Sztuczna inteligencja w e-commerce B2B – kiedy ma sens?

AI w e-commerce B2B to ważny trend na rok 2025 i kolejne lata. Ta nowoczesna technologia to nowe możliwości, ale i pułapki. Nie każde wdrożenie przyniesie wartość – wiele firm może przepalić budżet lub wprowadzić rozwiązania, które będą generować dodatkowe problemy.

Czy własne narzędzia AI to konieczność? Jakie opcje są najbardziej opłacalne? W tym artykule bliżej omówimy 3 konkretne przypadki, gdzie sztuczna inteligencja faktycznie usprawnia ważne procesy w firmach e-commerce B2B.

W skrócie:

• AI w e-commerce B2B ma ogromny potencjał, ale tylko 26% firm potrafi wyjść poza projekty pilotażowe i generować rzeczywistą wartość z tej technologii.
• Największe problemy to halucynacje modeli AI (błędne informacje), ogromne koszty własnych rozwiązań oraz problemy organizacyjne związane z wdrożeniem.
• Praktyczne podejście to korzystanie z gotowych API (OpenAI, Anthropic, Google) zamiast budowy własnych modeli – taniej, szybciej i bezpieczniej.
• Przed wdrożeniem AI musisz mieć jasno zdefiniowany problem biznesowy, wysokiej jakości dane, budżet na długoterminowe utrzymanie oraz zespół gotowy na zmiany.
• Liderzy AI inwestują dwukrotnie więcej w technologie, ale 70% zasobów przeznaczają na ludzi i procesy, a tylko 10% na algorytmy.
• Branże, które przeszły cyfrową transformację 15 lat temu (fintech, oprogramowanie, bankowość), mają dziś największą koncentrację liderów AI.

Jak AI wspiera branżę B2B e-commerce?

AI rewolucjonizuje sposób, w jaki firmy B2B prowadzą sprzedaż, obsługują klientów i zarządzają danymi. Jako taka sztuczna inteligencja zapewnia wsparcie biznesowi już od wielu lat, jednak ostatnie znaczące postępy w dużych modelach językowych (LLM – Large Language Models) otworzyły drzwi do wielu wcześniej niedostępnych możliwości.

Czym są modele LLM i jak działają?

LLM (Large Language Models) to zaawansowane systemy oparte na AI, które analizują ogromne ilości danych, rozumieją kontekst i potrafią generować odpowiedzi na zapytania użytkowników. Z tego względu praktyczne wdrożenie takich i podobnych narzędzi określa się mianem generatywnej sztucznej inteligencji (generative artificial intelligence).

Duże modele językowe wykorzystują uczenie maszynowe do przetwarzania języka naturalnego, co pozwala im prowadzić rozmowy, tworzyć treści oraz analizować informacje biznesowe.

Obecnie najważniejsze modele LLM na rynku to:

• ChatGPT (OpenAI) – najpopularniejszy i najbardziej rozpoznawalny model, który pod koniec 2022 roku otworzył drzwi dla powszechnego zastosowania generatywnej sztucznej inteligencji.
• Claude (Anthropic) – rozwinięty model AI, zaprojektowany z naciskiem na bezpieczeństwo danych, ograniczenie halucynacji i pamiętanie szerszego kontekstu.
• LLaMA (Meta) – open-source’owy model językowy, który daje firmom większą kontrolę nad danymi.
• Gemini (Google) – model AI zintegrowany z ekosystemem Google.
• DeepSeek-R1 (DeepSeek) – model chińskiej firmy, który na początku 2025 roku zatrząsnął branżą AI. Oferuje jakość porównywalną lub lepszą od rozwiązań OpenAI, ale jest znacznie tańszy. Wysuwa się jednak wobec niego zastrzeżenia, jeśli chodzi o prywatność danych.

W ciągu ostatnich 2 lat postęp w ogólnym rozwoju technologii z zakresu sztucznej inteligencji, jak i pomysłów na praktyczne zastosowanie jej w B2B e-commerce, był znaczący. Okazuje się jednak, że nie wszystkie wdrożenia są warte zachodu. Omówmy to bliżej.

