Nie brukujmy ścieżek wydeptanych przez krowy — dlaczego analiza i optymalizacja procesów powinny poprzedzać wdrażanie AI

W dzisiejszych czasach trudno znaleźć zarząd, który nie zadaje sobie pytania: „jaka jest nasza strategia AI?”. Presja, by działać, jest realna, a FOMO — silne: konkurenci ogłaszają pilotaże i trafiają na pierwsze strony gazet dzięki AI, dostawcy obiecują transformację, a nikt nie chce być firmą, która przegapiła tę falę. Pod taką presją wyłania się znany schemat — organizacje traktują wdrożenie AI jako projekt sam w sobie: najpierw wybierają narzędzie, a dopiero potem szukają dla niego zastosowania.

Dowody — z ekonomii, badań nad systemami informatycznymi i coraz liczniejszych analiz nieudanych inicjatyw AI — wskazują na coś przeciwnego. Wartość ze sztucznej inteligencji czerpią nie te organizacje, które wdrażają ją najszybciej, lecz te, które przygotowują dla niej grunt: przemyśliwują na nowo sposób prowadzenia działalności oraz mapują, analizują i optymalizują procesy biznesowe, zanim choć jeden model trafi do środowiska produkcyjnego. Maksyma często przypisywana Billowi Gatesowi ujmuje tę logikę: „(...) automatyzacja wydajnych operacji zwiększa ich wydajność, a automatyzacja nieefektywnych operacji potęguje ich nieefektywność”. Przypisanie tych słów Gatesowi może być legendą; mechanizm — jak zobaczymy — jest dobrze udokumentowany.

W tym artykule — popartym konkretnymi dowodami — uzasadniamy kolejność działań, której od zawsze trzymają się zdyscyplinowani menedżerowie operacyjni: najpierw analizuj, potem optymalizuj, a na końcu automatyzuj.

 

Niewygodna arytmetyka AI w przedsiębiorstwach

Zacznijmy od rezultatów. Badanie RAND Corporation z 2024 roku, oparte na wywiadach z doświadczonymi specjalistami ds. danych i inżynierami, wykazało, że niepowodzeniem kończy się ponad 80% projektów AI — mniej więcej dwa razy więcej niż projektów IT niezwiązanych z AI [1]. Rok później Project NANDA z MIT przedstawił jeszcze bardziej niepokojący obraz epoki generatywnej AI: pomimo inwestycji przedsiębiorstw sięgających dziesiątek miliardów dolarów około 95% pilotaży GenAI nie przynosiło mierzalnego wpływu na rachunek zysków i strat, a tylko około 5% niestandardowych narzędzi dla przedsiębiorstw trafiało do produkcji na dużą skalę [2].

Wyniki ankiet przedstawiają tę samą sytuację z innej perspektywy. S&P Global Market Intelligence ustalił, że odsetek firm porzucających większość swoich inicjatyw AI wzrósł w 2025 roku do 42%, wobec 17% rok wcześniej, a średnio 46% projektów proof of concept odrzucano, zanim trafiły do środowiska produkcyjnego [3]. Gartner przewidział takie przesilenie, prognozując, że do końca 2025 roku co najmniej 30% projektów generatywnej AI zostanie porzuconych po etapie proof of concept [4]. Nie jest to zjawisko charakterystyczne wyłącznie dla generatywnej AI: już w 2019 roku, zanim powstał ChatGPT, globalne badanie MIT Sloan Management Review i Boston Consulting Group wykazało, że siedem na dziesięć firm odnotowało dotąd niewielki wpływ inwestycji w AI albo nie odnotowało go wcale [5].

Najważniejszy wniosek nie dotyczy jednak skali niepowodzeń, lecz ich przyczyn. Gdy badacze RAND sklasyfikowali podstawowe przyczyny, najczęściej wskazywane miały niewiele wspólnego z algorytmami: brak porozumienia między liderami biznesowymi a zespołami technicznymi co do problemu, który AI miała rozwiązać; brak danych niezbędnych do trenowania odpowiednich modeli; skupienie na wykorzystaniu najnowszych technologii zamiast na rozwiązywaniu rzeczywistych problemów użytkowników; a także niewystarczająca infrastruktura i zarządzanie danymi [1]. Raport MIT uzupełnia ten obraz: pilotaże zawodzą, ponieważ narzędzia nie pasują do rzeczywistych przepływów pracy i nie uczą się na podstawie kontekstu wykonywanych zadań — powstaje „luka w uczeniu się”, której źródłem są operacje, a nie jakość modeli [2].

