Euforia wokół generatywnej AI zaczyna opadać. Przedsiębiorstwa, które przez ostatnie lata masowo wdrażały duże modele językowe, coraz częściej zadają to samo pytanie: czy AI, której nie możemy do końca przewidzieć, nadaje się do zarządzania krytyczną infrastrukturą IT?
Kluczowe fakty:
- Pracownicy korporacyjni poświęcają średnio 4,5 godziny tygodniowo na poprawianie pracy wykonanej przez AI, a blisko 40% oszczędności czasu generowanego przez AI znika w procesie ręcznej weryfikacji wyników.
- Wewnętrzne testy Dynatrace pokazują, że współpraca zewnętrznego agenta SRE z agentami deterministycznymi pozwala rozwiązywać problemy 12 razy częściej i 3 razy szybciej przy kosztach niższych o połowę.
- Tylko 23% z 62% organizacji eksperymentujących z agentami AI zdołało je przeskalować w ramach funkcji biznesowych, co pokazuje przepaść między pilotażem a wdrożeniem produkcyjnym.
Bernd Greifeneder, CTO i współzałożyciel Dynatrace, uważa że odpowiedź brzmi: nie – przynajmniej nie w tej formie, w jakiej znamy generatywną AI dziś. W opublikowanej analizie kreśli drogę do prawdziwej autonomii cyfrowej. I stawia przy tym fundamentalne rozróżnienie, które warto zapamiętać.
Artysta kontra naukowiec
Greifeneder wskazuje na zasadniczy problem: firmy często sięgają po niewłaściwy typ sztucznej inteligencji do konkretnych zadań. Generatywna AI to system stochastyczny – probabilistyczny, twórczy, nieprzewidywalny. Jak artysta: nigdy nie wiadomo dokładnie, co wyjdzie spod pędzla. W brainstormingu czy generowaniu treści – świetnie. W operacjach IT, gdzie liczy się powtarzalność i niezawodność – znacznie gorzej.
Prawdziwy koszt halucynacji nie leży w samym błędzie modelu, ale w tym, co dzieje się potem. Badania cytowane przez Greifenedera pokazują, że blisko 40% oszczędności czasu, które AI teoretycznie generuje, znika w procesie ręcznej weryfikacji wyników. Pracownicy korporacyjni poświęcają średnio 4,5 godziny tygodniowo na poprawianie pracy wykonanej przez AI. To prawie pół dnia roboczego – co tydzień, w każdej firmie.
Prawie co drugi pracownik w Polsce używa AI za plecami swojego szefa. 71% polskich pracowników oszczędza dzięki AI od pół godziny do ponad dwóch godzin dziennie …
Trzy etapy do autonomii
Dynatrace proponuje model dojrzałości oparty na trzech poziomach:
- Automatyzacja – system wykonuje precyzyjnie zdefiniowane zadania w oparciu o dane kontekstowe w czasie rzeczywistym. Niezawodne reagowanie na znane problemy. Większość organizacji albo już tu jest, albo do tego dąży.
- Nadzorowana autonomia – AI analizuje sytuację, ocenia wpływ na biznes i przygotowuje plan działania, ale wdraża go dopiero po zatwierdzeniu przez człowieka. Odciąża ekspertów, zachowuje kontrolę.
- Pełna autonomia – system działa samodzielnie, zarządza środowiskiem, optymalizuje koszty i usuwa awarie, zanim ktokolwiek je zauważy. Człowiek wyznacza cele i ocenia wyniki, maszyna egzekwuje.
Kluczowym elementem łączącym te etapy jest połączenie kreatywnej mocy agentycznej AI z deterministycznym fundamentem zakorzenianym w danych operacyjnych.
Dane mówią wprost
Wewnętrzne testy Dynatrace pokazują, że gdy zewnętrzny agent SRE współpracuje z agentami deterministycznymi, problemy rozwiązywane są nawet 12 razy częściej i 3 razy szybciej – przy kosztach niższych o połowę w porównaniu do środowisk pozbawionych deterministycznego ugruntowania.
To nie są akademickie liczby. Przy skali inwestycji w infrastrukturę AI – wydatki w jednym kwartale 2025 roku osiągnęły 82 miliardy dolarów i mają wzrosnąć do 758 miliardów rocznie do 2029 roku – różnica między AI niezawodną a „mniej więcej działającą” zaczyna mieć realny wymiar finansowy.