AI w e-commerce B2B – dlaczego wiele działań nie ma sensu?

To zrozumiałe, że firmy chcą automatyzować procesy, analizować dane i optymalizować obsługę klienta, ale nie każda implementacja AI faktycznie przynosi korzyści. Wiele rozwiązań jest kosztownych, nieoptymalnych lub po prostu nie działa tak, jak oczekiwano.

Dzieje się tak z kilku głównych powodów.

1. Halucynacje modeli i problemy z pracą z wewnętrznymi danymi

Modele LLM potrafią generować imponujące odpowiedzi (zwłaszcza z perspektywy laika) ale nie zawsze są one precyzyjne. Problemem są tzw. halucynacje – czyli sytuacje, w których AI podaje błędne lub zmyślone informacje.

Nie trzeba wiele tłumaczyć, że jest to poważny problem, zwłaszcza w przypadku B2B. Na pewno nie chcesz dopuścić do sytuacji, w której AI:

• wygeneruje lub poda błędne ceny i warunki płatności,
• przekaże klientowi niewłaściwe informacje na temat produktu,
• stworzy błędne analizy na podstawie zmyślonych lub nadinterpretowanych danych.

2. Ogromne koszty samodzielnego utrzymania modeli AI

Gdy początkowy kurz związany z szerokim zastosowaniem generatywnej sztucznej inteligencji opadł, wielu ekspertów z różnych branż (często niezależnie od siebie) doszło do istotnego wniosku. AI ma ogromny potencjał, ale wtedy, gdy jest wykorzystywane w obrębie specjalnie zaprojektowanego środowiska i wytrenowane na dobrze przygotowanych danych, procesach oraz kontekstach.

Tego typu rozwiązanie to zapewne przyszłość dla wielu firm, ale obecnie utrzymanie takiego systemu to gigantyczne koszty.

Przeanalizujmy przykładowe koszty wdrożenia modelu LLaMA3 (7B–13B) w chmurze AWS na dzień 20.07.2025:

• Instancja GPU – p4d.24xlarge (A100 40GB VRAM).
• Koszt – 32,77 USD/godz.
• Miesięczny koszt – 23 624,40 USD.

Dla większości firm B2B e-commerce takie wydatki są nie do zaakceptowania.

Alternatywy, jak modele open-source postawione na własnym serwerze, również nie są efektywne, ponieważ wymagałyby przygotowania drogiej i rozbudowanej własnej struktury. Można się czymś takim pobawić z ciekawości, ale nie ma sensu wdrażać w ten sposób bota, który będzie np. obsługiwał klientów.

Jedynym dostępnym dzisiaj dla większości firm rozwiązaniem jest wykorzystanie API dostępnych modeli oraz integracja ich z własną bazą danych typu RAG. Wyizolowanie modelu AI oraz udostępnianie własnych precyzyjnych danych minimalizuje halucynacje i jest przystępne w utrzymaniu, wymaga jednak pracy specjalistów do wdrożenia i skonfigurowania tego typu systemu. W SOHO robimy takie rozwiązania dostarczając m.in. interfejs HITL (Human In The Loop) w celu nadzorowania i doskonalenia pracy modelu AI.

Dowiedz się więcej, jak to zrealizowaliśmy na przykładzie wdrożenia dla Lumila.

3. Różne problemy organizacyjne

Badanie Uncovering the dark side of AI-based decision-making: A case study in a B2B context wskazuje na kilka głównych problemów organizacyjno-biznesowych, jakie pojawiają się podczas wdrażania AI w firmach B2B.

