Wdrożenie AI w organizacji

Dlaczego AI to bardziej zmiana organizacyjna niż technologiczna

Posted by wojtek on February 10, 2026 in Solo · 24 mins read

Opis

W tym odcinku występuję solo i biorę na warsztat temat, który wraca jak bumerang w rozmowach o sztucznej inteligencji: dlaczego większość wdrożeń AI nie wykłada się na technologii, ale na organizacji.

Transkrypcja

Transkrypcja jest generowana automatycznie

Zapraszam na 23 odcinek podcastu hospoda.tech. W dzisiejszym odcinku miało się ukazać rozmowa z Arturem o konferencji EuroPython 2026, które odbędzie się w lipcu tego roku w Krakowie. Niestety z powodu choroby Artura musieliśmy przełożyć nagranie. W związku z czym pomyślałem, że będę mówił dzisiaj do was solo, czyli…

Ja jestem sam swoim gościem, poruszę temat, jak to na łamach gospody już od dawna bywa związane z AI, a mianowicie dlaczego AI to bardziej zmiana organizacyjna niż technologiczna. Jest to temat, który przejawia się bardzo często chociażby na moich zajęciach ze studentami i myślę, że rzeczywiście poza samą technologią związaną z AI jest to taka esencja tego.

Dlaczego AI w firmach wychodzi lub nie wychodzi. Przypominam, że transkrypcję linki oraz wszelkie materiały do tego odcinka znajdziecie na stronie hospoda.tech łamane na 23 od numeru tego odcinka. Zachęcam do subskrybowania podcastu. Dzięki temu nie przegapisz kolejnego odcinka. A teraz już zapraszam na dzisiaj i życzę miłego słuchania i oglądania.

Wojciech Nowicki (01:45) Ok, odcinek solo, czyli znowu ja będę mówił dużo więcej. Zobaczymy jak to wyjdzie, na ile to będzie poukładane i w ogóle. Dlaczego AI to bardziej zmiana organizacyjna niż zmiana technologiczna? Jak już wspominałem we wstępie, jest to temat, który jest mi bliski, przejawia się bardzo często chociażby na moich zajęciach ze studentami.

Samo AI nie rozwiązuje nam tak naprawdę żadnego procesu biznesowego. modele mogą rozwiązywać bardzo dużo problemów, które są trudno algorytmizowalne, czyli takie, gdzie człowiek nie ustawiłby rzeczywiście jasnego, prostego opisu tego, jak dany problem ma być rozwiązany, jak dana rzecz ma być na przykład sklasyfikowana.

dużego zbioru danych, który wprowadza się w procesie uczenia, trenuje sobie model, tworzy na AI samo sobie jest modelem, tworzymy model, który jest w stanie nam dać pewne wyniki na wyjściu dla danych, których jeszcze w tym procesie uczenia powiedzmy sobie nie mieliśmy. Oczywiście wynik ten będzie

nam zwrócony z pewnym prawdopodobieństwem. Większość problemów w przypadku wdrożenia, czy większość tego, czy dane wdrożenie działa, czy nie działa, nie jest związane z samym algorytmem, z samym modelem AI ze względu na to, że tutaj ta dziedzina, zwłaszcza w ostatnich kilku latach się bardzo rozwinęła. Większość z nas, żeby nie powiedzieć wszyscy, korzystamy z jakichś…

modeli AI z czatów na co dzień, z asystentów, którzy nam pomagają. Mówi się wręcz o tym, że nowe pokolenie ludzi, młodych ludzi, tak jak nasze pokolenie używało Googla, ponieważ Google się pojawił, był swego rodzaju nowością i bramą do wszelkiej wiedzy, to to nowe pokolenie używa czata GPT do pytania o proste rzeczy. Oczywiście tutaj pojawiają się poruszane już na łamach podcastu nieraz

pytania na ile te informacje, które dostajemy zwrócone przez jeden z tych ogólnodostępnych czatów płatnych, niepłatnych są prawdziwe, na ile są zmanipulowane itd. Natomiast tu moglibyśmy wejść również w rozmowę, no tak, ale na stronie internetowej, do której odniesie nas Google, też każdy może napisać cokolwiek. Natomiast wracając do naszego przykładu biznesowego, nawet najlepsze modele świata

