Między slajdem a rzeczywistością. Qlik AI Reality Tour bez konferencyjnego makijażu

W trakcie konferencji w Łodzi Qlik AI Reality Tour zatrzymał się na kolejnym przystanku. Po wystąpieniu Dana Sommera, o którym pisałem w poprzednim newsletterze, przyszedł czas na perspektywę z drugiej strony sceny: użytkownicy zamiast strategów.

Na ekranie pojawia się tytuł: „Qliknij, a będzie Ci dane! Od zera do Qlik bohatera”. Sala się uśmiecha. To dokładnie ten rodzaj gry słów, którego spodziewamy się na konferencji: lekko, z przymrużeniem oka, trochę jak trailer do superprodukcji, w której każdy może zostać bohaterem analityki.

Na scenę wychodzą Robert Gołdyka i Izabela Skobieranda z Harmana. Nie jako „ewangeliści”, tylko ludzie z firmy, która Qlika naprawdę używa. To słychać od pierwszych minut: mniej opowieści o rewolucji, więcej o tym, co w analityce zwyczajnie uwiera.

Siedzę na sali w kilku rolach jednocześnie: współorganizatora wydarzenia, użytkownika Qlika, analityka i dziennikarza. W głowie mam jeszcze świeże wątki z wystąpienia Sommera – tam była „duża mapa”, trendy, kierunek dla całej branży. Tu ma być praktyka. Zobaczmy.

Harman w liczbach, nie w sloganach

Zanim przejdziemy do slajdów o analityce, pada kilka faktów, które ustawią scenę. Harman to nie jest „startup, który coś testuje na boku”.

W 2024 roku firma zrobiła 10,5 mld dolarów sprzedaży, przy marży EBIT na poziomie ok. 9% i zatrudnia około 33 tys. osób na całym świecie. Działa w trzech głównych obszarach:

• Automotive – m.in. digital cockpit, connectivity, ADAS, usługi chmurowe,
• Lifestyle – audio konsumenckie i profesjonalne,
• Digital Transformation Services – software i usługi transformacji cyfrowej.

W kilku segmentach są po prostu numerem jeden: od digital cockpit po car audio i portable audio. Innymi słowy: to nie jest opowieść o „pilocie w małym zespole”. To przykład dużej, rozproszonej organizacji, w której dane są częścią biznesu od dawna – i właśnie dlatego boleśnie widać, kiedy analityka nie nadąża.

Od skansenu narzędzi do centrum analityki

Drugi slajd, który zostaje w pamięci, to „Analityczne Centrum Doskonałości”. Zestaw prostych, ale mówiących liczb:

• 162 kanały Qlik,
• 405 aplikacji Qlik UI,
• 3791 użytkowników Qlika,
• 956 połączeń z danymi źródłowymi,
• 5328 ukończonych szkoleń Qlik,
• 12 profesjonalnych developerów i aż 371 „biznes developerów”,
• ponad 165 tys. godzin spędzonych w Qlik Sense i niemal 40% wzrostu r/r.

To już nie jest entuzjasta z PoC‑em – małym testowym projektem robionym na boku, żeby zobaczyć, czy narzędzie w ogóle ma sens. To pełnoprawne centrum analityczne, które obsługuje tysiące osób. Ich pytanie brzmi raczej: co jeszcze z tego wycisnąć?, nie: „czy to w ogóle zadziała?”.

Żeby nie było zbyt gładko, Robert cofa się o kilka lat. Slajd z podpisem „Prehistoria… przed 2019”: na środku dinozaur, wokół logotypy wszystkiego, co można sobie wyobrazić – Power BI, Tableau, QlikView, SQL Server, Einstein Analytics, BigQuery, CLARA Analytics. Klasyczne zoo narzędzi, które każdy, kto pracuje w BI, widział przynajmniej raz.

Ten obrazek jest ważny z dwóch powodów:

1. Pokazuje, że nawet duża, technologiczna firma nie startuje od pięknego, jednolitego stacku, tylko od lat dokładanych klocków.
2. Tłumaczy, dlaczego dziś tak mocno stawiają na spójne podejście z Qlikiem w centrum – nie z miłości do jednego vendora, tylko z potrzeby ogarnięcia bałaganu.

Od tego momentu opowieść o AI w Qliku przestaje brzmieć jak „kolejna warstwa marketingu”. Bardziej jak naturalny kolejny krok w porządkowaniu świata, który kiedyś naprawdę przypominał skansen.

Krok pierwszy: nie wdrożenie, tylko zaufanie

W 2019 roku zapadła decyzja, która – jak mówi Robert – „zmieniła krajobraz analityki w Harmanie”. Postawienie na Qlik Sense i stworzenie Analytics Center of Excellence miało być wyjściem z epoki, w której każdy dział miał „coś swojego”, a raportowanie raczej spowalniało, niż pomagało. Problem w tym, że nowa platforma nie startuje od zera. Startuje od braku zaufania. Zamiast wysłać maila „od jutra wszyscy w Qliku”, zespół zrobił rzecz mało widowiskową, za to bardzo ludzką:

• przygotował interaktywne szkolenie i demo,
• wsiadł w samochód i ruszył w objazdówkę po biurach i fabrykach,
• umawiał się z menedżerami tam, gdzie „bolało”: tam, gdzie aktualne raporty nie nadążały za rzeczywistością.

Schemat spotkań był prosty:

1. Pokażmy, co Qlik potrafi – bez wielkich słów, konkret.
2. Porozmawiajmy o waszych problemach – czy obecne systemy w ogóle je rozwiązują?
3. Zastanówmy się, co ma sens wrzucać do Qlika, a co jest w ogóle złym kandydatem dla BI.

Ten etap rzadko trafia na konferencyjne slajdy. Tu został nazwany wprost: „zaufanie najpierw, platforma potem”. Bez przejechania tej trasy po ludziach Qlik byłby kolejnym systemem, który wdrożono, a wszyscy grzecznie obchodzą dookoła.

Krok drugi: sukces do policzenia, nie do oklasków

Kiedy pierwsze projekty ruszyły, padło pytanie, które na takich wydarzeniach dziwnie rzadko słychać: „Po czym poznamy, że to w ogóle ma sens?”

W Harmanie nie poprzestali na „będzie szybciej i lepiej”. Zespół zaczął budować algorytmy mierzenia wartości:

• ile czasu naprawdę oszczędza dane rozwiązanie,
• jakie są konkretne korzyści procesowe i finansowe z przeniesienia analizy z innych narzędzi,
• jak to wszystko pokazać tak, żeby CEO i zarząd nie musieli wierzyć „na słowo”.

To moment, w którym analityka przestaje być obietnicą, a staje się produktem z rachunkiem zysków i strat. Ktoś musi powiedzieć: „Rozwiązaliśmy ten problem, w taki sposób, taki jest z tego efekt – i dlatego warto inwestować dalej”.

Krok trzeci: lawina zgłoszeń i prawo do „nie”

Paradoks sukcesu jest prosty: gdy ludzie zobaczą, że coś działa, natychmiast mają dziesięć własnych pomysłów. Tak było i tutaj. Po objazdówce i pierwszych wdrożeniach lawina ruszyła.

Nowe centrum analityczne szybko zostało zalane zgłoszeniami: każdy chciał mieć ‘swoją aplikację w Qliku’. Zespół stał się ofiarą własnego sukcesu. Odpowiedzią nie był kolejny moduł, tylko proces, który brzmi jak z podręcznika zdrowego rozsądku: priorytetyzacja.

Zgłoszenia rozbijano na dwa etapy. Najpierw była ocena celowości: czy problem w ogóle nadaje się do Qlika, jakie przyniesie korzyści i czy mówimy o analityce, czy o zwykłym bałaganie procesowym, którego żaden dashboard nie naprawi. Dopiero potem przychodziła ocena wykonalności – jeśli odpowiedź brzmiała „tak”, trzeba było ustalić, kiedy realnie da się to zrobić przy dostępnych zasobach i jak wpiąć temat w kolejkę prac. Największą wartością – jak przyznaje Robert – było to, że proces legalizował słowo „nie”. Bez tego zespół utonąłby w „fajnych pomysłach”, zamiast dowieźć projekty krytyczne dla biznesu.

Krok czwarty: HDF, czyli biblia skalowania

Kiedy fundamenty były gotowe, pojawiło się kolejne pytanie: jak to wszystko skalować, nie rozłażąc się w szwach? Tu wchodzi na scenę HDF – Harman Data Foundation. W prezentacji pada zdanie: „To jest nasza biblia”. I nie ma w tym wiele przesady.

W praktyce HDF to po prostu skrzynka narzędziowa zespołu BI:

• wspólne szablony aplikacji i dashboardów, dzięki którym użytkownik nie musi za każdym razem uczyć się innego „stylu” analizy,
• zestaw gotowych procedur i skryptów do ładowania i przetwarzania danych,
• centralne zarządzanie zmianą – jedna poprawka zamiast ręcznego biegania po setkach aplikacji.

Efekt w liczbach:

• około 70% pracy dewelopera dało się zautomatyzować lub przynajmniej odchudzić,
• czas od zgłoszenia do działającej aplikacji wyraźnie się skrócił,
• więcej uwagi można było poświęcić samej treści raportu – pytaniom biznesowym, UX‑owi, przejrzystości.

To jest ten etap historii, w którym „bohaterem” nie jest AI, tylko nudna, konsekwentna standaryzacja. I dobrze, bo bez niej żadna sztuczna inteligencja długo nie pociągnie.

