AI Label — ile AI jest w Twoim projekcie?

Wyobraź sobie, że dostajesz dwie oferty na tracking satysfakcji — z bardzo podobną ceną i niemal identycznym harmonogramem. W pierwszej to AI projektuje plan badania i narzędzia, automatyzuje zbieranie danych, koduje pytania otwarte i pisze raport, a rola człowieka sprowadza się do tego, żeby poprawić ewidentne głupoty w końcowym raporcie i kliknąć WYŚLIJ. W drugiej AI również pracuje, ale robi to, w czym jest naprawdę dobre — żmudną robotę przy danych — podczas gdy pytania, interpretację i rekomendacje buduje doświadczony konsultant. Na papierze te oferty wyglądają tak samo. W praktyce dzieli je przepaść.

I tu pojawia się paradoks, który nie daje mi spokoju. Kupując lodówkę za trzy tysiące złotych, w trzy sekundy dowiadujesz się, ile zużywa prądu. Kupując badanie za sto tysięcy, nie masz żadnego prostego sposobu, żeby sprawdzić, ile w nim maszyny, a ile człowieka.

Zanim pójdziemy dalej, jedno ważne zastrzeżenie: ten tekst to pomysł / bardzo wstępny koncept, a nie gotowa recepta. Wrzucam pomysł na stół po to, żebyśmy zaczęli o nim rozmawiać — i nie widzę nic złego w tym, że sam nie mam dziś odpowiedzi na wszystkie pytania. Standardy, które przetrwały próbę czasu, były zawsze wynikiem wielu spotkań, rozmów, burzy mózgów ekspertów, wymiany doświadczeń. Zaczynały się od rozmowy,

Złe pytanie, dobre pytanie

Przez ostatnie minimum dwa lata całą branżą badawczą rządziło jedno pytanie: „czy używacie AI?". Problem w tym, że to pytanie przestało cokolwiek znaczyć, bo odpowiedź prawie zawsze brzmi „tak" — dokładnie tak samo, jak każda firma „ma stronę internetową". Właściwe pytanie brzmi więc inaczej: ile AI jest w tym konkretnym produkcie — i gdzie wartość nadal tworzy człowiek?

Po stronie klienta widzę trzy zespoły, które maja najwięcej dylematów zwiazanych z tą sytuacją . Zespoły insightów chciałyby wiedzieć, na ile mogą ufać wnioskom i kto właściwie za nimi stoi. Marketing próbuje zrozumieć, co kupuje i czym różni się oferta za czterdzieści tysięcy od oferty za sto czterdzieści. A procurement — i to jest mój ulubiony przypadek — dostaje do porównania trzy oferty, które wyglądają identycznie, więc sprowadza decyzję do jedynego parametru, jaki da się porównać: ceny. W tym układzie przegrywają wszyscy, z dostawcami na czele, bo rzetelna praca człowieka przegrywa cenowo z automatem, którego nikt nie zadeklarował.

Lekcja, którą już odrobiliśmy

Polska branża badawcza ma za sobą ważne doświadczenie ze standardami i byłoby marnotrawstwem go nie wykorzystać. Ponad dwie dekady temu powstał PKJPA — program kontroli jakości pracy ankieterów, wzorowany na brytyjskim IQCS. Odpowiadał na realny problem swojej epoki: klient nie miał żadnej możliwości sprawdzenia, czy ankieter naprawdę stał z kwestionariuszem pod sklepem, czy może wypełnił go siedząc przy kawie. Setki audytów przeprowadzonych w dziesiątkach firm zrobiły swoje — jakość pracy terenowej stała się tematem, o którym się rozmawia, a nie tematem tabu.

Ale te same dwie dekady zostawiły nam też lekcję, której nie wolno zignorować. Certyfikacja to administracja: coroczne audyty, procedury, opłaty, dokumentacja. Wszystko to kosztuje — czas, pieniądze i energię — a małe agencje odczuwają te koszty znacznie boleśniej niż duże.

AI Label — etykieta zamiast certyfikatu

Dlatego na tym etapie nie proponuję certyfikatu. Proponuję coś dokładnie odwrotnego: informację zamiast administracji. Inspiracją są etykiety energetyczne z branży AGD — moim zdaniem najskuteczniejszy standard informacyjny w historii konsumenckiej Europy. Jedna litera, którą rozumie każdy: od inżyniera po moją ciocię.