nie pomogą firmie, która nie wie po co je wdraża. Wiele firm w ostatnim czasie zaczęło wdrażać AI, zwłaszcza firm produktowych swoje produkty, tylko po to, żeby to AI wdrożyć. No bo jest hype, bo wszyscy inni mają, bo przede wszystkim konkurencja ma jakiegoś agenta, bo konkurencja udostępnia jakiś czad, bo konkurencja wspiera coś AI. No to my też musimy mieć. Jasne, jest to jak najbardziej w tej chwili

popularne. Jest to takie must have. I rzeczywiście wiele film będzie robić to tylko po to żeby powiedzieć że ma. Natomiast zastanówmy się czy to ma sens. Mieliśmy poprzednio już nie raz jakiś hajp na jakieś buzzwordy. Było big data był cloud były mikroserwisy. Mniej lub bardziej znane rzeczy ludziom spoza technologii.

Natomiast wiele się o nich mówiło. AI na pewno nie jest magiczną skrzynką, która bez odpowiedniego wdrożenia rozwiąże nam problemy biznesowe. Przede wszystkim musimy dobrze zdefiniować problem, który AI ma nam rozwiązać. Czyli dalej to co ważne pozostaje po stronie samej analizy procesów w naszej firmie i bardzo

uważnego wdrażania wsparcia AI w tych procesach tam, gdzie to jest potrzebne. Natomiast, żeby rozwiązać często nasze problemy biznesowe, zamknięte problemy, potrzebujemy również danych do tego, żeby to AI przeszkolić. No bo wiadomo, jeżeli mamy przypadki ogólne, no to tutaj dane, najbardziej wręcz gotowe modele są dla nas do wzięcia

praktycznie prosto z repozytorów modeli i zaimplementowania. Natomiast jeżeli chcemy rozwiązać nasz specyficzny problem biznesowy, no nierzadko musimy dostarczyć modelowi naszych danych. Musimy zbudować nierzadko model. Oczywiście na bazie wcześniej bazowego modelu już tak, że nie będziemy tego budować totalnie od zera, ale musimy ten model dotrenować naszymi danymi, mówiąc tak.

w uproszczeniu. No i teraz pytanie, czy my tych danych mamy wystarczająco, czy te dane są reprezentatywne, czy te dane są przygotowane w odpowiedni sposób, czy one są spójne, czy rzeczywiście można wyczytać z tego kontekst. Jak widzicie, to nie jest tylko sama kwestia, tu damy AI i to już będzie działać. To jest kwestia rzeczywiście odpowiedniego przygotowania całego złożonego procesu.

zastanowienia się gdzie, jakie modele AI będziemy wdrażać i na podstawie jakich danych w ogóle będziemy te modele budować. Kolejna sprawa jest taka, że jeżeli mamy te duże modele językowe, które mają ogromną ilość parametrów, które mają można powiedzieć bardzo szeroką wiedzę, to wiemy również, że te modele

jak to się przyjęło mówić, halucynują. Generalnie AI ma to do siebie, bo różnica jest taka, że jeżeli zbudujemy sobie jakiś algorytm, na przykład jak często w przykładach się mówi algorytm pieczenia ciasta, przepis na ciasto jest swego rodzaju algorytmem. Jesteśmy w stanie to powtórzyć za każdym razem, wiemy co mamy zrobić. Tutaj moja ulubiona definicja AI, są systemy komputerowe.

które rozwiązują problemy, które nie są łatwo algorytmizowalne. Czyli poszukiwanie jakiegoś wzorca, na przykład w danych, sposobu rozwiązania jakiegoś problemu nie jest aż tak jasne jak w przypadku prostego algorytmu pieczenia ciasta. Natomiast z drugiej strony nie możemy być tutaj w przypadku AI też w stu procentach pewni w wyniku jaki on nam daje. Znaczy czy ten wynik będzie prawidłowy.

Lata temu w swoich pracach naukowych pisałem jakieś proste właśnie rozpoznawania wzorców, też proste modele AI, które miały zająć się automatycznym graniem na rynkach finansowych. Jeżeli to byłoby tak oczywiste, tak proste i w ogóle, to pewnie byłbym dzisiaj w zupełnie innym miejscu.