Krok piąty: bez ludzi nie ma bohaterów

W pewnym momencie wąskim gardłem przestaje być technologia. Zaczyna nim być zaangażowanie ludzi. Tu pałeczkę przejmuje Izabela. Zamiast kolejnych funkcji, mówi o czymś, co w wielu firmach brzmi jak luksus: społeczność wokół analityki. Z ich układanki wynika kilka kluczowych klocków, które razem składają się na normalne „życie z analityką”:

• portal jako jedno miejsce z dostępami, dokumentacją, linkami i FAQ (w tym najczęstszym: „jaki jest link do serwera QA?”),
• Analytics Academy – poziomowane szkolenia od „jak nie zgubić się w Qliku” po samodzielne tworzenie aplikacji i program Citizen Developer, dzięki któremu absolwenci mogą zostać „biznes‑deweloperami”,
• regularne mentor sessions oraz Office Hours, czyli dyżury profesjonalnych developerów, na które można przyjść z żywym problemem w aplikacji,
• wreszcie forum (Viva) i newsletter, które pilnują, żeby wiedza nie znikała w prywatnych wątkach na Teamsach.

Z tego rodzi się coś, czego nie da się dokupić w pakiecie licencji: kultura zadawania pytań. W Harmanie obowiązuje prosta zasada: „jak pytasz, to nie błądzisz”. To brzmi banalnie, dopóki nie uświadomimy sobie, jak wiele środowisk BI wciąż opiera się na cichym założeniu: „jak nie wiesz, to sobie radź”.

Krok szósty: governance, czyli nudny bohater w cieniu

Druga, mniej wdzięczna scenicznie część historii to governance i higiena środowiska. Tu wchodzimy na teren znany każdemu zespołowi BI: aplikacje testowe, które latami wiszą „na wszelki wypadek”, „śmietnik” w My Work, i brak pewności, które wersje są aktualne. Harman podszedł do tego bez sentymentów:

• wdrożył ścisłe zasady dostępu (section access) – nie tylko „masz / nie masz aplikacji”, ale także jakie dane widzisz,
• wprowadził proces przeglądu aplikacji – samoocena, dokumentacja, kanał na Teamsach, wspólny review, demo, dopiero potem produkcja,
• regularnie czyści środowisko – aplikacje, które miesiącami leżą w testach bez ruchu, są zgłaszane do usunięcia; co najmniej dwa razy do roku porządkowane są pliki QVD i katalogi.

To nie jest ta część prezentacji, po której publika bije brawo. Ale właśnie ona decyduje, czy po dwóch–trzech latach Qlik jest kręgosłupem analityki, czy kolejną platformą, w której nikt już nie wie, co jest ważne, a co zostawiono „na później”.

Co dalej? Od porządku do AI agentów

Gdyby zatrzymać się w tym miejscu, można by powiedzieć: „Środowisko uporządkowane, policzone, zeskalowane – można siadać i czekać na zyski”. Problem w tym, że świat nie czeka. Robert i Izabela jasno mówią, że dziś największym wyzwaniem są:

• AI agenci – jak przejść z dobrze ułożonej struktury Qlik Sense do modelu, w którym część pracy przejmują inteligentni asystenci,
• predykcja – jak wykorzystać prognozy danych, żeby realnie wygrywać z konkurencją, a nie tylko mieć „ładne wykresy z przyszłością”,
• data catalog – pełen obraz tego, skąd dane przychodzą, jak płyną przez systemy i kto co z nimi robi.

Sześć lat po decyzji o Qliku ta historia wcale się nie kończy. Zmienia się tylko poziom pytań: z „ile mamy narzędzi?” na „jak użyć AI sensownie, a nie modnie?”.

Po co to wszystko ludziom od BI?

Można zapytać, co z tej historii wynika dla zespołów BI, które siedzą dziś w Polsce nad własnymi raportami, backlogiem zgłoszeń i kolejną prezentacją o „przyszłości AI”.

Dla mnie – po wysłuchaniu tego wystąpienia z sali – zostają trzy proste, mało konferencyjne pytania:

1. Komu w mojej organizacji brakuje dziś zaufania do danych – i czy jestem gotów zrobić swoją „objazdówkę”?
2. Który proces naprawdę zasługuje na to, żeby go policzyć i zmierzyć efekt – zamiast po prostu „wdrożyć nowe narzędzie”?
3. Czy mamy swoją „biblię” – nieważne, jak się nazywa – która trzyma w ryzach szablony, procesy, jakość?

Bez odpowiedzi na te pytania AI zostanie kolejnym ładnym słowem w prezentacji. Historia Harmana jest ciekawa właśnie dlatego, że pokazuje coś bardzo nie konferencyjnego: zanim AI stanie się „bohaterem”, ktoś musi najpierw objechać firmę, policzyć efekty, poukładać szablony i nauczyć ludzi pytać – dopiero wtedy te wszystkie „inteligentne” narzędzia zaczynają mieć sens.

---

Ten tekst jest częścią cyklu notatek z Qlik AI Reality Tour 2025 – spotkań, na których marketingowe hasła zderzają się z codzienną robotą ludzi od danych. W poprzednim odcinku patrzyliśmy na „dużą mapę” razem z Danem Sommerem, tu schodzimy na poziom zespołu, który codziennie żyje w Qliku. W kolejnych częściach będę wracał do tych samych pytań: co z tego ma biznes, gdzie naprawdę pomaga AI i co musi najpierw posprzątać człowiek, zanim da ster w ręce algorytmom.