AI nie zawsze jest najlepszym wyborem. Koszt inference, halucynacje, niedeterminizm i wymogi RODO mogą sprawić, że klasyczny algorytm optymalizacyjny rozwiąże problem taniej i bezpieczniej. Pokazujemy, kiedy warto postawić na AI, a kiedy lepiej tego nie robić.
AI nie jest odpowiedzią na każde pytanie
Sztuczna inteligencja trafiła do strategii niemal każdej firmy technologicznej — i wielu firm, które technologiczne nie są. Część wdrożeń przynosi mierzalne korzyści: lepsza klasyfikacja zgłoszeń, automatyczne tagowanie zdjęć, predykcja churnu. Ale spora część to projekty, w których AI zastępuje rozwiązanie, które istniało od lat — drożej, wolniej i z mniejszą przewidywalnością wyniku. W tym artykule pokazuję, kiedy AI faktycznie się opłaca, kiedy lepiej postawić na klasyczne algorytmy i czego nie widać w demo od dostawcy modelu.
Kiedy klasyczne metody wygrywają z AI
Zanim sięgniesz po model ML, sprawdź, czy problem nie ma rozwiązania deterministycznego. Regresja liniowa, optymalizacja matematyczna (solver LP/MILP), algorytmy heurystyczne, drzewa decyzyjne z ręcznie napisanymi regułami — te metody istnieją od dziesięcioleci i mają jedną przewagę nad sieciami neuronowymi: dają ten sam wynik dla tych samych danych wejściowych, za każdym razem.
Przykład z naszej praktyki: klient z branży logistycznej chciał „AI do optymalizacji tras". Po analizie okazało się, że problem sprowadza się do wariantu TSP (Travelling Salesman Problem) z ograniczeniami czasowymi. Solver OR-Tools od Google rozwiązał go w milisekundach, bez trenowania modelu, bez GPU i bez ryzyka halucynacji. Koszt wdrożenia: ułamek tego, co kosztowałby model ML.
Reguła jest prosta: jeśli potrafisz opisać problem formułą matematyczną lub zbiorem reguł if/else — AI prawdopodobnie nie jest potrzebne. AI ma sens tam, gdzie reguły są zbyt liczne lub zbyt zmienne, żeby opisać je ręcznie: rozpoznawanie obrazów, przetwarzanie języka naturalnego, klasyfikacja nieustrukturyzowanych danych. Raport McKinsey z 2023 roku szacuje, że 40% przypadków użycia AI w firmach mogłoby być obsłużonych prostszymi metodami analitycznymi — ale „AI" lepiej wygląda w prezentacji dla zarządu.
Koszt inference — ile naprawdę kosztuje AI w produkcji
Demo modelu działa błyskawicznie na konferencji. W produkcji — przy tysiącach zapytań dziennie — koszty rosną szybko. Inference (wykonanie zapytania do modelu) to nie jednorazowa inwestycja, tylko koszt operacyjny, który rośnie z ruchem.
Modele chmurowe (OpenAI API, Google Vertex AI, AWS Bedrock) rozliczają się per token lub per zapytanie. Przy 10 000 zapytań dziennie do modelu GPT-4-klasy miesięczny rachunek sięga tysięcy dolarów. Modele hostowane lokalnie wymagają GPU (NVIDIA A100/H100), których koszt wynajmu w chmurze to 2–8 USD za godzinę. Do tego dochodzi infrastruktura: load balancer, kolejka, monitoring, wersjonowanie modeli.
Porównajmy: klasyczny algorytm optymalizacyjny działa na zwykłym CPU, kosztuje grosze za milion wykonań i nie wymaga specjalistycznej infrastruktury. Latencja odpowiedzi to mikrosekundy, nie setki milisekund jak przy wywołaniu modelu przez API. Zanim zdecydujesz się na AI, policz TCO (Total Cost of Ownership) na 12 miesięcy — nie tylko koszt prototypu, ale też koszt monitoringu, retrainingu i obsługi edge case'ów, w których model się myli.