Te modele natomiast się, wiadomo, raz grały lepiej, raz grały gorzej, musiały się adoptować. Natomiast możemy sobie wprost założyć, że nikt nie wynalazł jeszcze nieomylnego modelu, który by przewidywał, bo byłoby to na pewno zauważalne na rynkach. Więc trzeba na pewno założyć, że informacja, którą otrzymamy od AI

nie zawsze będzie zgodna z prawdą, nie zawsze będzie prawidłowo przewidywała pewne rzeczy. I tutaj w naszych procesach również to musimy założyć. Jeżeli są to procesy, które wymagają podejmowania jakiejś decyzji, to wtedy należałoby i są to decyzje bardzo krytyczne, są to decyzje, których zależy zdrowie, życie.

No to tutaj już mamy EAA, który w ogóle nam to reguluje, ale warto o tym tak czy tak wspomnieć, że wtedy tak czy tak taki model, taka rekomendacja modelu, dokładnie po to używam takiego słowa, powinna być rzeczywiście brana jako swego rodzaju rekomendacja, a nie wprost przenoszona tak na jakąś decyzję. To nie jest tak, że

AI będzie za nas myśleć, jak je wdrożymy. Natomiast wracając do organizacji, do wdrożenia właśnie AI u nas. Znowu musimy się zastanowić, czy tak naprawdę AI jako AI, bo jeżeli nasza organizacja jest manualna, no to w tym momencie jak możemy wdrożyć AI, jeżeli nie mamy pewnych procesów zautomatyzowanych, jeżeli nie mamy dostępu do pewnych danych?

no AI tutaj nie będzie działać. Nawet jeżeli te dane mamy, to zastanówmy się, czy te dane są rzeczywiście spójne, czy są ogólnie dostępne. Jeżeli nie mamy zdefiniowanych procesów, to musimy je zdefiniować w pierwszej kolejności. Musimy wiedzieć, gdzie nasze procesy się zaczynają, gdzie się kończą, co je triggeruje, jakie są wyniki, kto jest właścicielem tego procesu i w tym momencie będziemy wiedzieli, gdzie tak naprawdę

te procesy biznesowe będziemy mogli wesprzeć jakimiś modelami AI. to będzie chat GPT czy to będzie Gemini czy to będzie jakikolwiek inny model, który będzie miał swoje zadanie do klasyfikowania czy dobierania jakichś informacji. To już jest zupełnie inna sprawa. Natomiast to nie jest tak, że tutaj wszystko jest

prowadzone do przodu przez technologię. Naprawdę nie możemy zapominać o tym biznesie, ponieważ IT może nam dostarczyć zapewne jedną z najlepszych AI, tak w cudzysłowie, jakie możemy sobie wymarzyć. Ale jeżeli nie będziemy mieli w procesie zdefiniowanego jakiegoś decision flow, to tak naprawdę nie będziemy wiedzieli jaką decyzję ma to AI wesprzeć, czy jaką decyzję ma za nas podjąć. Jeżeli

A.I. będzie generowało jakieś insajty, to kto będzie miał tak naprawdę mandat do tego, żeby podjąć decyzje, żeby podjąć działanie na podstawie tych insajtów wygenerowanych przez A.I. Nie możemy zautomatyzować chaosu, możemy go uprościć. Zastanówcie się w swojej organizacji, ile macie właśnie niechaotycznych procesów,

które tak naprawdę moglibyście usprawnić. No bo pytanie jest proste. Z którego punktu mamy zacząć? Gdzie w ogóle mamy zacząć? Wiadomo, że kolejnym problemem tutaj będą sami ludzie. Po pierwsze, jako ludzie, część z nas na pewno, ma ogóle lęk przed utratą kontroli. Jeżeli oddajemy AI, jakiemukolwiek AI, możliwość kontrolowania jakiegoś procesu.

czy to produkcyjnego, czy to finansowego, czy to po prostu jakiegokolwiek procesów w firmie, nagle to, co do dzisiaj kontrolowaliśmy my sami nad czym mieliśmy pieczę i być może w tym momencie było to niewydajne, nieefektywne, na pewno nieskalowalne, teraz zajmie się tym jakiś proces, jakaś maszyna i to może być dla nas rzeczywiście bardzo duży

Możemy się tym czuć bardzo niekomfortowo. Natomiast jest to nieuniknione. Tutaj należy wprowadzić wszelkie możliwe zabezpieczenia, wszelkie możliwe jakieś backupowe procesy. Ale koniec końców, żeby to wdrożenie AI miało sens, żeby ono było skalowalne, to

z tymi wszystkimi zabezpieczeniami, z tymi wszystkimi ograniczeniami, które nałożyliśmy na nasz no niestety musimy to AI wdrożyć i oddać tą kontrolę. No i ono musi zacząć pracować i pracować, mam nadzieję, prawidłowo i zacząć się skalować.