Oto najważniejsze wnioski:

• Oczekiwania wobec AI często nie pokrywają się z rzeczywistością – firmy mają wysokie oczekiwania wobec sztucznej inteligencji, ale wdrożenia rzadko spełniają pierwotne założenia. AI często wymaga ręcznego korygowania wyników, ponieważ modele nie są dostosowane do zmiennych warunków biznesowych. Wiele firm testuje różne rozwiązania AI, ale tylko część projektów przynosi realne korzyści finansowe.
• AI nie zawsze adaptuje się do dynamicznych warunków – modele AI mogą nie uwzględniać zmian w strategii firmy lub nowych danych, co prowadzi do błędnych wyników. Jedno z case study omawia przypadek, w którym modele prognozowały produkcję energii. Nie przewidziały jednak wpływu zmieniających się warunków atmosferycznych. Z tego powodu AI wymaga ciągłego monitorowania i aktualizacji przez ekspertów branżowych.
• Obawy o redukcję zatrudnienia i konieczność przekwalifikowania pracowników – wprowadzenie AI w firmach wywołuje napięcia, gdyż pracownicy obawiają się, że w dłuższej perspektywie ich miejsca pracy zostaną zautomatyzowane. Niektóre firmy przenoszą pracowników do nowych ról, takich jak monitorowanie procesów AI, ale nie wszyscy chcą lub mogą się przekwalifikować.

AI w e-commerce B2B – jakie podejście warto zastosować?

W SOHO podchodzimy do AI w e-commerce B2B praktycznie – korzystamy z API OpenAI, Anthropic, Google i Mistral, ale nie ograniczamy się do prostego korzystania z gotowego modelu.

Jak to dokładnie wygląda? Wykorzystujemy Distillation Models – mniejsze, wydajniejsze modele pracujące w wyizolowanym środowisku, które szybciej działają i kosztują mniej, gdyż zostały dostosowane do konkretnych zadań.

Oprócz tego stosujemy fine-tuning i bazy wektorowe, czyli dopasowujemy AI do naszych procesów. Modele uczą się na bazie naszej firmowej wiedzy, działają w kontrolowanym środowisku, a ważne poprawki są wprowadzane przez nadzorującego proces człowieka HITL.

Firmy B2B rozważające wdrożenie sztucznej inteligencji mają dwie główne opcje – budowę własnego modelu AI lub korzystanie z gotowych API. Omówmy te opcje bliżej:

Kryterium	Własny model AI (np. chmura)	Korzystanie z API (np. OpenAI, Google, Anthropic)
Koszty	Bardzo wysokie – od setek tysięcy do milionów dolarów rocznie	Płacisz tylko za wykorzystane zasoby, niski koszt wejścia
Wdrożenie	Wymaga dużych zasobów, zespołu AI i infrastruktury	Szybkie i proste – wystarczy integracja z API i przygotowanie interfejsu do pracy
Elastyczność	Pełna kontrola, możliwość dostosowania do specyficznych potrzeb	Ograniczona, ale wystarczająca dla większości zastosowań
Skalowalność	Trudna i kosztowna	Skalowanie zależne od potrzeb, bez własnej infrastruktury
Bezpieczeństwo danych	Możliwość pełnej kontroli nad danymi firmowymi	Dane mogą być utrzymywane w chmurowej bazie danych, którą wykorzystuje model AI
Zastosowania	Zaawansowana analiza danych, przetwarzanie wrażliwych informacji	Generowanie treści, proste chatboty, analiza zapytań klientów, odbieranie i parsowanie dokumentów itp.

Kiedy warto rozważyć wdrożenie AI w e-commerce B2B?

Sztuczna inteligencja ma sens wtedy, gdy rozwiązuje konkretny problem biznesowy i może być wdrożona w kontrolowany sposób. 

Badanie Boston Consulting Group z 2024 roku, przeprowadzone wśród 1 000 dyrektorów z ponad 20 sektorów i 59 krajów, pokazuje, że tylko 26% firm potrafi wyjść poza pilotażowe projekty AI i generować wymierną wartość z tej technologii.

Oto najważniejsze kryteria, które powinny być spełnione przed wdrożeniem AI:

1. Masz jasno zdefiniowany problem do rozwiązania

AI nie jest rozwiązaniem szukającym problemu. Powinieneś najpierw zidentyfikować konkretne wyzwanie w swojej firmie, które może zostać zautomatyzowane lub usprawnione przez sztuczną inteligencję.

Przykłady dobrze zdefiniowanych problemów:

• Czas odpowiedzi na zapytania klientów jest zbyt długi.
• Ręczne przetwarzanie dokumentów zajmuje zbyt dużo czasu.
• Analiza danych sprzedażowych wymaga sporego zaangażowania ekspertów.
• Klienci mają problemy ze znalezieniem odpowiednich produktów w katalogu.