Bernd Greifeneder stawia ważne pytanie, które zbyt rzadko pojawia się w dyskusjach o wdrożeniach AI: czy zapraszamy właściwy typ sztucznej inteligencji do konkretnego zadania? To rozróżnienie między AI deterministyczną a generatywną jest fundamentalne i powinno być punktem wyjścia każdej strategii AI w enterprise. Z jednej strony widzę tu ogromną szansę – ujarzmienie AI halucynującej poprzez zakotwiczenie jej w twardych danych operacyjnych brzmi jak przepis na rzeczywistą automatyzację, nie tylko piloty i proof-of-concept. Z drugiej strony pojawia się pytanie o zależność: im głębiej integrujemy AI z krytyczną infrastrukturą, tym bardziej narażamy się na efekt domina, gdy coś pójdzie nie tak. Czy organizacje są gotowe nie tylko na korzyści z autonomicznych operacji, ale i na zarządzanie ryzykiem, gdy autonomia zawiedzie?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Grail i kontekst jako fundament
Greifeneder zwraca uwagę na często pomijany problem techniczny: duże modele językowe po prostu nie są w stanie bezpośrednio przetwarzać petabajtów rozproszonych danych operacyjnych. Okno kontekstowe ma swoje granice, a przeładowanie modelu danymi nie poprawia jakości odpowiedzi – wręcz przeciwnie.
Dynatrace odpowiada na to wyzwanie poprzez Grail – ujednolicone data lakehouse, które integruje metryki, logi, ślady, zdarzenia i dane biznesowe w jednym miejscu. Połączone z grafem zależności w czasie rzeczywistym, tworzy fundament, na którym AI może działać precyzyjnie, a nie probabilistycznie.
Platforma Dynatrace Intelligence tworzy cyfrowego bliźniaka środowiska IT w czasie rzeczywistym, eliminując zgadywanie poprzez połączenie deterministycznych analiz z rozumowaniem koordynowanych agentów AI, które napędzają systemy samoleczące się.
Nowe podejście do observability
Analitycy IDC wskazują, że ewolucja platform observability zmierza od ręcznej analizy przyczyn źródłowych ku operacjom prewencyjnym – organizacje przechodzą od reaktywnego monitorowania do autonomicznych modeli operacyjnych, które łączą deterministyczną AI z systemami agentycznymi działającymi na różnych poziomach autonomii.
To nie jest już tylko kwestia technologiczna. To zmiana filozofii zarządzania infrastrukturą IT.
Rob Strechay, analityk z TheCUBE, argumentuje, że deterministyczne podejście redukuje ryzyko i koszty w porównaniu do modeli napędzanych promptami: „The real ROI in Dynatrace Intelligent Agents comes from precision, not prompts. Deterministic AI, unlike LLMs, reduces costs, increases trust, and enables supervised autonomy that enterprises can actually scale” / „Prawdziwy zwrot z inwestycji w agentach Dynatrace pochodzi z precyzji, nie z promptów. Deterministyczna AI, w przeciwieństwie do LLM-ów, redukuje koszty, buduje zaufanie i umożliwia nadzorowaną autonomię, którą przedsiębiorstwa mogą faktycznie skalować.”
Od pilota do produkcji
Statystyki McKinsey cytowane przez Greifenedera są wymowne: 62% organizacji eksperymentuje z agentami AI, ale tylko 23% zdołało je przeskalować w ramach funkcji biznesowych. Przepaść między pilotem a wdrożeniem produkcyjnym pozostaje jednym z największych wyzwań branży.
Droga do jej pokonania wiedzie – zdaniem Dynatrace – przez połączenie kreatywności agentycznej AI z deterministycznym rygorem. Nie rewolucję, lecz ewolucję. Krok po kroku, etap po etapie, z człowiekiem w pętli decyzyjnej tak długo, jak potrzeba.
Pytanie, które zadaje sobie coraz więcej CTO, brzmi już nie „czy wdrożyć autonomiczne AI”, ale „kiedy jesteśmy na to gotowi”. I to jest właśnie ta zmiana, na którą Greifeneder zwraca uwagę – bo gotowość to nie tylko kwestia technologii, ale dojrzałości danych, procesów i kultury organizacyjnej.