Innymi słowy: AI w przedsiębiorstwach najczęściej zawodzi z powodu niewłaściwego wyboru problemu, danych i integracji z procesami. Właśnie tym zagadnieniom służy analiza procesów.

 

Ten film już widzieliśmy

Nie powinno to dziwić nikogo, kto pamięta ostatnią falę technologii ogólnego zastosowania, która przetoczyła się przez przedsiębiorstwa. W 1990 roku, po dekadzie intensywnych inwestycji firm w IT, które przyniosły rozczarowujące wyniki w zakresie produktywności, Michael Hammer zdiagnozował przyczynę w jednym z najbardziej wpływowych artykułów o zarządzaniu, jakie kiedykolwiek opublikowano: firmy wykorzystywały technologię do mechanizacji starych sposobów prowadzenia działalności, pozostawiając nieefektywne procesy bez zmian i pozwalając komputerom je przyspieszać. „Czas przestać brukować ścieżki wydeptane przez krowy” — napisał. Zamiast utrwalać przestarzałe procesy w krzemie i oprogramowaniu, organizacje powinny najpierw przeprojektować samą pracę [6].

Ekonomiści następnie ujęli liczbowo to, co Hammer intuicyjnie dostrzegł. Analizując dane dotyczące firm z lat 90., Erik Brynjolfsson i Lorin Hitt wykazali, że zwrot z inwestycji w IT był bardzo nierównomierny, a różnicę wyjaśniały komplementarne inwestycje organizacyjne: firmy, które przeprojektowywały procesy, decentralizowały podejmowanie decyzji i inwestowały w kompetencje, osiągały znaczny wzrost produktywności dzięki tej samej technologii, która niewiele dawała firmom ograniczającym się do jej zainstalowania [7]. Dwie dekady później ta sama tradycja badawcza ujęła to zjawisko w koncepcję „krzywej J produktywności”: technologie ogólnego zastosowania — elektryczność, komputery, a obecnie AI — przynoszą korzyści dopiero z opóźnieniem, ponieważ firmy muszą najpierw zbudować niematerialne zasoby uzupełniające, takie jak nowe procesy i kompetencje, oraz przeorganizować przepływy pracy. Pominięcie tych elementów sprawia, że technologia nie spełnia oczekiwań przez nieograniczony czas [8].

AI to dalszy ciąg tego filmu, z większymi budżetami i szybszymi cyklami medialnego szumu. Technologia się zmieniła, ale ekonomika komplementarności — nie.

Dlatego Mourinho Solutions jest właściwym partnerem, który pomoże Ci zwiększyć efektywność Twojej organizacji i zmaksymalizować zwrot z inwestycji w AI. Uważamy, że biznes powinien być na pierwszym miejscu — technologia (w tym AI) powinna przyjść później. Przemawia za tym 5 dobrych powodów.

 

Powód 1: Automatyzacja potęguje wszystko, czego dotknie

Algorytm wdrożony w procesie przejmuje jego logikę — wraz z jego patologiami. To pierwotne ostrzeżenie Hammera dotyczące IT [6], a społeczność badawcza wysunęła dokładnie tę samą przestrogę podczas boomu na robotyczną automatyzację procesów (RPA) pod koniec lat 2010. Roboty RPA odtwarzają sposób, w jaki praca jest wykonywana obecnie — klikają te same ekrany i postępują według tych samych reguł — dlatego automatyzacja bez uprzedniej analizy procesu grozi zalaniem nieefektywności cyfrowym betonem: zły proces staje się szybszy, sztywniejszy i trudniejszy do zmiany [9]. Systematyczny przegląd literatury dotyczącej RPA wskazał również dobór i przydatność procesów — opartych na regułach, ustandaryzowanych i dojrzałych — jako jeden z głównych czynników sukcesu, a niewłaściwy wybór procesów jako powracającą przyczynę niepowodzeń inicjatyw [10].

Ta lekcja odnosi się bezpośrednio do AI, a stawka jest tu prawdopodobnie jeszcze wyższa. Model językowy tworzący odpowiedzi w ramach wadliwego łańcucha akceptacji tylko szybciej zapełnia kolejkę wąskiego gardła. Model ML prognozujący popyt na potrzeby procesu planowania, którego nikt nie przestrzega, generuje prognozy, z których nikt nie korzysta. Automatyzacja ma właśnie potęgować efekty — dlatego najpierw należy dokładnie przyjrzeć się temu, co ma zostać wzmocnione.

 

Powód 2: Jakość danych jest rezultatem procesów — i jest gorsza, niż myślisz

Każdy system AI opiera się na danych, a dane są rezultatem procesów: powstają, są wprowadzane, przekształcane i przekazywane dalej w ramach codziennych operacji firmy. Ich stan daje do myślenia. W badaniu, w którym menedżerowie oceniali próbki własnych danych organizacyjnych, zaledwie 3% danych firm spełniało podstawowe standardy jakości, a niemal połowa nowo utworzonych rekordów zawierała co najmniej jeden istotny błąd wpływający na pracę [11]. Rozmówcy RAND uznali brak odpowiednich, użytecznych danych za jedną z głównych przyczyn niepowodzeń projektów AI i zauważyli, że organizacje chronicznie nie doceniają nakładu pracy potrzebnego na przygotowanie danych [1].

Konsekwencje zignorowania tego problemu są dobrze znane praktykom. Badanie osób pracujących nad AI w obszarach wysokiego ryzyka wykazało, że 92% z nich doświadczyło „kaskad błędów danych” — narastających awarii na dalszych etapach, wywołanych problemami z jakością danych na wcześniejszych etapach, które zwykle pozostają niewidoczne, aż ujawnią się w postaci wadliwych modeli i porzuconych wdrożeń [12]. Już sam tytuł badania trafnie diagnozuje problem z kolejnością działań w branży: „Wszyscy chcą pracować nad modelem, a nie nad danymi”.

Oto strategiczny wniosek: nie da się poprawić jakości danych podczas jednorazowego sprintu porządkowania danych, ponieważ złe dane są nieustannie odtwarzane przez procesy, które je generują. Analiza procesów pokazuje, gdzie dane powstają, są powielane, ponownie wprowadzane i zniekształcane; optymalizacja procesów usuwa źródło problemu. Organizacja, która najpierw optymalizuje swoje procesy, jednocześnie — choć niepostrzeżenie — buduje fundament danych, na którym oprze się jej przyszła AI.

 

Powód 3: Bez przejrzystości procesów wybierzesz niewłaściwe zastosowania

Decyzja o tym, gdzie sprawdzi się AI, jest decyzją dotyczącą całego portfela inicjatyw. Nie da się jej podjąć rozsądnie bez wiedzy o rzeczywistym przebiegu pracy. Davenport i Ronanki [13], analizując 152 projekty wykorzystujące technologie kognitywne, stwierdzili, że ambitne wdrożenia typu „misja na Księżyc” regularnie rozczarowywały, podczas gdy skuteczni użytkownicy stosowali podejście stopniowe: analizowali proces zadanie po zadaniu i dopasowywali konkretne możliwości AI do konkretnych wąskich gardeł w konkretnych przepływach pracy.

Taką widoczność na poziomie zadań zapewnia dyscyplina zarządzania procesami biznesowymi (BPM), stanowiąca jedną z naszych kluczowych kompetencji. Standardowy cykl życia BPM obejmuje identyfikację, odkrywanie i analizę procesów oraz ich przeprojektowanie przed wdrożeniem i automatyzacją. To kolejność wypracowana przez dekady praktyki, w której automatyzacja niezbadanych procesów jest błędem kategorialnym [14]. Współczesne eksplorowanie procesów jeszcze bardziej wzmacnia to podejście: odtwarzając procesy na podstawie dzienników zdarzeń z istniejących systemów IT, zastępuje mapy procesów oparte na opiniach dowodami — ujawnia rzeczywistą liczbę wariantów procesów, pętle poprawek, odchylenia i wąskie gardła, których same wywiady nigdy nie pokażą [15]. To w istocie zdjęcie rentgenowskie wykonane przed operacją — i często okazuje się, że proces opisywany przez kadrę kierowniczą różni się od tego, który organizacja rzeczywiście realizuje.

Klasyczne przykłady udanej automatyzacji opierały się właśnie na takiej dyscyplinie doboru. W Telefónica O2, gdzie wdrożono jeden z pierwszych i najczęściej przytaczanych programów RPA — który ostatecznie przyniósł zwrot z inwestycji liczony w setkach procent — cele automatyzacji wybierano świadomie: były to procesy o dużym wolumenie, ustandaryzowane i oparte na regułach, które ustabilizowano przed zastosowaniem robotów programowych [16]. Sukces zaprojektowano już na etapie wyboru, a nie dzięki samemu oprogramowaniu.

 

Powód 4: Czasem najlepszy „projekt AI” polega na usunięciu danego etapu

Analiza procesów ma niewygodny zwyczaj: wciąż ujawnia problemy, które w ogóle nie wymagają AI. Powielona akceptacja, raport, którego nikt nie czyta, przekazanie zadania wynikające ze schematu organizacyjnego z 2014 roku, ręczne ponowne wprowadzanie danych między dwoma systemami, które można po prostu zintegrować — klasyczne zasady inżynierii przemysłowej mówią, by przed automatyzacją eliminować, łączyć i upraszczać, ponieważ automatyzacja marnotrawstwa daje jedynie szybsze marnotrawstwo. To sedno argumentu Hammera „nie automatyzuj — wyeliminuj”: wiele czynności, które technologia miała przyspieszać, w ogóle nie powinno było istnieć [6].

Prywatnie bardzo lubię motto często przypisywane Leonardo da Vinci: „prostota jest szczytem wyrafinowania”. Uproszczenie procesu to wymagająca praca: wymaga wysokich kompetencji analitycznych, umiejętności łączenia danych z różnych obszarów organizacji oraz integrowania wiedzy z różnych dziedzin. Właśnie na tej sztuce zbudowaliśmy Mourinho Solutions.

Dla organizacji, która zamierza sfinansować program AI, nie jest to objazd, lecz oszczędność i ograniczenie ryzyka. Wyeliminowane etapy nic nie kosztują w automatyzacji, nie wymagają utrzymania modeli, nie generują nowych źródeł awarii, a korzyści przynoszą natychmiast. Praca nad procesami daje też drugą korzyść: zmierzony punkt odniesienia. Jednym z kluczowych ustaleń raportu MIT NANDA było to, że większość pilotaży GenAI nie wykazywała mierzalnego wpływu na rachunek zysków i strat [2] — ale wpływ można zmierzyć tylko względem znanego punktu wyjścia. Zoptymalizowany proces ma udokumentowane czasy realizacji, wskaźniki błędów i koszty transakcji; dzięki temu późniejsze wdrożenie AI od razu daje możliwość wykazania własnego ROI.

 

Powód 5: Wartość AI powstaje dzięki zmianom organizacyjnym, a nie instalacji oprogramowania

Badania nad źródłami rzeczywistej wartości AI prowadzą ostatecznie do niewygodnego wniosku dla zwolenników podejścia „najpierw narzędzie”: wartość materializuje się na poziomie procesów biznesowych i tylko wtedy, gdy organizacja zmienia się wraz z technologią. Systematyczny przegląd literatury na temat AI i wartości biznesowej wykazał, że pierwsze efekty przejawiają się w postaci wydajniejszych procesów i lepszych decyzji podejmowanych w ich ramach — a ich osiągnięcie zależy od czynników organizacyjnych sprzyjających zmianom oraz świadomej transformacji procesów biznesowych, a nie od zaawansowania modelu [17]. Badania w formie wywiadów z organizacjami wdrażającymi AI podobnie wskazują na gotowość organizacyjną — zgodność ze strategią, jakość i ład danych, znajomość procesów oraz kulturę organizacyjną — jako warunek, który należy ocenić przed podjęciem decyzji o wdrożeniu, a nie odkryć dopiero po niej [18].

Badania wśród praktyków potwierdzają te wnioski. Liderzy McKinsey piszący w Harvard Business Review stwierdzili, że największe przeszkody w skalowaniu AI nie mają charakteru technicznego, lecz kulturowy i organizacyjny. Sukces wymaga przeprojektowania przepływów pracy oraz prowadzenia inicjatyw AI jako zmian procesów biznesowych kierowanych przez biznes i realizowanych przez zespoły interdyscyplinarne — nie jako instalacji IT [19]. Z kolei globalne badanie MIT Sloan/BCG wykazało, że firmy, które rzeczywiście czerpały wartość z AI, wyróżniały się połączeniem strategii, zmian organizacyjnych i technologii, zamiast traktować technologię jako strategię [5].

Analiza i optymalizacja procesów to właśnie ta praca organizacyjna, wykonywana we właściwej kolejności. Pozwala uzgodnić z kierownictwem, które problemy są najważniejsze (i zająć się główną przyczyną niepowodzeń wskazaną przez RAND [1]), zbudować wiedzę o procesach niezbędną do przeprojektowania przepływów pracy oraz stworzyć stabilne, ustandaryzowane operacje, w których AI można wdrażać z przekonaniem.

 

Mourinho Solutions stawia na podejście „najpierw proces”

Żaden z powyższych argumentów nie oznacza, że należy przez lata analizować sytuację, zanim ktokolwiek będzie mógł dotknąć modelu. Chodzi o krótką, zdyscyplinowaną sekwencję działań — zasadniczo pierwszą połowę cyklu życia BPM [14] — realizowaną w tygodniach, a nie kwartałach, i dostosowaną do skali programu AI, który ma poprzedzać.

Mourinho Solutions oferuje dopasowane do potrzeb doradztwo oparte na najnowszej wiedzy i wieloletnim doświadczeniu. Prowadzimy Twoją organizację przez cały cykl życia BPM w sposób metodyczny, aby zapewnić jak największy zwrot z inwestycji.

Warto też wspomnieć o efekcie kumulacji. Organizacje należące do wąskiej grupy odnoszącej sukces — 5% wskazanych przez MIT oraz „pionierzy” z badań MIT Sloan/BCG — nie tylko uniknęły porażki; zbudowały zdolności organizacyjne, dzięki którym każde kolejne wdrożenie AI jest tańsze i szybsze od poprzedniego [5], [2]. Przejrzyste procesy, czyste przepływy danych i dyscyplina pomiaru to infrastruktura. Ich wartość rośnie z czasem.

 

Wniosek: gotowość na AI oznacza gotowość procesów

Pośpiech we wdrażaniu AI sprawia, że analizę procesów traktuje się jak opóźnienie. Dowody wskazują na coś przeciwnego: to najskuteczniejszy dostępny sposób ograniczania ryzyka, który eliminuje udokumentowane przyczyny niepowodzeń projektów AI — niewłaściwie zdefiniowany problem, słabe dane i niepołączone przepływy pracy — zanim ich skutki nawarstwią się i doprowadzą do porzucenia projektu pilotażowego. Automatyzowanie nieefektywnych procesów nie przyniesie niemal żadnej wartości — a może wręcz ją zmniejszyć. Trzydzieści pięć lat badań — od reengineeringu procesów biznesowych [6], przez ekonomię komplementarności [7], [8], po współczesne analizy przyczyn niepowodzeń projektów AI [1], [2] — konsekwentnie wskazuje na to samo: technologia zwielokrotnia potencjał organizacji, do której trafia. Najpierw zoptymalizuj organizację, a AI zwielokrotni coś, co warto zwielokrotniać.

Pytanie dla zespołów kierowniczych nie brzmi zatem: „Jak szybko możemy wdrożyć AI?”, lecz: „Które z naszych procesów, po ich zrozumieniu i optymalizacji, AI naprawdę odmieni?”. Właśnie takie podejście odróżnia 5% od 95%.

Mourinho Solutions pomaga zadbać o to, by Twoja organizacja należała do tych 5%.

---

W Mourinho Solutions właśnie w takiej kolejności działamy. Pomagamy organizacjom mapować i analizować procesy, optymalizować je z myślą o wymiernych korzyściach, a dopiero potem projektować i wdrażać AI tam, gdzie jej zastosowanie przynosi udowodnione korzyści. Jeśli Twoja firma planuje inicjatywę AI, zacznijmy od rozmowy o procesach — skontaktuj się z nami, aby umówić ocenę procesów.

 

 

Bibliografia

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, Główne przyczyny niepowodzeń projektów sztucznej inteligencji i sposoby na ich sukces: jak unikać antywzorców AI. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Dostęp: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, „Podział w obszarze GenAI: stan AI w biznesie w 2025 roku”, MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Dostęp: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, ankieta „Głos przedsiębiorstw: AI i uczenie maszynowe”, 2025; wyniki opisane w artykule „Wskaźniki niepowodzeń projektów AI rosną: raport”, CIO Dive, marzec 2025. [Online]. Dostęp: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, „Gartner przewiduje, że do końca 2025 roku 30% projektów generatywnej AI zostanie porzuconych po etapie proof of concept”, komunikat prasowy, 29 lipca 2024. [Online]. Dostęp: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, „Sukces dzięki AI”, MIT Sloan Management Review i Boston Consulting Group, Cambridge, MA, USA, raport badawczy, 2019. [Online]. Dostęp: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, „Przeprojektowanie pracy: nie automatyzuj, zburz dotychczasowy porządek”, Harvard Business Review, t. 68, nr 4, s. 104–112, lipiec–sierpień 1990. [Online]. Dostęp: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, „Poza obliczeniami: technologia informacyjna, transformacja organizacyjna i wyniki biznesowe”, Journal of Economic Perspectives, t. 14, nr 4, s. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, „Krzywa J produktywności: jak wartości niematerialne uzupełniają technologie ogólnego przeznaczenia”, American Economic Journal: Macroeconomics, t. 13, nr 1, s. 333–372, styczeń 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, „Robotyczna automatyzacja procesów”, Business & Information Systems Engineering, t. 60, nr 4, s. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., „Robotyczna automatyzacja procesów: współczesne zagadnienia i wyzwania”, Computers in Industry, t. 115, art. nr 103162, luty 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, „Tylko 3% danych firm spełnia podstawowe standardy jakości”, Harvard Business Review, 11 września 2017. [Online]. Dostęp: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, „«Wszyscy chcą pracować nad modelem, a nie nad danymi»: kaskady problemów z danymi w AI wykorzystywanej w sytuacjach wysokiego ryzyka”, w Materiały konferencji CHI 2021 poświęconej czynnikom ludzkim w systemach komputerowych (CHI ’21), Jokohama, Japonia, 2021, art. nr 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, „Sztuczna inteligencja w praktyce”, Harvard Business Review, t. 96, nr 1, s. 108–116, styczeń–luty 2018. [Online]. Dostęp: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, Podstawy zarządzania procesami biznesowymi, wyd. 2. Berlin, Niemcy: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Process Mining: Data Science in Action, wyd. 2. Berlin, Niemcy: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, „Robotyczna automatyzacja procesów w Telefónica O2”, MIS Quarterly Executive, t. 15, nr 1, s. 21–35, marzec 2016. [Online]. Dostęp: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, „Sztuczna inteligencja i wartość biznesowa: przegląd literatury”, Information Systems Frontiers, t. 24, nr 5, s. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, „Gotowi czy nie, AI nadchodzi — badanie w formie wywiadów dotyczące czynników gotowości organizacji na AI”, Business & Information Systems Engineering, t. 63, nr 1, s. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, „Budowanie organizacji opartej na AI”, Harvard Business Review, t. 97, nr 4, s. 62–73, lipiec–sierpień 2019. [Online]. Dostęp: https://hbr.org/2019/07/building-the-ai-powered-organization