszczędność: ~60%.

Pułapka: AI dobrze taguje i liczy, ale słabo wyczuwa to, czego klient nie powiedział wprost. To nadal human-domain.

Warstwa 3: Analiza i ideation

Tu AI jest najsłabsze. Dwa powody:

1. Brak głębokiego kontekstu organizacyjnego. Agent nie zna ludzi, historii polityki wewnętrznej, dynamiki zespołu. Dostaje fragmenty z wywiadów, ale nie siada na spotkaniach, nie czuje atmosfery.

2. Tendencja do uśredniania. LLM z definicji mówi co najbardziej prawdopodobne. A w strategii najbardziej prawdopodobne rozwiązanie to często to, które robią wszyscy — czyli to, które nie tworzy przewagi.

Gdzie AI pomaga: generowanie alternatyw ("daj mi 10 opcji wdrożenia OKR"), sanity-checking ("czy ten argument ma dziurę?"), grupowanie problemów, hipotezy do weryfikacji.

Gdzie AI zawodzi: wybór strategii, priorytyzacja pod konkretny kontekst, rozwiązania niestandardowe.

Warstwa 4: Pre-analiza i diagnostic tools

To najbardziej dojrzały obszar AI w consultingu. Narzędzia typu Why-Gap Analyzer, ROI Predictor czy Why-Canvas Assistant działają jako digital self-service — klient wypełnia formularz lub odbywa 10-15 min interview z agentem, i dostaje wstępną diagnozę zanim spotka się z konsultantem.

Efekt: konsultant nie traci pierwszej godziny na podstawowe pytania. Rozmowa od razu idzie w sedno. TTFV (time to first value) spada z 2-3 tygodni na 5-7 dni.

Sprawdź na własnej stronie: narzędzia diagnostyczne Why Consulting.

Tradycyjny vs AI-first consulting — porównanie

Wymiar	Tradycyjny	AI-first
Czas od kontaktu do pierwszej rekomendacji	4-8 tygodni	1-2 tygodnie
Koszt pakietu diagnozowego	25-50K PLN	15K PLN (Why-STARTER)
Liczba osobo-godzin (strona consultinga)	80-150h	30-50h
Liczba iteracji deck/strategia w trakcie projektu	2-3	5-10
Personalizacja per klient	Wysoka (ale wolna)	Wysoka (i szybka)
Dostęp do specjalistycznej wiedzy	Tylko jeśli w zespole	35+ agentów w każdym projekcie
Ryzyko "GenAI hallucination"	0	Non-zero (wymaga human review)

Jak to wygląda w praktyce — przykład projektu

Scenariusz: polska firma produkcyjna (120 osób) chce wdrożyć predictive maintenance.

Tydzień 1 — Discovery (AI-first):

Pre-call 30 min: CEO wypełnia Why-Canvas + Gap Analyzer online. Dostaje wstępną mapę problemów.
Call z konsultantem 60 min: rozmowa od razu o konkretach (z Canvas wynika, że problem to nie maintenance, tylko bottleneck w planowaniu produkcji).
Agent "specjalista manufacturing" generuje brief z 5 hipotezami.
Senior consultant przegląda, zatwierdza 3, odrzuca 2.

Tydzień 2 — Diagnosis:

Agent prowadzi wywiady online z 8 mistrzami zmian (każdy 20 min, w językach polski/angielski).
Transkrypcja + synteza automatyczna.
Human interpretuje → diagnoza: problem jest w komunikacji między działami, nie w sprzęcie.

Tydzień 3-4 — Design + Roadmap:

Agent generuje 3 warianty roadmapy (9 mies / 12 mies / 18 mies).
Human modyfikuje pod specyfikę klienta (wakacje, cykl zamówień automotive).
Workshop 4h z klientem — wybór wariantu + modyfikacje.

Efekt: projekt, który tradycyjnie trwałby 8-10 tygodni, zamknięty w 4 tygodnie. Koszt: ~50% tańszy.

