Wizja i Cel Biznesowy

Projekt: Baza Kompetencji i AI Pilot (Grupa Wolff)
AI Pilot — firmowy asystent GW
Stack: n8n · RAG · repozytorium dokumentów z wersjami · Anthropic / OpenAI

Problem

Czas kluczowych ekspertów jest wąskim gardłem organizacji.

Dziś proces tworzenia koncepcji i ofert dla standardowych projektów trwa długo, bo:

wiedza jest w głowach,
handlowcy i inżynierowie zadają ekspertom wciąż te same pytania.
jakość odpowiedzi zależy od tego, kto akurat jest dostępny.

Cel projektu

Cel	Co chcemy osiągnąć
Uwolnienie czasu ekspertów	Odciążenie SME od powtarzalnej pracy i pytań
Skrócenie procesów	Szybsza ścieżka od zapytania do oferty
Standaryzacja jakości	Spójny, firmowy poziom merytoryczny w każdej ofercie
Automatyzacja powtarzalności	~80% typowych koncepcji / pytań obsługiwanych przez Agenta
Time-to-offer	Skrócenie czasu zapytanie → oferta z 5 dni do 1 dnia (dla standardowych przypadków)

Zabezpieczenie Know-How

Utrwalenie kluczowej wiedzy inżynierskiej GW w formie cyfrowej i algorytmicznej
→ ochrona przed Bus Factor / brain drain (odejście, emerytura, niedostępność eksperta nie paraliżuje firmy).

Zasada nadrzędna: „Człowiek w pętli”

AI nie wysyła ofert do klienta.

AI działa jak bystry asystent:

przygotowuje kompletny draft (koncepcja / BOM + uzasadnienie inżynierskie),
ekspert weryfikuje i akceptuje,
dopiero wtedy idziemy dalej.

Nietypowe instalacje (edge cases) zawsze zostają w rękach ekspertów.

1. Filar Operacyjny — likwidacja wąskich gardeł i skalowalność

Uwolnienie czasu kluczowych ekspertów (SME – Subject Matter Expert)

Odciążenie specjalistów ATEX / PPOŻ z powtarzalnych, powracających pytań (od młodszych inżynierów, handlowców, klientów) o minimum 40–50%.

Skrócenie czasu procesów (Time-to-Market)

Przyspieszenie przygotowywania ofert technicznych, analiz ryzyka i audytów wstępnych — z kilku dni do kilkunastu minut na draft — dzięki natychmiastowemu dostępowi Agenta do norm, checklist i zatwierdzonej bazy wiedzy GW.

Standaryzacja jakości

Każda decyzja, oferta lub rekomendacja opuszczająca firmę jest spójna z najwyższym standardem merytorycznym GW — niezależnie od stażu osoby, która ją przygotowuje.

Automatyzacja 80% powtarzalności

Agent obsługuje typowe silosy, standardowe przesypy i inne powtarzalne przypadki; ekspert rzuca okiem, koryguje w kilka minut i akceptuje.

2. Filar Finansowy i Zarządzanie Ryzykiem

Zabezpieczenie ciągłości biznesowej (Anti–Brain Drain)

Trwałe zabezpieczenie własności intelektualnej firmy.

Redukcja ryzyka finansowego i prawnego

Minimalizacja ryzyka kosztownego błędu w sztuce (zła interpretacja strefy ATEX, wymogów PPOŻ itd.).

3. Filar Ludzki — onboarding i wsparcie zespołu

Błyskawiczne wdrożenie nowych pracowników (Onboarding)

Skrócenie czasu adaptacji nowych inżynierów i handlowców. Nowy pracownik ma u boku asystenta AI, którego może zapytać o procedurę bez ciągłego odrywania starszych kolegów.

Zwiększenie komfortu pracy

Pomoc z przeszukiwaniem setek stron rozproszonych PDF-ów, norm i ustaw w poszukiwaniu jednego przepisu.

Podsumowanie

Chcemy zdjąć z ekspertów powtarzalną robotę, skrócić ofertowanie standardowych spraw do jednego dnia i jednocześnie na stałe utrwalić know-how GW w firmie. AIPI przygotowuje draft — decyzję zawsze podejmuje człowiek.

