AI w polskich SMB: jak budować strategię na Salesforce

W polskich SMB rośnie presja, by przedstawić konkretne plany użycia AI, ale większość zespołów działa dziś na rozproszonych danych, ręcznych procesach i niejasnych kryteriach adopcji. To nie jest problem technologiczny, tylko strategiczny – i idealny moment, by zbudować fundamenty pod AI w oparciu o Salesforce. W artykule pokazuję, jak zdefiniować praktyczną strategię AI, jakie elementy architektury CRM muszą być gotowe oraz jakich błędów unikają najbardziej dojrzałe zespoły na rynku.

Techniczne fundamenty strategii AI w SMB

Polskie SMB coraz częściej kupują narzędzia AI bez wcześniejszej analizy procesu, co kończy się niską adopcją i brakiem ROI. Fundamentem jest wybór obszarów high-impact, low‑risk, które da się wdrożyć bez ingerencji w core operacji, np. automatyzacja ticketów, scoring leadów lub wsparcie sprzedaży. Na poziomie technicznym oznacza to identyfikację procesów, które mają jednoznaczne dane wejściowe i powtarzalną logikę. W przypadku Service jest to często klasyfikacja zgłoszeń, gdzie modele LLM świetnie wspierają routing. Dobrym przykładem tego, jak działa to w praktyce, jest automatyzacja decyzji w oparciu o Agentforce, gdzie modele analizują sygnały operacyjne i proponują akcje w czasie zbliżonym do real-time. Taka architektura skaluje się znacznie lepiej niż próby pełnej automatyzacji bez wcześniejszego zdefiniowania miejsc, gdzie AI realnie wspiera proces.

Drugi element fundamentu to integracja danych w CRM. Modele Salesforce operują na Unified Data Graph, ale jakość predykcji zależy od źródeł, które do niego trafiają. W praktyce oznacza to konieczność wpięcia danych operacyjnych, komunikacyjnych i transakcyjnych w jednym miejscu. Małe zespoły często działają na hybrydzie: część danych w ERP, część w CRM, część w arkuszach. AI w takim środowisku uczy się na niepełnych lub sprzecznych sygnałach. Konsolidacja w CRM nie jest luksusem, tylko warunkiem jakości predykcji oraz stabilności workflowów.

Dla praktyków Salesforce istotne jest, że AI nie wymaga od razu zaawansowanej customizacji. Największy zwrot przynosi wdrożenie gotowych komponentów: Einstein Classification, generowanie treści w Sales Engagement, rekomendacje w Service. Dopiero później warto myśleć o custom prompts lub własnych modelach. To odwrotność podejścia enterprise, gdzie buduje się platformę AI przed przypadkami użycia. W SMB skalowanie zaczyna się od szybkich zwycięstw, które eliminują powtarzalną pracę.

Data readiness: największy bloker AI w polskich firmach

Większość polskich SMB deklaruje, że ich CRM nie jest kompletnym źródłem danych. To krytyczne, bo modele Salesforce korzystają zarówno z danych strukturalnych, jak i nieustrukturyzowanych: maili, czatów, transkrypcji. Jeśli te źródła są rozproszone, wyniki modeli będą niskiej jakości. Data readiness oznacza nie tylko czyszczenie rekordów, ale również audit przepływów informacji i decyzję, które systemy są authority of truth. Na tym etapie pojawia się też kwestia RODO i minimalizacji danych – modele nie muszą widzieć wszystkiego, ale muszą widzieć spójnie.

Technicznie najczęściej stosowaną metodą przygotowania danych jest konsolidacja w oparciu o integracje API lub middleware. Nawet podstawowe ETL jak Data Cloud Input Connectors pozwalają zunifikować dane operacyjne i marketingowe. W małych firmach częstym problemem jest brak backlogu jakości, przez co AI działa na błędnych rekordach lub duplikatach. Salesforce daje narzędzia do automatycznego wykrywania anomalii, ale dopiero uporządkowanie schematu danych pozwala realnie wykorzystać predykcje.

Dla konsultantów i architektów wniosek jest prosty: AI projekty nie zaczynają się od modeli, tylko od mapowania danych, które te modele mają przetwarzać. Najczęstsze porażki wdrożeń wynikają z tego, że zespoły nie potrafią odpowiedzieć na pytanie, gdzie znajduje się pełna historia klienta. Gdy CRM jest centralnym źródłem, AI workflows można projektować znacznie szybciej i stabilniej. To fundament każdej strategii na kolejne lata.

Adopcja AI: jak wdrożyć, żeby faktycznie działało

Nawet najlepsza architektura nie działa, jeśli zespół nie rozumie, jak i po co korzystać z AI. W polskich SMB pojawia się obawa o zastąpienie stanowisk, co blokuje wdrożenia. Dlatego adopcja musi być zaprojektowana tak samo jak produkt: iteracyjnie, z testami i feedbackiem. Najlepiej działają wdrożenia pilotażowe w jedną rolę, np. agentów service lub handlowców. Pozwala to sprawdzić, czy model generuje wartość, zanim przeskalujemy go do całego zespołu.

Technicznie istnieje kilka sposobów kontroli adopcji: Feature Flags wprowadzone w ostatnich aktualizacjach, granularne uprawnienia oraz nadzór nad aktywnością użytkowników. Dzięki nim można mierzyć realne wykorzystanie i eliminować fałszywe sygnały, gdzie AI formalnie jest włączone, ale nikt go nie używa. Warto przy tym łączyć narzędzia AI z Flow, bo automatyzacja kontekstowa znacznie zwiększa adopcję – użytkownik nie musi decydować, kiedy AI powinno zostać wywołane.

Warto pamiętać, że adopcja to również edukacja. Coraz większą rolę w organizacji ma administrator, który w 2026 staje się projektantem promptów i strażnikiem jakości danych. Trend ten opisaliśmy szerzej w analizie nowej roli admina w kontekście Agentforce. SMB, które wcześnie inwestują w kompetencje AI, szybciej wdrażają kolejne funkcje bez wsparcia zewnętrznych vendorów.

Strategia 90 dni: jak startować, żeby mieć ROI

Strategia AI dla SMB musi być krótka, iteracyjna i maksymalnie mierzalna. Najlepszym frameworkiem jest plan 90 dni, który daje jasność, gdzie zaczynamy i jak mierzymy efekt. Pierwsze 30 dni to audyt procesów, wybór jednego przypadku użycia i podpięcie danych do CRM. W drugim miesiącu testujemy AI z wybraną grupą użytkowników, zbieramy feedback i poprawiamy workflow. Trzeci miesiąc to dopiero skalowanie i mierzenie oszczędności czasu lub kosztów.

Technicznie najłatwiejsze przypadki to klasyfikacja zgłoszeń, generowanie odpowiedzi w Service, AI asystent w Sales oraz automatyzacje marketingowe. Te obszary działają out-of-the-box, więc nie wymagają rozbudowy architektury ani custom kodu. Najtrudniejsze obszary to predykcje oparte o duże wolumeny danych, ale SMB zwykle nawet nie musi od nich zaczynać. Z kolei zespoły, które na początku budują zbyt szeroką strategię, często utkną przed pierwszym wdrożeniem.

Prognoza na kolejne dwa lata jest jasna: SMB, które wprowadzą AI jako warstwę automatyzacji na Salesforce, będą rosnąć szybciej i obsługiwać większe wolumeny klientów bez zwiększania zespołu. To zmienia rolę CRM z pasywnego repozytorium danych w aktywny system koordynujący decyzje operacyjne. To właśnie dlatego tak istotne jest zbudowanie strategii, która umożliwi skalowanie bez przepisywania architektury.

AI staje się warstwą operacyjną CRM, nie dodatkiem. Polskie SMB, które zbudują strategię oparte o szybkie wdrożenia, uporządkowane dane i realne przypadki użycia, będą miały przewagę trudną do odrobienia. Pytanie na dziś brzmi: które procesy w Twojej organizacji są już gotowe, by przejął je model AI, a które wymagają przebudowania fundamentów?