Halucynacje i niedeterminizm — ryzyko, którego nie eliminujesz testem
Modele generatywne (LLM) mają właściwość, której nie da się wyłączyć: halucynacje. Model generuje odpowiedź, która wygląda poprawnie, ale jest fakturalnie fałszywa. W chatbocie obsługi klienta to irytacja. W systemie medycznym, finansowym lub prawnym — to ryzyko odpowiedzialności. Głośny przypadek: w 2023 roku nowojorski prawnik złożył w sądzie brief zawierający fikcyjne orzeczenia wygenerowane przez ChatGPT. Sąd nałożył karę finansową na kancelarię.
Niedeterminizm to drugi problem. Ten sam prompt z tymi samymi parametrami (nawet przy temperature=0) może zwrócić różne odpowiedzi w różnych momentach — zależy to od wersji modelu, infrastruktury i wewnętrznych optymalizacji dostawcy. W systemach, gdzie powtarzalność wyniku jest wymaganiem (księgowość, audyt, compliance), niedeterminizm AI dyskwalifikuje je jako jedyne źródło decyzji.
NIST AI Risk Management Framework (AI RMF 1.0) opisuje te ryzyka w kategorii „reliability" i zaleca stosowanie warstw weryfikacji: human-in-the-loop, walidacja regułowa wyników, logowanie i audytowalność odpowiedzi. Jeśli musisz dodać trzy warstwy zabezpieczeń wokół modelu — zastanów się, czy reguły deterministyczne nie rozwiążą problemu prościej.
Bezpieczeństwo danych — RODO i black box
Trenowanie i fine-tuning modeli wymaga danych. Jeśli te dane zawierają informacje osobowe (imiona, adresy, numery PESEL), wchodzisz w zakres RODO — nawet jeśli model działa w chmurze dostawcy. Rozporządzenie UE 2024/1689 (AI Act) dodatkowo klasyfikuje systemy AI według poziomu ryzyka i nakłada obowiązki dokumentacyjne na systemy wysokiego ryzyka (HR, scoring kredytowy, rekrutacja).
Problem black box oznacza, że nie zawsze potrafisz wyjaśnić, dlaczego model podjął daną decyzję. Dla UODO i organów nadzorczych w UE brak wyjaśnialności to problem — art. 22 RODO daje osobie prawo do „uzyskania wyjaśnienia" decyzji podjętej automatycznie. Klasyczny algorytm z jawną logiką spełnia ten wymóg z definicji.
Alternatywy: modele scoringowe z czytelną punktacją, systemy regułowe z logowaniem ścieżki decyzyjnej, XGBoost z SHAP values (wyjaśnialny ML). Nie każde zastosowanie AI wymaga sieci neuronowej o miliardzie parametrów. W projektach, które budujemy w desi9n, dobieramy poziom złożoności modelu do problemu — czasem wystarczy gradient boosting z pełną interpretowalnością, a deep learning rezerwujemy dla przypadków, gdzie prostsze metody zawodzą.
Co z tym zrobić u siebie
- Zdefiniuj problem biznesowy zanim wybierzesz technologię. Jeśli potrafisz opisać rozwiązanie jako zbiór reguł lub formułę — zacznij od tego.
- Policz TCO na 12 miesięcy: koszt inference, infrastruktura GPU/API, monitoring, wersjonowanie modelu. Porównaj z kosztem rozwiązania deterministycznego.
- Sprawdź wymagania regulacyjne: czy Twoje dane podlegają RODO? Czy system mieści się w kategorii wysokiego ryzyka wg AI Act?
- Jeśli potrzebujesz integracji z AI lub klasycznym algorytmem optymalizacyjnym — projektujemy systemy dedykowane, w których dobór technologii wynika z analizy, nie z mody. AI wdrażamy tam, gdzie przynosi mierzalną wartość — nie tam, gdzie dobrze wygląda w ofercie.
Źródła
- NIST AI Risk Management Framework (AI RMF 1.0) — ramy zarządzania ryzykiem AI, w tym reliability i explainability.
- Rozporządzenie UE 2024/1689 (AI Act) — europejska regulacja systemów sztucznej inteligencji, klasyfikacja ryzyka.
- Google OR-Tools — open-source solver do optymalizacji kombinatorycznej (routing, scheduling, LP/MILP).
- UODO — stanowisko polskiego organu nadzorczego w sprawie automatycznego podejmowania decyzji (art. 22 RODO).
LinkedIn/desi9n-pl 
FB/desi9npl 
@desi9n.pl