Czy skrócenie ścieżki zapytanie → oferta dla standardowych spraw Ex jest dziś nr 1, czy macie pilniejszy obszar automatyzacji?

Po 3 miesiącach, po czym poznamy, że „działa”? (np. oferta standardowa w 1 dzień, −40% pytań do ekspertów, X draftów zaakceptowanych bez większych poprawek)
Kto będzie Knowledge Managerem (właścicielem bazy / rytmu wywiadów)?

Jakiego wyniku potrzebujemy z pierwszej wersji? (szkic koncepcji, BOM, argumentacja, wstępna wycena, co jest must-have?)

Zasoby: Alokację ekspertów 2–4 h/tydzień w Miesiącu 1?

80% powtarzalności: Które 5-10 typów instalacji / zapytań są na tyle standardowe, że AI powinien je ogarniać w pierwszej kolejności? (np. silosy, filtry, przesypy…)

Edge case: Przy jakich sygnałach draft musi iść od razu do człowieka, bez generowania koncepcji? (co jest „nietypowe”?)

Źródła prawdy: Które dokumenty / projekty / checklisty uznajecie za obowiązujące dziś — i które wersje wolno wrzucić do bazy (a czego absolutnie nie)?

Jakie twarde zakazy muszą być w systemie od dnia 1?

Projekty wzorcowe: Które 5 zrealizowanych projektów Ex najlepiej nadają się jako materiał na pierwszy warsztat mapowania logiki?

Wstępny Harmonogram

Zasada: Zaczynamy od jednego modułu (PoC – Proof of Concept), aby udowodnić wartość, zanim wdrożymy to na całą firmę.

Miesiąc 1: Przygotowanie Danych (Moduł Ex)
- Działanie: Analiza wsteczna 5-10 zrealizowanych projektów przeciwwybuchowych.
- Wywiady: Warsztaty Knowledge Managera z A. Wolffem i Z. Wolffem w celu zmapowania logiki (drzewa decyzyjnego dla podstawowych urządzeń, np. silosów, filtrów).
Miesiąc 2: Budowa Prototypu (n8n + RAG + model Anthropic/OpenAI)
- Działanie: Postawienie n8n, podłączenie repozytorium dokumentów (z wersjami), indeks RAG, wybór modelu (Claude vs GPT). Załadowanie wyczyszczonych danych.
- Konfiguracja: Ustawienie „Guardrails” (barier bezpieczeństwa), aby AI odrzucało błędy (np. użycie paneli dekompresyjnych wewnątrz hali).
Miesiąc 3: Testy (Beta) w Dziale Sprzedaży
- Działanie: Handlowcy testują Agenta na “sucho” (na historycznych lub nowych zapytaniach). Eksperci sprawdzają poprawność generowanych koncepcji. Poprawki algorytmu.
Miesiąc 4+: Skalowanie na kolejne moduły (Roll-out)
- Rozpoczęcie analogicznego procesu dla: PPOŻ, Elektrotechniki Hardo oraz Detekcji.

Wstępny Kosztorys i Wymagane Zasoby

Wdrożenie AI to dziś głównie inwestycja w czas i ułożenie procesu. Koszty dzielimy na 2 kategorie:

A. Narzędzia i Technologie (OpEx – koszty miesięczne/stałe)

Budujemy na n8n (orkiestracja) + RAG + repozytorium dokumentów z wersjami + API modelu (Anthropic lub OpenAI).

Koszt: hosting n8n + storage dokumentów + API modelu — szacunkowo od 500 PLN do 2 500 PLN miesięcznie (zależnie od wolumenu zapytań i wybranego modelu).

B. Zasoby Wewnętrzne (Inwestycja czasu)

To największy “koszt” w firmie, który musi być zaakceptowany przez Zarząd.

Knowledge Manager (PM): 1 osoba (np. zdolny inżynier procesowy/PM), alokacja ok. 30-50% czasu pracy w pierwszych 2 miesiącach.
Eksperci (A. Wolff, Z. Wolff): Max. 2-4 godziny tygodniowo (w Miesiącu 1) na ustrukturyzowane wywiady i akceptację algorytmów.