Oczywiście jeżeli mówimy już jesteśmy w temacie nas ludzi przy zmianie organizacyjnej to po prostu zwykły lęk przed zmianą. Blokada kulturowa zawsze robiliśmy tak zawsze to byliśmy my a teraz mamy zrobić coś inaczej bo teraz może trzeba wprowadzić jakieś dodatkowe dane a może po prostu te dane w ogóle trzeba wprowadzić.

Tutaj można powiedzieć, że ogólnie to wszystko to jest test na dojrzałość organizacyjną w momencie jeżeli chcemy wprowadzić AI. Bo tak naprawdę jeżeli rozpoczynamy proces to przede wszystkim pierwsze co należy się zastanowić czy mamy jakieś automatyzacje, czy mamy te procesy opisane.

nie zmienia nam organizacji. AI jeżeli nie jesteśmy na nie gotowi, obnaży nam wdorzenie AI, obnaży nam w tym momencie problemy organizacyjne. Bo pamiętajcie, już też wspominane nieraz na łamach podcastu, że garbage in, garbage out. to słabe dane, słabe wyniki AI, słabe procesy biznesowe.

słabe wsparcie tych procesów, słabe wyniki tych procesów. Źle wdrożone AI w chaosie pogłębi nam tylko ten chaos organizacyjny. Musimy wiedzieć kto za co odpowiada, kto rzeczywiście podejmuje te decyzje dalej. Musicie wprowadzić w swojej organizacji również kulturę uczenia się, kulturę rozwoju, ponieważ AI będzie niosło za sobą duże nowe wyzwania.

Tak tutaj można byłoby powiedzieć, jeśli AI nie zadziałało to być może nie jest to wina AI tylko jest to wina tego jak dana organizacja jak wasza organizacja była zorganizowana. Porozmawiajmy sobie teraz o najczęstszych błędach jakie występują w przypadku wdrożenia AI.

Przede wszystkim zaczynamy od technologii, a nie od problemu. Ja wiem cały ten odcinek to jest troszeczkę takie masło maślane. Organizacja nie jest gotowa, procesy nie są nie są ustawione odpowiednio jak chcecie wdrażać AI, jak to ma działać skoro generalnie nie jesteście na to gotowi. Natomiast prawda jest taka, że rzeczywiście

Nie możemy zaczynać od technologii. Najpierw na tą technologię musimy być gotowi. A potem w tych miejscach, których można, w których należy, technologię po prostu wdrożymy. Nie przeprowadzenie jakichś programów pilotażowych. Brak planu skalowania. No i przede wszystkim tutaj po samej stronie biznesu brak ownershipów tych zmian.

brak ownershipu w tym projekcie. To nie jest tak, że przyjdą jacyś goście od AI, coś nam wdrożą. Cała organizacja musi się zmienić, cała organizacja musi się dostosować do tego, co niesie ze sobą AI. AI to jest być może jeden z trudniejszych projektów obecnie w organizacji.

żeby wdrożyć go prawidłowo. Bardzo ważną rzeczą jest, żeby tam, gdzie wdrażamy AI, tam był feedback loop. Tak, żeby wszędzie, gdzie decyzje jakieś zostały podjęte przez AI, żeby z powrotem zwracać te informacje, czy te decyzje były…

Prawidłowe. Oczywiście w przypadku jakiejś optymalizacji procesów produkcyjnych będziemy wiedzieli czy koniec końców na dłuższej przestrzeni czasu zostało wyprodukowane więcej taniej, ale jeżeli to działanie AI dotyczy bardziej rzeczy związanych z waszą ludzką pracą, no to należałoby też przygotować sobie serię, powiedzmy sobie, ankiet albo jakiegoś innego sposobu, którym

Pracownicy korzystający z narzędzia AI będą w stanie wydać swoją opinię, czy jest ono pomocne, kiedy było pomocne, które z tych podpowiedzi, rekomendacji, które nam wskazało AI były dobre, a które były złe. I te dane pozwolą na przetrenowanie modelu, wytrenowanie go jeszcze raz, bo przetrenowanie to jest akurat złe określenie tutaj.

wytrenowanie tego modelu jeszcze raz na jakiś fine tuning, jego poprawki, po to żeby w dalszej części on działał bardziej dostosowany do tego co potrzebowaliście. Czyli nie jest to też tak naprawdę jednorazowe wdrożenie. Jest to wręcz ciągły proces ulepszania tych procesów. Dobra, więc jak to powinno wyglądać?

Jeżeli mówimy o tym, żeby zrobić to dobrze, zróbmy sobie może taką krótką czeklistę tego, co powinno się tam znaleźć. Przede wszystkim musimy mieć zdefiniowany, jasny problem. Co chcemy, żeby AI nam poprawiło w firmie? Musimy mieć zdefiniowane, jak to dla każdego zespołu, wręcz KPI.

Co chcemy uzyskać? Definicja samego w problemu. Oczywiście to jest jedno. Druga sprawa to jest też jakie wyniki byśmy chcieli uzyskać poprzez rozwiązanie tego problemu. Czy ma być więcej, czy ma być po prostu szybciej, czy ma być taniej. Bardzo ważne jest żeby w organizacji zdefiniować kto jest tak naprawdę właścicielem biznesowym tych zmian, procesu.

tego projektu wdrożenia, kto będzie pilnował, żeby organizacja dostosowywała się również do nowego. Ponieważ sama technologia bez ludzi, którzy ją będą używali na nic się zda. Idealnie byłoby zbudować tutaj cross-funkcjonalny zespół, gdzie połączylibyśmy ludzi technicznych z ludźmi biznesowymi z różnych obszarów, ale wiadomo tych zainteresowanych danym wdrożeniem.

Jak już wspominałem nie będzie to na pewno tak stricte jednorazowy projekt. Będzie to generalnie projekt czy kilka projektów, a potem proces ulepszania, gdzie będziecie eksperymentować, gdzie będziecie iterować w celu uzyskania najlepszych efektów. No bo ok, w takich super jakichś prostych przypadkach da się wdrożyć AI tak od razu. Tylko pytanie

Czy wtedy my wdrażamy AI, czy my tak naprawdę nie kupujemy narzędzia i wdrażamy? Macie sklep internetowy, chcecie mieć czata, który ułatwi klientom kontakt z wami, który ułatwi obsługę sklepu? No przecież nie będziecie wdrażać modelu u siebie w firmie na początek, tylko tak naprawdę wykupić jakąś gotową usługę. No i w tym momencie jak wykupujecie gotową usługę, no tutaj jest podstawowe pytanie.

Czy my mówimy w tym momencie o takim właśnie klasycznym wdrożeniu AI, czy my po prostu mówimy o wdrożeniu produktu opartego AI, co jest zupełnie inną rzeczą. Ale może to jest pierwsze pytanie, które powinniście sobie zadać. Ile tego AI potrzebujecie? Jak bardzo ono musi być waszym AI? A jak bardzo tak naprawdę po prostu potrzebujecie jakiegoś produktu?

który ułatwi wam życie. Ale nawet tutaj w tej definicji problemu zobaczcie, ja nie mówiłem, że potrzebuję takiego czy innego modelu językowego, żeby go zainstalować na swoim sklepie internetowym, tylko potrzebuję narzędzia, które ułatwi moim klientom kontakt ze mną. Czyli definicja problemu biznesowego jest najważniejsza, a technologia idzie dopiero za tym wszystkim.