AI Label przenosi ten mechanizm do badań. W wersji roboczej, którą traktuję wyłącznie jako punkt startu rozmowy, wygląda to następująco — pięć klas dla całego projektu:

1. A · AI premium — 100% AI

2. B · AI first — AI prowadzi, człowiek nadzoruje

3. C · Hybrid — podział pracy mniej więcej pół na pół

4. D · Human first — człowiek prowadzi, AI wspiera

5. E · Human only — 100% pracy ludzkiej

A jak AI. E jak ekspert.

Jedna litera opisuje projekt jako całość, ale pod nią może kryć się metryczka pokazująca udział AI na każdym etapie: w projektowaniu, zbieraniu danych, analizie, insightach i raportowaniu. Bo przecież ten sam projekt może mieć design w całości ludzki, zbieranie danych niemal w pełni maszynowe, a raport gdzieś pośrodku. Litera mówi klientowi, co kupuje. Metryczka — za co dokładnie płaci.

I rzecz najważniejsza: żadna klasa nie jest „lepsza" od innej. A nie wygrywa z E. Klasa A bywa strzałem w dziesiątkę, kiedy potrzebujesz szybkiego i taniego pulsu rynku, a klasa E — kiedy stawiasz strategię na dekadę. Etykieta nie ocenia. Etykieta informuje.

6. Pytania, na które (jeszcze) nie znam odpowiedzi

I tu dochodzimy do sedna tego tekstu. Powyższa skala to koncept otwarty na modyfikacje — świadomie prosty i świadomie niedoskonały. Zanim ktokolwiek zacznie jej bronić albo ją atakować, wolę uczciwie wyłożyć na stół pytania, z którymi sam się mierzę i na które nie mam dziś dobrej odpowiedzi.

czy jedna miara dla całego projektu w ogóle ma sens? Może uczciwiej byłoby etykietować osobno fazę projektowania, realizacji, analizy oraz wniosków i rekomendacji — bo to właśnie tam przebiegają zupełnie różne granice między maszyną a człowiekiem. ile powinno być klas — pięć, siedem, a może trzy? Branża AGD potrzebowała siedmiu i dwukrotnie przeskalowała cały system, kiedy technologia uciekła skali. Nie upieram się przy żadnej liczbie. co właściwie mierzy „procent AI"? Udział w czasie pracy, w koszcie, a może w liczbie podjętych decyzji? Godzina pracy modelu językowego i godzina pracy badacza to nie są porównywalne godziny — a każda z tych miar da inną klasę dla dokładnie tego samego projektu. czy jakość i ilość powinniśmy mierzyć tą samą linijką? Desk research, CAWI na tysiącu respondentów i seria pogłębionych wywiadów to trzy różne światy — być może o trzech różnych definicjach udziału AI. kto i jak aktualizuje taki standard? To, co dziś jest klasą B, za dwa lata może być rynkowym minimum, a etykieta bez mechanizmu rewizji zestarzeje się szybciej niż niejeden kwestionariusz.

Jeśli czytając tę listę, pomyślałeś „a jeszcze..." — to znakomicie. Dokładnie po to ona jest. Dopisz swoje pytanie w komentarzu.

Czym AI Label nie jest

AI Label nie jest certyfikatem. Zero audytów, zero opłat, zero komisji. To deklaracja dostawcy, którą weryfikuje rynek i konkurencja. Agencja, która zaniży udział AI, wystawi się na proste pytanie klienta: „to pokażcie, kto konkretnie pisał ten raport". Wierzę w siłę transparentności i niewidzialną rękę rynku. AI Label nie jest też recenzją niczyjej pracy ani tylnymi drzwiami do taniości. Nie chodzi o to, żeby piętnować automatyzację albo gloryfikować ręczną robotę. Chodzi o to, żeby klient wiedział, co kupuje, a rzetelny dostawca przestał przegrywać z niezadeklarowanym automatem.

Zaproszenie, nie gotowa recepta

To, co dziś pokazuję, nazywam wersją 0.1 — i jest ona celowo niedomknięta. Progi klas, liczba klas, definicje, kształt metryczki — wszystko leży na stole. Naturalnymi gospodarzami rozmowy o takim standardzie są badacze i organizacje naszej branży. OFBOR i PTBRiO mają dorobek, mandat i zasięg, żeby z pomysłu jednego badacza zrobić język, którym mówi cały rynek. Oddaję ten koncept środowisku z pełnym przekonaniem, że wspólnie zrobimy z niego coś lepszego, niż wymyśliłbym sam. Osobne zaproszenie kieruję do strony klienckiej — zespołów insightów, marketingu i zakupów — bo standard informacyjny, który powstaje bez głosu kupujących, nie jest wart papieru, na którym go wydrukowano.