Czym różnią się projekty AI od tradycyjnych projektów IT?

17 kwietnia 2025 · aproco.io

Projekty z zakresu sztucznej inteligencji zdobywają coraz większą popularność wśród firm, które szukają przewagi konkurencyjnej i chcą wykorzystać potencjał danych. Choć pozornie podobne do klasycznych projektów IT, różnią się one zarówno w podejściu, jak i w wymaganiach wobec zespołu czy Project Managera. Ich największą specyfiką jest to, że wiele aspektów pozostaje nieprzewidywalnych aż do samego końca – dlatego zarządzanie takim przedsięwzięciem wymaga zupełnie innego zestawu kompetencji.

W tym wpisie omawiam kluczowe różnice pomiędzy projektami AI a typowymi wdrożeniami IT. Zwracamy uwagę na rolę danych, charakter prac badawczo-rozwojowych, nowe wyzwania związane z ryzykiem, zmieniającą się rolę Project Managera oraz metodyki i praktyki, które naprawdę się sprawdzają w świecie algorytmów i machine learningu.

Dane jako fundament projektu AI

W projektach AI to nie kod jest punktem wyjścia, a dane. Ich jakość, kompletność i reprezentatywność wpływają bezpośrednio na skuteczność modelu. To oznacza, że zanim powstanie jakakolwiek linijka kodu trenowanego modelu, konieczne jest przygotowanie danych – a ten etap potrafi pochłonąć więcej czasu niż samo programowanie.

Największe wyzwania pojawiają się, gdy dostęp do danych jest ograniczony lub dane wymagają gruntownego przekształcenia. Wymaga to wdrożenia konkretnych praktyk:

• opracowania strategii zarządzania danymi już na etapie planowania,

• użycia narzędzi do automatyzacji czyszczenia i etykietowania danych,

• systematycznego audytowania jakości danych.

Nieprzewidywalność wyników i iteracyjność

W klasycznych projektach IT funkcjonalności są jasno zdefiniowane – wiadomo, co powinno się wydarzyć i kiedy to nastąpi. Projekty AI rządzą się innymi prawami. Tutaj wyniki są statystyczne, modele mogą zmieniać się w czasie, a wiele prac ma charakter eksperymentalny. Oznacza to konieczność ciągłego dostrajania, testowania, uczenia się na błędach.

Takie podejście niesie za sobą konkretne konsekwencje. Z jednej strony trudniej przewidzieć harmonogram i budżet, z drugiej – projekt musi być prowadzony w sposób zwinny. Aby dobrze zarządzać tym chaosem, warto:

• wdrożyć iteracyjne podejście (Agile, Scrum, Kanban),

• zaplanować bufory czasowe i finansowe na eksperymenty,

• monitorować modele na bieżąco z użyciem praktyk MLOps.

Nowe ryzyka typowe dla AI

Projekt AI to nie tylko innowacja, ale i pole minowe ryzyk. Najczęściej spotykanym zagrożeniem jest bias – czyli stronniczość modelu wynikająca z błędnych lub nierównomiernie reprezentowanych danych. Konsekwencje mogą być bardzo poważne, szczególnie w kontekście decyzyjnych systemów biznesowych lub publicznych.

Do tego dochodzą inne wyzwania, jak wysokie zużycie zasobów obliczeniowych czy ataki bezpieczeństwa na poziomie modelu. Aby się przed tym uchronić, warto:

• testować dane pod kątem stronniczości i reprezentatywności,

• stosować mechanizmy Explainable AI,

• optymalizować modele i monitorować koszty zużycia chmury,

• zabezpieczać dane treningowe przed manipulacją.

Nowa rola Project Managera

Prowadzenie projektu AI wymaga od Project Managera znacznie więcej niż klasyczne zarządzanie zakresem i czasem. Kluczowe staje się rozumienie podstaw działania algorytmów, ich ograniczeń oraz konieczność edukowania interesariuszy, którzy mogą mieć wygórowane oczekiwania wobec "inteligencji" systemu.

PM staje się tu mostem łączącym technologię z biznesem, tłumaczącym język danych na język decyzji. W tej roli istotne jest, by:

• znać podstawy machine learningu i metryk skuteczności modeli,

• tłumaczyć ograniczenia AI interesariuszom i zarządowi,

• zarządzać różnorodnym zespołem specjalistów – od Data Scientistów, przez UX Designerów, po DevOpsów.

Metodyki i narzędzia dopasowane do specyfiki AI

Zwinność to słowo klucz w projektach AI, ale nie każda metodyka zwinna sprawdzi się tak samo dobrze. Warto sięgać po rozwiązania, które uwzględniają cykl życia danych i charakter eksploracyjny pracy. Klasyczny plan Gantta nie wystarczy – tu potrzeba elastyczności i gotowości na zmiany kursu w trakcie projektu.

Dobrze sprawdzają się konkretne podejścia i narzędzia:

• CRISP-DM – jako klasyczny framework data science,

• platformy eksperymentalne (MLflow, Weights & Biases),

• narzędzia do przetwarzania danych (Apache Spark, Databricks),

• chmury publiczne (AWS, GCP, Azure) oraz praktyki MLOps do automatyzacji i monitorowania modeli.

Praktyki, które robią różnicę

Sukces projektu AI nie zależy wyłącznie od tego, jaki model zostanie użyty, ale jak zostanie zarządzony cały proces jego tworzenia i utrzymania. Jednym z największych błędów jest wdrażanie zbyt skomplikowanego rozwiązania bez wcześniejszego prototypu. Takie podejście nie pozwala na szybki feedback i ogranicza możliwość nauki na błędach.

Właśnie dlatego warto wprowadzić sprawdzone praktyki:

• rozpocząć projekt od MVP, które testuje najważniejsze założenia,

• monitorować model po wdrożeniu i dbać o jego ciągłe uczenie,

• jasno komunikować cele i ograniczenia zespołowi i interesariuszom,

• zaplanować zarządzanie ryzykiem związanym z danymi, biasem i kosztami,

• inwestować w rozwój kompetencji całego zespołu, nie tylko technicznego.

AI - nowy sposób myślenia

Projekty AI to nie ewolucja klasycznego IT, ale zupełnie nowy sposób myślenia o oprogramowaniu. To praca z niepewnością, eksperymentami i danymi, które mogą zmieniać wszystko. Project Manager, który odnajduje się w tej rzeczywistości, musi być elastyczny, zorientowany na ciągłe uczenie się i umiejący budować zaufanie między technologią a biznesem.

Warto traktować projekty AI jako okazję do budowania przewagi konkurencyjnej – pod warunkiem, że są prowadzone świadomie, z uwzględnieniem specyfiki tej technologii. Bo choć nie wszystko da się przewidzieć, to wiele można dobrze zaplanować.