Polskie realia — co działa, co nie

Działa:

Język polski. LLM-y (Claude, GPT-4, Gemini) radzą sobie dobrze z polskim w contexcie consultingowym. Terminologia, niuanse, polityka wewnętrzna są zrozumiałe.
Regulacje PL/EU. Agenci znają GDPR, KNF, MDR, PFR, ustawy pracownicze. Ale wymagają weryfikacji przez prawnika przy decyzjach compliance-critical.
Benchmarki branżowe. Dane publiczne (raporty GUS, PKF, PwC, Deloitte PL) są w knowledge base.

Nie działa:

Dane wrażliwe (RODO/GDPR). Nie wysyłamy danych osobowych pracowników, klientów, finansowych do publicznych modeli. Używamy lokalnych instancji lub anonimizacji przed przetwarzaniem.
Niszowe branże PL (np. konkretny segment rolnictwa). Agent nie ma wystarczającej bazy — tu tradycyjny research jest szybszy.
Polityka i kultura. AI nie wyczuje, dlaczego CEO nie lubi CFO — a często to jest największy blocker projektu.

Kiedy NIE warto używać AI w konsultingu

Nie każdy projekt jest dla AI-first podejścia. Przypadki, w których tradycyjny consulting jest lepszy:

1. Bardzo mała skala (1-5 os. firma). Wdrożenie narzędzi AI na tak małej skali ma niższy ROI. Rozmowa bezpośrednia z ekspertem jest szybsza.

2. Problem wymagający fizycznej obserwacji. Na przykład audyt shopfloor w fabryce, gdzie trzeba fizycznie przejść linię produkcyjną. AI tego nie zrobi.

3. Compliance-critical z zerową tolerancją błędu. Np. audyt ISO, dokumentacja MDR, sign-off finansowy. Tu każda linia musi być zweryfikowana przez certyfikowanego człowieka — AI dodaje mało wartości, a ryzyko jest wysokie.

4. Konflikt interpersonalny. Jeśli głównym problemem są relacje w zespole zarządczym, AI nie pomoże. Tu potrzebny jest facylitator-człowiek z empatią i autorytetem.

5. Projekt wymagający zaufania (np. sukcesja rodzinnej firmy). Decyzje emocjonalne, wieloletnie konsekwencje. AI jest wsparciem, ale frontem musi być człowiek, którego klient zna osobiście.

Jak Why Consulting używa AI — przejrzystość

Nie udajemy, że AI robi wszystko. Mamy jasne granice:

Każdy output z agenta AI jest oznaczony i przechodzi review człowieka przed dostarczeniem klientowi.
Klient wie, kiedy rozmawia z agentem AI, a kiedy z człowiekiem. Żadnej manipulacji.
Dane klienta nie są używane do trenowania modeli (kontrakt).
Final sign-off zawsze przez człowieka. Strategia, roadmapa, rekomendacja — wszystko zatwierdzone przez senior consultanta.

Pełna dokumentacja: AI Ethics — Why Consulting.

Podsumowanie

AI w consultingu nie zastępuje konsultanta — zmienia jego rolę. Z junior-research-machine staje się senior-analityk i strategic advisor. Z 8-tygodniowego projektu staje się 3-tygodniowy pilot.

Ale AI nie jest magiczną pigułką. Tam, gdzie problem wymaga empatii, głębokiego kontekstu lub compliance-critical dokładności — człowiek nadal wygrywa. Kluczem jest świadome łączenie: AI tam, gdzie jest szybszy i tańszy; człowiek tam, gdzie tworzy przewagę.

Jeśli rozważasz, czy AI-first consulting pasuje do Twojego wyzwania, najprostsze 30 dni to Why-STARTER — diagnoza + 3 Quick Wins + roadmap. 15K PLN, zero commit na większe pakiety.

Zobacz też: