Dekadę temu każda usługa SaaS była oparta na chmurze. Chmura była wszędzie. Dziś koronę przejęła „AI”. Każda usługa ma funkcje, które w różnym stopniu korzystają ze sztucznej inteligencji. Niektóre zasadniczo zmieniają sposób, w jaki firma zarabia pieniądze. Inne to po prostu technologie sprzed dekad z nową, efektowną nazwą. Jak odróżnić jedne od drugich?

To pytanie przyświecało panelowi zamykającemu internetową konferencję e-commerce RARE 2026 pt. „AI w e-commerce: w które technologie warto zainwestować w 2027 roku”. Trzy różne perspektywy na jednej scenie: konsultant, który widzi prezentacje wszystkich dostawców, CTO, który tworzy produkty AI, i lider biznesu, który inwestuje w technologie w jednej z najbardziej regulowanych branż w Europie.

Paneliści:

• Jordie van Rijn, specjalista ds. e-mail marketingu i konsultant MarTech, założyciel Email Vendor Selection
• Dmytro Mukha, CTO w Claspo, silniku do optymalizacji konwersji
• Dmytro Shapovalov, Chief Business Architect w Liki24, transgranicznym marketplace’ie z produktami zdrowotnymi

Dyskusję moderowali Dmytro Kudrenko, założyciel i CEO Stripo, oraz Alex Danchenko, założyciel i COO Yespo.

Moderatorzy od razu ustalili jedną zasadę: jeśli się nie zgadzasz, powiedz to głośno i wyjaśnij dlaczego. Paneliści potraktowali ją poważnie. Poniżej pogrupowaliśmy debatę w pięć decyzji, przed którymi staje każdy zespół e-commerce planujący budżet na AI, a na końcu znajdziesz checklistę do przejrzenia przed kolejnym demo u dostawcy.

Najważniejsze wnioski

1. Etykieta AI nic nie mówi o narzędziu. Oceniaj je po efekcie biznesowym i po tym, jak niezawodnie powtarza zadanie.
2. Wiedzę domenową, zasady dotyczące danych i zabezpieczenia trzymaj w firmie. Modele wynajmuj.
3. Zanim zaczniesz eksperymentować z AI, upewnij się, że Twoja podstawowa oferta działa.
4. Szybkość się opłaca dopiero wtedy, gdy znasz kierunek. W przeciwnym razie AI po prostu szybciej przepala Twój budżet.

Zignoruj etykietę AI i zajrzyj pod spód

Jordie zaczął od kontrowersyjnej tezy. Dostawcy przyklejają dziś etykietę „AI” niemal do wszystkiego, w tym do prostych reguł i automatyzacji marketingu, a on uważa, że to dobrze: szum skłania ludzi do zgłębiania tematu. Mimo to jasno zaznaczył, że etykieta nie pomoże Ci wybrać narzędzia. Nazywanie optymalizacji czasu wysyłki „AI” jest w najlepszym razie dyskusyjne.

Dmytro Shapovalov zgodził się i poszedł dalej:

Dmytro Mukha spojrzał na sprawę z perspektywy historycznej. Gdy fabryki po raz pierwszy zastąpiły silniki parowe elektrycznymi w istniejących zakładach, produktywność prawie się nie zmieniła. Według historyka gospodarki Paula Davida produktywność przemysłu w USA wystrzeliła dopiero w latach 20. XX wieku, około czterech dekad po komercjalizacji elektryczności, gdy fabryki przeprojektowano z myślą o nowym źródle energii.

Dmytro Shapovalov sprzeciwił się wizji wielkiej przebudowy. Nikt nie przeprojektowuje fabryki za jednym razem. Dodajesz małe elementy, sprawdzasz, czy każdy działa, i przechodzisz do kolejnego. Dla niego otwarte pozostaje pytanie o niezawodność: czy można powierzyć agentom AI pełny cykl podejmowania decyzji.

Dojrzałość różni się w zależności od działu

Moderatorzy przedstawili wdrażanie AI w trzech poziomach. Odpowiedzi panelistów pokazały, że jedna firma może być na wszystkich trzech jednocześnie.

Poziom	Co robi AI	Przykład z panelu
1. AI jako współpracownik	Wykonuje zadania na żądanie	Współpracownik AI w Claspo co tydzień publikuje na Slacku raport o konkurencji. Zespół logistyki Liki24 korzysta z AI jako asystenta
2. AI jako mózg operacyjny	Analizuje Twoje dane i wyjaśnia, co się wydarzyło	Claspo pozwala AI wysyłać zapytania do zanonimizowanych danych firmy w ustalonych granicach i z zabezpieczeniami
3. AI jako produkt	Działa jako jeden system wokół problemu biznesowego	Silnik ofert Liki24 jest bliski poziomu 3. Opiera się na uczeniu maszynowym, które uwzględnia dziesiątki czynników dla 200 000 SKU na około 10 rynkach

Logistyka w Liki24 pozostaje na poziomie 1, ponieważ AI nie wynegocjuje lepszych stawek z przewoźnikami ani nie odblokuje opóźnionej przesyłki. Jordie dodał świadomy poziom 0: jego zespół w ogóle nie korzysta z AI przy recenzjach oprogramowania, żeby nie brzmiały one tak samo jak wszystkie inne.

Decyzja 1: Kto odpowiada za AI w Twojej firmie

Dmytro Shapovalov dzieli odpowiedzialność na dwie warstwy. Firma odpowiada za zasady: które narzędzia są dozwolone, jak zabezpieczane są dane i jakich decyzji AI nigdy nie może podejmować. Liki24 działa na rynku regulowanym, więc AI nigdy nie może sugerować leczenia ani oferować bez recepty leków wydawanych na receptę. Jego zdaniem firma odpowiada za zasady, a działy za wyniki biznesowe i to one decydują, jak AI ma im pomóc je osiągnąć. 

Jordie dodał etap, który w mniej dojrzałych firmach pojawia się jako pierwszy: międzydziałowy zespół zadaniowy. Odpowiada on za agendę AI, napędza wdrożenia w zespołach, a następnie przekazuje pracę działom i się rozwiązuje. Jordie stosował taki model z zespołem data science w dużej sieci z artykułami do domu i remontu. Ostrzegł też, że zasady działają tylko wtedy, gdy odpowiadają temu, jak ludzie faktycznie się zachowują:

Dmytro Mukha wyznaczył granicę między tym, co należy posiadać, a tym, co można wynajmować:

W Claspo ten „mózg” ma postać skills zbudowanych na innych skills i połączonych w zautomatyzowane workflow. Gdy dwie osoby uruchamiają ten sam workflow, otrzymują ten sam proces, co ułatwia standaryzację i skalowanie pracy.

Używaj własnego agenta AI z CDP

Wtyczka Yespo łączy Claude i OpenAI Codex z Twoim kontem Yespo za pośrednictwem MCP. Opisz zadanie prostym językiem, sprawdź proponowane działania i pozwól agentowi pracować z Twoimi szablonami, kontaktami, workflow i analityką. Agent działa wyłącznie w ramach uprawnień użytkownika, który go podłączył, a gotowe skills obejmują edycję e-maili, audyty dostarczalności i analitykę kampanii. 

Pokaż mi, jak podłączyć mojego agenta AI →

Decyzja 2: Które dane zostają w firmie

Dmytro Shapovalov dzieli dane według stopnia wrażliwości. W krajach, w których Liki24 obsługuje recepty, klienci mogą przesyłać je na marketplace i te dane zostają w firmie bez wyjątków. Dane wykorzystywane do optymalizacji biznesu to inna sprawa: analiza lejka czy ceny konkurencji, które zasilają model cenowy Liki24, mogą bez problemu trafiać do zewnętrznych narzędzi.

Dodał pytanie, które poprzedza każdą decyzję dotyczącą danych: po co w ogóle potrzebujesz tego modelu? Dla Liki24 odpowiedzią zawsze jest najszybsza droga do rozwiązania konkretnego problemu biznesowego. Budowanie narzędzia tylko dlatego, że technologia istnieje, nie jest wystarczającym powodem.

Alex Danchenko poprowadził debatę dalej. Opisał wystąpienie szefa dużej platformy marketingowej, którego zespół dał modelowi dostęp do wszystkich wewnętrznych API w izolowanym środowisku (sandbox). Poprosili go o optymalizację kampanii onboardingowych lub reaktywacyjnych, pozwolili mu samemu wybierać, które API wywołać, a nawet zapytali, jakich danych i API mu brakuje. Mukha przyznał, że na samą wieść o tym przyspieszyło mu tętno. Na platformie multi-tenant model bez ograniczeń mógłby wyłapać trik konwersyjny na stronie jednej marki i wykorzystać go u innej.

Zasada Jordiego: odcinaj wszelkie dane, których zadanie nie wymaga. Nie wiesz, gdzie jest słaby punkt, dopóki na niego nie trafisz. Dane osobowe podlegają regulacjom, a nawet metadane, takie jak informacja, kto do kogo pisał i kiedy, mogą być cenne w niewłaściwym kontekście. Prawdopodobieństwo wycieku może być niewielkie, ale konsekwencje są ogromne.

Alex domknął temat z perspektywy dostawcy. Dane klientów przechowywane w CDP należą do klientów platformy, a Yespo nie wykorzystuje ich między kontami, choć AI chętnie skopiowałaby najskuteczniejszą kampanię jednej marki do innej.

Rekomendacje AI zgodne z Twoimi zasadami compliance. Liki24 korzysta z rekomendacji AI Yespo w jednej z najbardziej regulowanych branż e-commerce. Leki na receptę i kategorie wrażliwe są wykluczone z bloków rekomendacji, a zespół Liki24 dodał do modelu własne powiązania między kategoriami. 

Chcę zobaczyć, jak skonfigurowało to Liki24 →

Decyzja 3: Budować czy kupić i o co pytać dostawców

Jordie odmówił odpowiedzi „to zależy”. Jeśli dobre narzędzia już wykonują daną pracę, nie wymyślaj koła na nowo. Buduj tylko wtedy, gdy AI jest istotą tego, czym zajmuje się Twoja firma. Jeśli to funkcja poboczna, kupuj. Jedynym wyjątkiem, o którym żartował, jest CTO, który uwielbia budować – wtedy zależy to od tego, ile udziałów ma ten CTO.

Kupowanie oznacza weryfikację, a paneliści wskazali dwa pytania, których dostawcy zwykle unikają.

Bezpieczeństwo. Według Jordiego większość dostawców AI albo unika niewygodnych pytań o bezpieczeństwo podczas demo, albo po prostu odpowiada „tak”. Jeśli nie możesz sprawdzić odpowiedzi, jest ona niewiele warta. Agenci do prospectingu sprzedażowego, wzbogacania danych i scrapingu działają w najbardziej szarej strefie. Narzędzia do e-maili i CRM łatwiej zweryfikować. Przy zakupach na poziomie enterprise wyspecjalizowane firmy testujące i certyfikaty bezpieczeństwa powiedzą Ci więcej niż jakakolwiek komisja wyboru.

Niezawodność. Dmytro Shapovalov wskazał τ-bench, benchmark firmy Sierra, który testuje agentów AI na symulowanych zadaniach obsługi klienta w handlu detalicznym. GPT-4o wykonał około 61% zadań za pierwszym podejściem. Gdy musiał wykonać to samo zadanie z powodzeniem w ośmiu na osiem prób, jego wynik spadł do około 25%. Benchmark pochodzi z połowy 2024 roku i od tego czasu modele się poprawiły, ale właśnie o różnicę między jednorazowym sukcesem a stabilnym działaniem powinien pytać kupujący.

Jordie przeformułował to w kategoriach użyteczności. Agent, który skutecznie obsługuje 25% zadań obsługi klienta, nadal może być wart wdrożenia. W środowisku medycznym – już nie. Ostrzegł też, że narzędzia AI to produkty SaaS działające na modelach, które się zmieniają. To, co testujesz dziś, jutro może działać inaczej, dlatego testowanie musi być ciągłe.

Decyzja 4: Jak zmierzysz to, co zmienia AI

Dmytro Mukha przyszedł na panel z otrzeźwiającą liczbą. Metaanaliza ponad 6700 eksperymentów e-commerce przeprowadzonych na platformie Qubit wykazała, że 90% z nich zmieniło przychody o mniej niż 1,2%, na plus lub na minus. AI sprawia, że eksperymenty są tańsze, ale nie zwiększa to prawdopodobieństwa, że będą miały znaczenie.

Jego diagnoza: ludzie uwielbiają prowadzić eksperymenty, a jeszcze bardziej uwielbiają łamać zasady statystyki. Zaglądają do wyników przed zakończeniem testu i przerywają go w chwili, gdy po raz pierwszy osiągnie poziom ufności. Jego rozwiązanie to ścisły system. Z góry określ hipotezę i kryteria akceptacji, zbuduj małe metryki, które składają się na jedną metrykę North Star, i zapisuj, czego nauczył Cię każdy eksperyment.

Następnie moderatorzy zadali panelistom pytanie z widowni: mając historię zakupów, zachowania na stronie i dane z e-maili, które zastosowania AI warto przetestować w pierwszej kolejności?

• Dmytro Mukha uważa, że systemy AI potrafią już samodzielnie projektować i prowadzić eksperymenty, jeśli mają zasady, wiedzę domenową i zabezpieczenia, a ludzie kontrolują to, co widzą klienci. Claspo buduje w tym celu zespół agentów. W jednym z projektów klienckich agenci odkryli, że połowa ruchu na stronie trafiała na stronę wyprzedanego produktu. Nikt w zespole tego nie zauważył.
• Jordie zaleca testowanie „blisko ognia”, czyli jak najbliżej głównego KPI przychodowego: next best product, next best offer, cross-sell i upsell oraz welcome flow.
• Dmytro Shapovalov nie zgodził się z żadnym z nich. Tanie eksperymenty generują więcej szumu i mniej wyników. Pięć lat temu każdy test kosztował realne zasoby, więc zespoły lepiej przemyślały, które z nich przeprowadzić.

Jego przykład: personalizacja AI w kampaniach marketingowych Liki24, zbudowana z Yespo, przyniosła świetne wyniki. Prosty eksperyment z progiem darmowej dostawy, prowadzony równolegle, również dał silny efekt biznesowy.

„Zbyt nudne!” – zażartował Jordie, ale ostatecznie się zgodził. Podstawy są najważniejsze, ale zespół potrzebuje też trochę „pieniędzy na naukę” na projekty eksploracyjne, bo eksperymentowanie działa jak automat do pinballa: próbujesz czegoś w jednym miejscu, a uczysz się czegoś w innym. Dmytro Kudrenko dodał ostrzeżenie przed metrykami, które dobrze wyglądają, ale nie przynoszą zysku. Jeden silnik rekomendacji, który widział, sprzedawał stosy niskomarżowych baterii, a inny głównie skarpetki. Liczby rosły, a biznes ledwo to odczuwał.

Ciągłe testy A/B z człowiekiem w pętli.

Blok One from Many testuje pulę wariantów wiadomości w workflow Yespo. Na początku wysyła warianty losowo, następnie przesuwa się w stronę tych z wyższym CTR i automatycznie wyklucza warianty, które stale przegrywają. Po włączeniu opcji Auto-optimize variants AI przygotowuje nowe warianty, które Twój zespół sprawdza, zanim trafią do puli. 

Pokaż mi, jak działa One from Many →

Decyzja 5: Szybkość czy wyniki

Dmytro Kudrenko poprosił panelistów o wybranie jednego z trzech sposobów, w jakie zespoły e-commerce wdrażają AI: szybsza produkcja, robienie więcej (na przykład personalizacja na dużą skalę) albo poprawa wskaźnika efektywności. Odpowiedź „to zależy” była zakazana.

Jordie wybrał szybkość. Jeśli Twój zespół poświęca dużo czasu na tworzenie materiałów marketingowych i kampanii, najpierw skróć ten czas. Daje to obecnym pracownikom chwilę oddechu, a zwykle jest też najłatwiejsze do wdrożenia.

Dmytro Shapovalov wybrał wyniki i przytoczył przestrogę. W jednym z projektów zespół wykorzystał generatywną AI do tworzenia kreacji reklamowych w Meta. Wcześniej mógł przygotować od 5 do 10 kreacji. Z AI stworzył ich setki i zaczął je testować. Potem przeliczono wyniki: koszt pozyskania klienta był zbyt wysoki, a LTV nie było w stanie go pokryć. Dwa lub trzy eksperymenty wystarczyłyby, żeby to zobaczyć.

Dmytro Kudrenko nazwał to problemem jajka i kury: szybkość uwalnia czas na pracę nad strategią, ale potrzebujesz strategii, żeby wiedzieć, co warto przyspieszyć.

Dmytro Mukha również opowiedział się za wynikami, z jednym dodatkiem. Inwestuj we własne skills i toolchain, niezależnie od dostawcy, z którego korzystasz, bo otoczenie zmienia się zbyt szybko, by czekać. I planuj skalowanie: AI to już nie tylko asystent. Agenci mogą teraz działać w pętlach i iterować całe workflow.

Checklista inwestycji w AI

Końcowa rada Jordiego dobrze wprowadza do tej listy. Zespoły często spieszą się z zakupem CRM, ESP czy innego dużego systemu, nie oddzielając tego, czego potrzebują, od tego, co byłoby miłym dodatkiem, i dopiero po fakcie odkrywają, że wybór był nietrafiony.

Zanim zatwierdzisz kolejną inwestycję w AI, zadaj sobie pytania:

1. Jaki efekt biznesowy przyniesie to narzędzie poza etykietą AI? Jeśli dostawca nie potrafi wskazać metryki, na którą wpływa, traktuj etykietę jako marketing.
2. Kto odpowiada za zasady, a kto za wyniki? Firma ustala polityki dotyczące narzędzi, bezpieczeństwa i decyzji, których AI nigdy nie może podejmować. Działy odpowiadają za wyniki. Upewnij się, że zasady odpowiadają temu, jak ludzie faktycznie pracują, inaczej pojawi się shadow AI.
3. Z jakimi danymi narzędzie będzie miało styczność i czy potrzebuje ich wszystkich? Trzymaj dane wrażliwe w firmie, anonimizuj to, co wychodzi na zewnątrz, i odcinaj wszystko, czego zadanie nie wymaga.
4. Czy AI jest istotą Twojego biznesu? Jeśli nie, kupuj zamiast budować. W obu przypadkach zachowaj własną wiedzę domenową i wynajmuj model.
5. Czy dostawca potrafi poprzeć swoje deklaracje dotyczące bezpieczeństwa i niezawodności? Poproś o certyfikaty i niezależne testy. Zapytaj, czy agent potrafi konsekwentnie wykonywać to samo zadanie w wielu próbach.
6. Czy przed rozpoczęciem testu określiłeś wzrost i szkodę dla każdej metryki? Ustal kryteria akceptacji z góry, nie przerywaj testu, gdy po raz pierwszy wyda się istotny, i sprawdzaj marżę obok wolumenu.
7. Czy przetestowałeś swoją podstawową ofertę? Ceny, progi dostawy i product-market fit mogą wpłynąć na biznes bardziej niż jakakolwiek funkcja AI.
8. Czy znasz kierunek, zanim przyspieszysz? Policz unit economics dla kilku eksperymentów, zanim AI pomnoży je przez sto.

---

Paneliści nie zgadzali się we wszystkim, ale wspólny mianownik był oczywisty. Jordie van Rijn ujął to najlepiej: strategia polega dziś bardziej na tym, czego decydujesz się nie robić. AI daje kreatywnemu marketerowi coś nowego do zbudowania każdego ranka, więc najtrudniejszy jest wybór. Spodziewa się też, że coraz więcej marketerów założy konta na GitHubie, napisze trochę kodu w Pythonie i będzie wypuszczać „brzydkie oprogramowanie, które działa”.

Alex Danchenko zamknął konferencję prognozą. AI podniesie początkujących marketerów i słabe kampanie do nowej normy, która będzie daleko powyżej dzisiejszej. To, co wyniesie Cię ponad tę nową normę, to ludzkie zrozumienie, dlaczego klienci wracają.

Nagrania wszystkich sesji są dostępne na stronie RARE 2026. 

Uzyskaj fachową wiedzę