2. Posiadasz wysokiej jakości dane

AI jest tylko tak dobre, jak dane, na których pracuje. Jeśli Twoje dane są niekompletne, niespójne lub nieaktualne, wdrożenie AI prawdopodobnie nie przyniesie oczekiwanych rezultatów.

Sprawdź, czy:

• Dane są strukturalne i czyste.
• Masz wystarczającą ilość danych historycznych.
• Dane są regularne aktualizowane.
• Istnieją procesy zapewniające jakość danych.

3. Masz budżet na długoterminowe utrzymanie

Wdrożenie AI to nie jednorazowa inwestycja. System wymaga ciągłego monitorowania, aktualizacji i często ręcznych poprawek. Upewnij się, że masz budżet nie tylko na wdrożenie, ale też na bieżące utrzymanie rozwiązania.

4. Zespół jest gotowy na zmiany

Wprowadzenie AI często wymaga zmian w procesach pracy i może wywoływać opór ze strony pracowników. Upewnij się, że zespół rozumie korzyści płynące z automatyzacji i jest przygotowany na nowe obowiązki.

Wnioski z badania BCG – co charakteryzuje liderów AI?

Zgodnie z raportem Boston Consulting Group, tylko 4% firm osiągnęło zaawansowane możliwości AI we wszystkich funkcjach i konsekwentnie generuje znaczącą wartość. 

Dodatkowe 22% firm to tzw. „liderzy AI”, którzy wdrożyli strategię AI, zbudowali zaawansowane kompetencje i zaczynają odnosić znaczące korzyści.

Liderzy AI osiągają imponujące wyniki:

• 1,5 raza wyższy wzrost przychodów w ciągu ostatnich trzech lat.
• 1,6 raza większe zwroty dla akcjonariuszy.
• 1,4 raza wyższe zwroty z zainwestowanego kapitału.

Raport wskazuje na 6 kluczowych cech liderów AI:

• Skupiają się na kluczowych procesach biznesowych – 62% wartości AI pochodzi z głównych funkcji biznesowych (operacje, sprzedaż, marketing, R&D), a nie tylko z funkcji wspierających.
• Są bardziej ambitni – inwestują dwukrotnie więcej w AI i cyfryzację, przydzielają dwukrotnie więcej personelu i skalują dwukrotnie więcej rozwiązań AI. Nie ma więc cudów dzięki AI. Wszystko wymaga inwestycji.
• Integrują AI zarówno w redukcję kosztów, jak i generowanie przychodów – 45% liderów integruje AI w transformację kosztową (vs 10% innych firm).
• Inwestują strategicznie w kilka priorytetowych możliwości – realizują średnio połowę mniej projektów AI niż konkurenci, ale osiągają dwukrotnie wyższy ROI.
• Skupiają się na ludziach i procesach – stosują zasadę 70-20-10: 70% zasobów na ludzi i procesy, 20% na technologię i dane, 10% na algorytmy.
• Szybko adoptują różne formy AI – od lat korzystają z predykcyjnej AI, dzięki czemu byli w stanie szybciej zaadoptować także generatywną sztuczną inteligencję.

Branże z największą koncentracją liderów AI to:

• fintech (49% firm to liderzy),
• oprogramowanie (46%),
• bankowość (35%).

Te sektory doświadczyły cyfrowej transformacji już 15 lat temu, co dało im przewagę w budowaniu solidnych kompetencji cyfrowych. Jeśli obecnie w Twoim przypadku generatywna sztuczna inteligencja nie pomogłaby za wiele, warto pomyśleć o postawieniu fundamentów pod nią w postaci np. platformy B2B.

Podsumowanie

AI może znacząco usprawnić Twoją firmę, ale tylko wtedy, gdy wdrożysz je z głową. Jeśli chcesz zobaczyć, jak sztuczna inteligencja może działać w Twojej firmie, poznać nasze realizacje z podobnej branży lub ocenić realny zwrot z inwestycji w rozwiązania AI dla e-commerce B2B – umów rozmowę z naszym konsultantem.