41% polskich MŚP zwiększa budżety na AI, a oferty handlowe wycenia z cennika sprzed roku. Przy inflacji producenckiej 6,1% to droższy problem niż czas odpowiedzi

Dlaczego wycena jest dziś droższym procesem niż rok temu

Trzy liczby z ostatnich miesięcy ustawiają kontekst lepiej niż jakakolwiek teza o transformacji. Pierwsza: według GUS ceny produkcji przemysłowej we wrześniu 2026 roku były o 6,1% wyższe niż rok wcześniej. Dla firmy, która wycenia zlecenia na podstawie własnej bazy kosztowej, to nie jest wskaźnik makro — to jest różnica między marżą założoną a marżą zrealizowaną na zleceniu, które zostało wycenione w kwietniu, a będzie produkowane w listopadzie.

Druga: nowe zamówienia w przemyśle w sierpniu 2026 roku były o 4,2% wyższe niż rok wcześniej, ale o 8,2% niższe niż w lipcu, a zamówienia eksportowe spadły o 9,1% w porównaniu z poprzednim miesiącem. Rozkład po branżach jest jeszcze bardziej rozjechany: produkcja maszyn i urządzeń w górę o 24,9% rok do roku, urządzeń elektrycznych o 19,3%, metali o 16,2%, a jednocześnie wyroby tekstylne w dół o 27,5% i pojazdy samochodowe o 10,4%. To jest rynek, na którym miesiąc do miesiąca zmienia się nie tyle poziom popytu, co jego kierunek — i na którym portfel zapytań potrafi w kwartale zmienić strukturę bez żadnego ostrzeżenia.

Trzecia liczba jest po stronie technologii i pokazuje, gdzie dziś stoi rynek. Z Barometru AI przygotowanego przez Ecorys dla EFL na próbie 455 firm z sektora MŚP, które deklarują korzystanie z AI, wynika, że w drugiej połowie 2026 roku 41% z nich planuje zwiększyć nakłady na sztuczną inteligencję — pół roku wcześniej było to 25%. Wzrostu sprzedaży po tych inwestycjach oczekuje 48%, wcześniej 31%. Pieniądze więc są i rosną. Problem jest w tym, na co idą: w poprzedniej edycji tego samego badania tylko 7% firm oceniało swoje przygotowanie do wdrożeń jako wysokie, przy 24% pół roku wcześniej, a 97% deklarowało, że rozwija AI własnymi siłami.

Zestawienie tych trzech rzeczy daje sytuację, którą widzimy w projektach regularnie. Firma ma rosnący budżet na AI, kurczący się margines błędu w cenie i zespół, który eksperymentuje samodzielnie — zwykle wklejając zapytania klientów do czatu i prosząc o „przygotowanie oferty”. To jest najgorszy możliwy punkt startu w tym konkretnym procesie, bo model, poproszony o ofertę, poda cenę. Poda ją pewnym tonem, w prawidłowym formacie i bez żadnego oparcia w Waszej strukturze kosztów. Jak ten mechanizm wygląda w skali firmy i czym się kończy, opisaliśmy w tekście o shadow AI — w wycenach jego koszt jest po prostu łatwiejszy do policzenia niż gdziekolwiek indziej.

Gdzie w ofertowaniu naprawdę ucieka czas i pieniądze

Zanim ustalicie zakres wdrożenia, warto zobaczyć, że w procesie ofertowania są dwa różne problemy, które mylą się ze sobą w każdej rozmowie: czas odpowiedzi i jakość podstawy kosztowej. Pierwszy kosztuje zlecenia, których nie dostaliście. Drugi kosztuje marżę na zleceniach, które dostaliście — i jest groźniejszy, bo nie widać go w żadnym raporcie sprzedaży. Poniższa lista to miejsca, które wychodzą w audytach najczęściej.

• Zapytanie trzeba najpierw rozszyfrować. Przychodzi jako PDF z tabelą, rysunek w DWG, dwa maile z uzupełnieniami i telefon, w którym klient zmienił ilość. Zanim ktokolwiek policzy cokolwiek, ktoś musi z tego zrobić jedną listę pozycji, ilości, tolerancji i terminów. W wielu firmach to połowa czasu całej wyceny.
• Wycenia jedna osoba i tylko ona wie, jak to się liczy. Technolog, kierownik produkcji albo właściciel, który ma w głowie stawki, wydajności i to, że przy tym materiale trzeba doliczyć dwadzieścia procent na odpad. Gdy ta osoba jest na urlopie, firma nie wycenia. Gdy odchodzi, firma traci podstawę kosztową i nikt tego nie zauważa do pierwszego zlecenia poniżej kosztu.
• Baza kosztowa jest nieaktualna i nikt nie wie, od kiedy. Ceny materiałów z poprzedniego cennika, stawka maszynogodziny policzona przy innych kosztach energii, koszt robocizny bez ostatniej podwyżki. Każda z tych pozycji osobno wygląda na szczegół, razem dają błąd, który zjada całą marżę na zleceniu o dłuższym terminie realizacji.
• Nikt nie pamięta, że to już wyceniliście. Ten sam klient, ten sam detal, trzy warianty ilościowe — wycenione osiemnaście miesięcy temu przez kogoś, kto już nie pracuje, w arkuszu, który leży w folderze z nazwą zawierającą datę. Wycena powstaje od zera, czasem z inną ceną niż poprzednio, co klient zauważa szybciej niż Wy.
• Oferta wychodzi i na tym kończy się proces. Nie ma informacji, czy klient ją otworzył, nie ma follow-upu po tygodniu, nie ma zapisanej przyczyny przegranej. W efekcie firma nie zna swojego win rate'u ani per klient, ani per grupa produktowa — a to jest jedyna liczba, która mówi, czy wyceniacie za drogo, za tanio, czy po prostu za późno.
• Warunki handlowe przepisywane za każdym razem. Termin płatności, okres ważności oferty, zastrzeżenie zmiany ceny materiału, warunki dostawy. Kopiowane ze starej oferty razem z błędami i razem z terminem ważności, który minął w zeszłym kwartale.

Czego AI w wycenach nie zrobi

Granicę stawiamy na początku, bo w tym obszarze najłatwiej sprzedać coś, czego nie da się dowieźć, a koszt pomyłki jest natychmiastowy i wyrażony w złotówkach na konkretnym zleceniu.

Model nie ustali ceny i nie weźmie marży. Cena to decyzja o tym, ile firma chce zarobić na tym kliencie, przy tym obłożeniu, przy tej konkurencji i przy tym ryzyku. Zależy od rzeczy, których w danych nie ma: od tego, czy maszyna i tak stoi w lutym, czy ten klient płaci na czas, czy to pierwsze zlecenie z serii i czy warto wejść niżej, żeby wejść w ogóle. Model może pokazać koszt, przedział historyczny i marżę zrealizowaną na podobnych zleceniach. Liczbę w ofercie wpisuje człowiek.

Model nie potwierdzi wykonalności technicznej. Czy jesteście w stanie utrzymać tolerancję, czy ten materiał da się obrobić na Waszym parku maszynowym, czy termin jest realny przy obecnym obłożeniu — to oceny inżynierskie. Model może wyłapać rozbieżność między wymaganiem z zapytania a Waszą typową specyfikacją i to jest realnie wartościowe, ale jako alarm do sprawdzenia, nie jako orzeczenie.

Model nie powinien liczyć kalkulacji. To jest punkt, który odróżnia wdrożenie sensowne od demonstracyjnego i wracamy do niego w osobnej sekcji niżej. Arytmetyka należy do reguł, arkusza albo kodu — czyli do czegoś, co przy tych samych danych zawsze da ten sam wynik i co można odtworzyć w audycie. Model językowy jest dobry w czytaniu, dopasowywaniu i pisaniu, nie w byciu kalkulatorem, któremu powierzacie marżę.

Model nie wyśle oferty samodzielnie. Wycena wysłana do klienta jest oświadczeniem handlowym, a przy określeniu istotnych postanowień umowy — ofertą w rozumieniu Kodeksu cywilnego. Narzędzie, które samo wysyła ceny, generuje zobowiązania wobec podmiotów zewnętrznych bez żadnego punktu kontrolnego. Różnicę między automatyzacją z regułami a agentem podejmującym decyzje rozpisaliśmy w tekście o agencie AI kontra automatyzacji; w ofertowaniu ta różnica ma cenę równą wartości zlecenia.

Warstwa pierwsza: zapytanie zamienione w kartę wymagań

Pierwszy krok jest najmniej efektowny i najszybciej się zwraca. Zadanie: z wszystkiego, co przyszło od klienta — maila, PDF-a, tabeli, skanu, korespondencji uzupełniającej — zrobić jedną ustrukturyzowaną kartę: pozycje, ilości, warianty ilościowe, materiał i jego specyfikacja, tolerancje i wymagania jakościowe, oczekiwany termin, miejsce i warunki dostawy, wymagane dokumenty i certyfikaty, termin odpowiedzi.

Tu model jest nie do zastąpienia, bo wejście jest nieustrukturyzowane i za każdym razem inne. To ta sama klasa zadania, którą opisywaliśmy przy analizie SWZ w przetargach, z jedną różnicą, która upraszcza sprawę: zapytanie handlowe jest krótsze i nie ma rygorów formalnych postępowania. I z jedną, która ją komplikuje: bywa niekompletne, bo klient sam nie wie wszystkiego, co powinien podać.

Z tej drugiej właściwości wynika najbardziej niedoceniana funkcja całej warstwy: lista braków. Nie to, co w zapytaniu jest, ale czego w nim nie ma, a jest potrzebne do wyceny. Jeśli narzędzie potrafi w dwie minuty po wpłynięciu zapytania wygenerować pięć pytań do klienta, firma wysyła je tego samego dnia zamiast po czterech dniach, gdy ktoś wreszcie zasiądzie do liczenia. To skraca cały cykl bardziej niż jakiekolwiek przyspieszenie samej kalkulacji — bo w większości wycen czas nie schodzi na liczeniu, tylko na czekaniu na odpowiedź.

Jedna zasada techniczna jest tu nienegocjowalna, taka sama jak w analizie umów i ofert zakupowych: każda wartość w karcie musi mieć przy sobie źródło — plik, stronę, zdanie. Wymaganie wyciągnięte bez cytatu trzeba sprawdzić w całości, czyli wykonać pracę dwa razy. Z cytatem weryfikacja pozycji zajmuje kilka sekund. Tę samą regułę stosowaliśmy przy przeglądzie umów od kontrahentów i po drugiej stronie rynku, przy ofertach od dostawców.

Warstwa druga: historia wycen, czyli najbardziej zmarnowany zasób w firmie

Jeżeli firma ofertuje od dziesięciu lat, ma kilka tysięcy wycen. Leżą w arkuszach, PDF-ach i mailach, nazwane datą i nazwiskiem klienta, i są praktycznie bezużyteczne, bo nie da się ich przeszukać inaczej niż po nazwie pliku. To jest najdroższy zaniedbany zasób w całym procesie — zbiór informacji o tym, jak Wasza firma liczy, co wygrywa i za ile.

Zadanie dla modelu jest tu proste i bardzo opłacalne: przeczytać ten zbiór i zrobić z niego indeks. Dla każdej wyceny: klient, pozycja, materiał, ilość, cena jednostkowa, data, wynik i — jeśli gdziekolwiek jest zapisany — powód przegranej. Potem dla nowego zapytania znaleźć pięć najbardziej podobnych przypadków z przeszłości i pokazać je obok siebie: co wtedy policzyliśmy, co klient zrobił z tą ofertą i jak od tamtej pory zmieniły się ceny wejściowe.

To zmienia pozycję osoby wyceniającej bardziej niż jakakolwiek automatyzacja liczenia. Zamiast odtwarzać kalkulację od zera, dostaje punkt odniesienia i jedno konkretne pytanie: dlaczego teraz miałoby być inaczej. Przy stabilnym portfelu produktowym w naszych projektach właśnie ta warstwa daje największą redukcję czasu wyceny, bo większość zapytań w firmie produkcyjnej nie jest nowa — jest podobna do czegoś, co już przez tę firmę przeszło.

Jest tu jednak pułapka, przed którą trzeba ostrzec wprost, bo brzmi jak zaleta. Historia wycen zawiera Wasze błędy: ceny zbyt niskie, policzone w pośpiechu, oparte na kosztach, których już nie ma. Narzędzie, które podpowiada cenę jako średnią z przeszłości, utrwala te błędy i nazywa je rekomendacją. Dlatego pokazujemy przypadki podobne, a nie wyliczoną sugestię ceny — i zawsze z datą oraz informacją o wyniku. Różnica między „podobne zlecenia kosztowały od 42 do 61 zł za sztukę, trzy wygrane, dwie przegrane” a „sugerowana cena: 48 zł” jest różnicą między narzędziem analitycznym a generatorem fałszywej pewności.

Warstwa trzecia: kalkulacja — i dlaczego model nie może liczyć

To najważniejsza sekcja tego tekstu, bo tu psuje się większość wdrożeń, które wyglądały dobrze na demie. Model językowy zapytany o koszt poda liczbę. Ta liczba będzie w odpowiednim rzędzie wielkości, będzie prawidłowo sformatowana i w znacznej części przypadków będzie błędna w sposób, którego nie da się wykryć gołym okiem — bo nie powstała z przeliczenia Waszych stawek, tylko z dopasowania do wzorca.

Dlatego kalkulacja musi być deterministyczna. Mówiąc prościej: arkusz, reguły albo kod, w którym stawka maszynogodziny, cena materiału, wydajność, narzut na odpad, koszt przezbrojenia i narzut ogólny są zapisane jako parametry z datą obowiązywania. Przy tych samych danych wejściowych wynik jest zawsze taki sam i zawsze da się pokazać, skąd się wziął. To nie jest archaiczne podejście, to jest warunek audytowalności oferty — i jedyny sposób, żeby po pół roku odpowiedzieć na pytanie, dlaczego to zlecenie wyszło poniżej założonej marży.

Co wtedy robi model? Trzy rzeczy, w których jest lepszy od człowieka i od reguł. Dopasowuje pozycję z zapytania do pozycji w Waszym cenniku lub technologii, kiedy nazwy się nie zgadzają — a nie zgadzają się prawie nigdy. Przelicza i normalizuje jednostki, kiedy klient podaje metry, a Wasza technologia liczy w kilogramach, albo kiedy zapytanie jest w sztukach, a cennik w opakowaniach zbiorczych. I wyłapuje odstępstwa: pozycję bez ceny w bazie, ilość o rząd wielkości wyższą od typowej, materiał, którego nie kupowaliście od dwóch lat, tolerancję ciaśniejszą niż w Waszej standardowej technologii.

Druga rzecz, którą trzeba zbudować razem z kalkulacją, to data ważności parametrów. Każda stawka i każda cena materiału powinna mieć zapisane, kiedy była ostatnio potwierdzona. Wtedy wycena oparta na cenie materiału starszej niż, powiedzmy, trzydzieści dni, wychodzi z ostrzeżeniem, a nie po cichu. Przy inflacji producenckiej na poziomie 6,1% rok do roku to pojedyncze ostrzeżenie jest warte więcej niż cała reszta automatyzacji — i jest tanie, bo to jedna kolumna w bazie i jedna reguła.

Jeśli Wasze ceny zakupowe są zmienne, warto połączyć tę warstwę z danymi z faktur zakupowych, które od wejścia KSeF są ustrukturyzowane i dostępne w jednym schemacie. Co z nich jeszcze wyciągnąć, rozpisaliśmy w tekście o danych z KSeF. W kontekście wyceny chodzi o jedną konkretną rzecz: podstawa kosztowa przestaje być arkuszem aktualizowanym, gdy ktoś sobie przypomni, a staje się ceną, którą naprawdę zapłaciliście w ostatnim kwartale.

Warstwa czwarta: dokument oferty i to, co dzieje się po wysłaniu

Złożenie dokumentu jest najprostszą częścią całego procesu i jednocześnie tą, która zabiera technologowi najwięcej czasu bez żadnej wartości dodanej. Jeśli kalkulacja jest deterministyczna, a dane klienta są w CRM, wygenerowanie oferty w jednym firmowym szablonie — z pozycjami, wariantami ilościowymi, terminem realizacji, warunkami płatności, okresem ważności i wymaganymi zastrzeżeniami — jest zadaniem na sekundy, a nie na godzinę formatowania.

Dwie rzeczy warto tu zrobić inaczej, niż wychodzi domyślnie. Pierwsza: oferta powinna wychodzić w wariantach ilościowych, nawet gdy klient zapytał o jedną ilość. Próg, przy którym cena jednostkowa spada, jest informacją handlową, która czasem zmienia zamówienie, a jej dodanie nic nie kosztuje, bo kalkulacja i tak jest parametryczna. Druga: treść opisowa oferty powinna pochodzić z zatwierdzonych bloków, nie z generowania za każdym razem od nowa. Opis technologii, zakresu odpowiedzialności i warunków to miejsce, w którym swobodnie piszący model potrafi obiecać klientowi coś, czego nie chcecie obiecać — i co potem jest częścią oferty.

Po wysłaniu zaczyna się część, którą prawie wszyscy pomijają, a która w rachunku ekonomicznym bywa najcenniejsza. Rejestr: data wysłania, wartość, wariant, status, data decyzji, przyczyna przegranej z krótkiej zamkniętej listy — cena, termin, zakres, brak odpowiedzi, klient wybrał innego dostawcę, zlecenie nie doszło do skutku. Do tego follow-up po ustalonym czasie, przygotowany automatycznie i wysyłany przez człowieka. Mechanika follow-upów i powód, dla którego automatyczna wysyłka jest tu najgorszym pierwszym krokiem, jest opisana w tekście o sprzedaży B2B.

Sens tego rejestru jest prosty: po kwartale firma wie, jaki ma win rate per klient, per grupa produktowa i per przedział wartości. Dopóki tych liczb nie ma, każda rozmowa o cenach jest rozmową o przekonaniach — zwykle dwóch sprzecznych, z których jedna mówi, że jesteśmy za drodzy, a druga, że oddajemy marżę. Z rejestrem po trzech miesiącach widać, która z nich jest prawdziwa i w którym segmencie. To jest też pierwsza rzecz, która pozwala sensownie ustawić prognozowanie popytu, bo portfel zapytań wyprzedza portfel zamówień o tyle, ile trwa Wasz cykl decyzyjny u klienta.

Strona prawna: wycena, która wiąże

Nie jesteśmy kancelarią i konkretne zapisy warto skonsultować z prawnikiem, ale dwie rzeczy trzeba znać przed uruchomieniem czegokolwiek, bo przesądzają o architekturze rozwiązania.

Pierwsza: oświadczenie woli zawarcia umowy, które określa istotne postanowienia tej umowy, jest ofertą w rozumieniu art. 66 Kodeksu cywilnego. Dokument z pozycją, ilością, ceną i terminem zwykle te warunki spełnia. To znaczy, że wysłana wycena nie jest materiałem informacyjnym, a propozycją, której przyjęcie przez klienta tworzy umowę. Dlatego okres ważności oferty, zastrzeżenia dotyczące zmiany ceny materiału i warunki, pod jakimi oferta pozostaje aktualna, nie są ozdobnikiem w stopce — są mechanizmem ograniczającym ryzyko, który powinien być w szablonie, a nie dopisywany ręcznie, gdy ktoś pamięta.

Druga: za błąd w cenie odpowiada firma, nie dostawca narzędzia. Jeśli oferta wyszła z ceną o rząd wielkości za niską i klient ją przyjął, argument o wadliwym modelu nie jest argumentem wobec klienta. To ta sama logika, którą rozpisaliśmy w tekście o odpowiedzialności za AI jako produkt, tylko w prostszej postaci: narzędzie jest wewnętrzne, a skutek zewnętrzny i pieniężny.

Praktyczny wniosek z obu punktów jest jeden i jest tani do wdrożenia: twarde limity w systemie. Oferta powyżej określonej kwoty wymaga akceptacji drugiej osoby. Marża poniżej progu blokuje wysyłkę. Cena jednostkowa odbiegająca od historycznej o więcej niż ustalony procent wymaga pisemnego uzasadnienia w polu, które zostaje w rejestrze. Te trzy reguły nie wymagają AI, wymagają decyzji — i są jedyną rzeczą, która odróżnia przyspieszony proces od przyspieszonej możliwości popełnienia kosztownego błędu.

Dane: co trzeba uporządkować, zanim to zadziała

Ta warstwa decyduje o powodzeniu projektu i nie da się jej przeskoczyć, ale jest mniejsza, niż się zwykle zakłada. Nie potrzebujecie uporządkowanej całości — potrzebujecie uporządkowanych pięciu rzeczy.

• Lista parametrów kosztowych z datą obowiązywania. Stawki maszynogodzin, koszt robocizny, narzuty, ceny materiałów podstawowych. Każda pozycja z datą ostatniego potwierdzenia. To jest fundament i bez niego reszta jest dekoracją.
• Jedno miejsce z aktualnymi cenami zakupowymi. Źródłem mogą być faktury z KSeF, cenniki od dostawców albo oba, ale musi być jedno miejsce, o którym wiadomo, że jest aktualne.
• Spójne jednostki i przeliczniki. Jeżeli ten sam materiał występuje w metrach, kilogramach i sztukach bez przelicznika, żadne porównanie wycen w czasie nie jest możliwe, a model będzie zgadywał.
• Historia wycen w jednym katalogu, choćby nieuporządkowanym. Pliki wystarczą — model je przeczyta i zindeksuje. Czego nie zrobi, to nie odgadnie wyniku, jeśli nigdzie nie jest zapisany, więc warto przy okazji odtworzyć wyniki przynajmniej dla ostatnich dwunastu miesięcy.
• Kartoteka klientów bez duplikatów, z NIP-em jako kluczem. Bez tego win rate per klient jest nieliczalny, a to jedna z dwóch liczb, dla których warto robić cały ten projekt.

Rachunek: co policzyć przed startem

Rachunek w tym procesie jest wyjątkowo prosty i ma dwa składniki, które warto liczyć osobno, bo mają różną wiarygodność. Pierwszy jest pewny, drugi jest większy.

Składnik pewny to czas. Policzcie, ile wycen robicie w miesiącu i ile godzin zajmuje średnia z nich — licząc od wpłynięcia zapytania do wysłania oferty, a więc razem z rozszyfrowywaniem załączników, szukaniem cen i formatowaniem dokumentu. Pomnóżcie przez pełny koszt godziny osoby, która to robi, pamiętając, że zwykle jest to jedna z droższych osób w firmie, bo musi rozumieć technologię. W firmach, z którymi pracowaliśmy, warstwy pierwsza, druga i czwarta razem zdejmują zwykle od 40 do 60% tego czasu. Warstwa trzecia nie zdejmuje prawie nic — ona zmienia jakość wyniku, nie tempo.

Składnik większy i mniej pewny to marża. Potrzebujecie dwóch liczb: ile zleceń z ostatnich dwunastu miesięcy zrealizowaliście poniżej założonej marży i jaka była łączna różnica. Jeśli nie umiecie tego policzyć, to jest Wasz pierwszy wynik projektu, a nie przeszkoda w jego rozpoczęciu. Jeśli umiecie — porównajcie tę kwotę z kosztem uporządkowania bazy kosztowej. W większości przypadków, które widzieliśmy, pierwsza liczba jest wielokrotnie wyższa.

Trzecia rzecz, której policzyć się nie da, ale warto o niej zdecydować przed startem: punkt odniesienia. Zapiszcie dziś średni czas odpowiedzi na zapytanie i, jeśli to możliwe, win rate z ostatniego kwartału. Bez tego po pół roku nie będzie sposobu rozstrzygnąć, czy projekt się opłacił, i jak w każdym takim przypadku zwycięży opowieść, a nie pomiar. Jak czytać wycenę samego wdrożenia i gdzie w takich budżetach znikają pieniądze, rozpisaliśmy w tekście o koszcie wdrożenia AI.

Wdrożenie w cztery tygodnie

Kolejność poniżej jest ułożona tak, żeby po każdym tygodniu było coś, z czego da się korzystać, nawet gdyby projekt stanął. W ofertowaniu jest to szczególnie istotne, bo osoba wyceniająca ma zwykle najmniej czasu w całej firmie i nie poczeka na gotowy system.

1. Tydzień pierwszy: karta wymagań i lista braków. Ekstrakcja z zapytań, które przyszły w ostatnim miesiącu, z obowiązkowym cytatem przy każdej wartości. Efekt mierzalny od razu: pytania do klienta wychodzą tego samego dnia, a nie po czterech.
2. Tydzień drugi: parametry kosztowe w jednym miejscu, z datą obowiązywania. To praca organizacyjna, nie techniczna, i zwykle wychodzi przy niej pierwsza nieprzyjemna informacja — ile pozycji nie było potwierdzonych od ponad pół roku.
3. Tydzień trzeci: indeks historii wycen i widok pięciu podobnych przypadków. Przetestujcie go na zapytaniach, których wynik już znacie, i porównajcie z tym, co wtedy policzył człowiek. To najtańszy test, jaki możecie zrobić, i jedyny, który naprawdę coś mówi — więcej o metodzie w tekście o testowaniu wdrożeń AI.
4. Tydzień czwarty: szablon oferty z wariantami ilościowymi i rejestr wyników. Plus trzy limity: progi akceptacji, blokada marży i ostrzeżenie o nieaktualnej cenie materiału. Wysyłka pozostaje w rękach człowieka.
5. Po czwartym tygodniu, nie wcześniej: decyzja o tym, czy budować dalej. Kryterium nie jest wrażenie z narzędzia, a dwie liczby — o ile skrócił się czas odpowiedzi i ile ofert zostało zablokowanych przez limity, bo obie mówią o czymś, co wcześniej działo się niezauważone.

Cztery sygnały, że poszło w złą stronę

Projekty ofertowania psują się przewidywalnie i prawie zawsze widać to w pierwszym miesiącu. Oto objawy, które traktujemy jako powód do zatrzymania się i przebudowy, a nie do dalszego rozwijania.

• Model podaje cenę. Jeżeli w interfejsie jest pole „sugerowana cena” wypełniane przez model, projekt poszedł w złą stronę niezależnie od tego, jak dobrze wygląda. Powinien być przedział historyczny, koszt z kalkulacji i decyzja człowieka.
• Kalkulacji nie da się odtworzyć. Test jest jednozdaniowy: weźcie ofertę z poprzedniego tygodnia i poproście o pokazanie, z jakich parametrów powstała jej cena. Jeśli nikt nie umie tego zrobić w pięć minut, nie macie systemu wycen, macie generator dokumentów.
• Oferta wychodzi bez przejścia przez człowieka. Nawet przy małych kwotach i nawet gdy „to tylko potwierdzenie cennika”. Wyjątki w tym miejscu zawsze rozszerzają się same.
• Osoba wyceniająca przestała z tego korzystać i nikt tego nie zauważył. W tym procesie użytkownik jest zwykle jeden albo dwóch, więc adopcja jest zero-jedynkowa i nie da się jej uśrednić w statystyce. Dlaczego narzędzia przestają być używane po trzech tygodniach, rozpisaliśmy w tekście o zespole, który nie używa AI.

Dlaczego budżety rosną szybciej niż gotowość

Wróćmy na koniec do rozbieżności z Barometru AI, bo dobrze wyjaśnia, dlaczego ten konkretny proces warto brać jako jeden z pierwszych. Z jednej strony 41% MŚP zwiększa nakłady na AI i 48% oczekuje po nich wzrostu sprzedaży. Z drugiej — 7% ocenia swoje przygotowanie jako wysokie, a 97% rozwija AI własnymi siłami, przy czym z zewnętrznych ekspertów korzysta 80% firm średnich, 33% małych i 11% mikro.

To nie jest obraz rynku zacofanego, to obraz rynku, który uczy się samodzielnie i dlatego wybiera projekty po tym, co łatwo pokazać, a nie po tym, co da się zmierzyć. Ofertowanie jest w tym zestawie wyjątkiem i stąd nasza rekomendacja: to jeden z niewielu procesów, w którym efekt widać w dwóch liczbach, które firma i tak zna — czasie odpowiedzi i marży zrealizowanej. Nie trzeba się spierać o to, czy wdrożenie się udało.

Jest też powód, dla którego warto tu działać ostrożnie, i jest symetryczny do tego z artykułu o zakupach. Tam przez dział zakupów przechodzi większość wydatków firmy, więc błąd automatyzacji kosztuje najwięcej. Tu przez wyceny przechodzi cały przychód. Przyspieszenie procesu, w którym powstają zobowiązania cenowe, bez równoczesnego wprowadzenia limitów i audytowalnej kalkulacji, to nie wdrożenie AI — to zwiększenie przepustowości ryzyka.

Od czego zacząć

Najtańszy pierwszy krok nie wymaga narzędzia ani budżetu i zajmuje jedno popołudnie. Weźcie dziesięć ostatnich wysłanych ofert i odpowiedzcie na trzy pytania. Ile dni minęło od wpłynięcia zapytania do wysłania każdej z nich? Czy przy każdej potraficie dziś pokazać, z jakich stawek i cen materiału powstała jej cena, i kiedy te wartości były ostatnio potwierdzone? Czy wiecie, co klient z każdą z nich zrobił, i jeśli odrzucił, to dlaczego? Jeżeli przy którymkolwiek pytaniu pojawia się „nie wiem”, macie wyznaczony zakres pierwszego wdrożenia i nie potrzebujecie do tego nikogo z zewnątrz.

Tak prowadzimy takie projekty: najpierw audyt tego, gdzie w Waszym ofertowaniu realnie uciekają godziny i marża, potem karta wymagań i uporządkowana baza kosztowa, a dopiero na końcu indeks historii wycen i generowanie dokumentu. Zakres konsultingu i wdrożeń AI opisaliśmy osobno, stawki znajdziecie w cenniku, a jeśli chcecie sprawdzić, które z tych czterech warstw mają sens przy Waszej liczbie zapytań miesięcznie — umówcie bezpłatną konsultację.