No i kolejna sprawa. Wspominałem już przed chwilą kilka, kilkanaście minut temu o tym, że AI może dawać nam nie zawsze prawidłowe wyniki. Więc kolejną sprawą jest to, że musimy zaakceptować niedoskonałość naszego rozwiązania. Wspominałem też oczywiście, że trzeba to AI wsadzić w jakieś ramy ograniczeń, tak, po to żeby…

Nie zadziały się żadne złe rzeczy, jeżeli to AI zacznie nam bardzo mocno halucynować, ale musimy przyjąć do wiadomości, że tutaj będzie efekt w skali, ale pojedyncze błędy będą się zdarzać. I to jest ta niedoskonałość rozwiązań opartych w AI, które musimy zaakceptować. No i przede wszystkim

nad czym musimy się skupić. Musimy się skupić nad naszym ROI, nad Return of Investment. Musimy się zastanowić co chcemy osiągnąć. Musimy zdefiniować ten nasz cel właśnie, tak jak już wspominałem, czy to ma być taniej, czy to ma być więcej, czy to ma być na przykład szybciej. I tutaj tą sekcję może już zamykając tak glamurą, AI

To nie jest jakiś tam feature, który sobie wdrażamy. To jest generalnie kompetencja w organizacji, którą wdrażamy. No dobrze. Jaka jest teraz rola nas liderów i edukacji? Już z poprzednich odcinków wiecie, że powoli AI ląduje również na studiach, i to różnych studiach. Dwa tygodnie temu w rozmowie Ewa mówiła o tym, że uniwersytet wprowadza pojęcie…

przedmioty związane z zagadnieniami AI na studia prawnicze, na studiach takich informatycznych, to wiadomo samo przez się to było, to było od zawsze, tam poznajemy to od podszewki, ale pytanie jest takie, czy niebawem rzeczywiście tych kompetencji współpracy z AI nie powinniśmy uczyć wręcz w szkołach średnich? No i teraz tak, żeby nie wchodzić tutaj znowu w zagadnienia

Czy AI zabierze nam pracę, czy nie zabierze itd. No bo pamiętajcie generalnie pracę to wam zabierze człowiek, który lepiej to AI obsługuje, lepiej sobie z tym AI radzi. Ale to było tak samo jak zawsze. To nie samochód wyparł woźniców, tylko kierowcy samochodów, bo oni sobie lepiej radzili z nową technologią. Generalnie jak ja już to widzę, czego mogę być pewnie, to przyszłość

pracy to jest synergia we współpracy człowieka z AI. No bo ja przyznaję się ja korzystam z AI, nie wiem czy dużo, ale korzystam w swojej pracy. Zwłaszcza w tych obszarach, których powiedzmy sobie, no nie wiem, byłem słabszy do tej pory w jakichś obszarach związanych z językiem, z pisaniem.

ustrukturyzowaniem pewnych dokumentów, tego żebym w jakimś dokumencie czegoś nie zapomniał. Ale oczywiście ten dokument tak czy tak potem pisze ja poprawiam ja, ale to AI pozwala mi i tutaj taka rzecz, którą usłyszałem chyba po raz pierwszy usłyszałem właśnie jakieś kilka już 13 miesięcy temu w podcastie Patoarchitektów, że dużo architektów oprogramowania przyznaje.

że przyznawało wtedy, bo to wiadomo to już się zmieniło na chwilę obecną, że AI było świetnym narzędziem, żeby szybciej zacząć projekt. Wszystkie te analizy początkowe, zastanawianie się czy pokryliśmy wszystkie przypadki, czy to jest logiczne, czy nielogiczne, co jeszcze powinna zawierać nasza dokumentacja, czy nawet samo sprawdzanie swoich pomysłów, analizowanie ich.

Taki troszeczkę nie wiem rola adwokata diabła w naszej pracy. To można było świetnie osiągnąć dzięki AI, dzięki jakiemuś czatowi, dzięki dużemu modelowi językowemu. Można było to wszystko właśnie przegadać ze świetnym sparing partnerem. Rola nas jako liderów jest taka, żeby ludzi odpowiednio do tej

do tej sztucznej inteligencji przyzwyczajać, żeby pomóc im się wdrożyć, ale żeby nie zapomnieli również o krytycznym myśleniu. Bo generalnie to krytyczne myślenie w erze AI nabiera naprawdę bardzo dużego znaczenia i bardzo dużej mocy. My jako liderzy musimy rozumieć ograniczenia AI, również możliwości, ale przede wszystkim ograniczenia.

Możliwości są duże i te ograniczenia stają się dużo ważniejsze. Największym ryzykiem jeżeli chodzi o nie jest sama technologia, ale największym ryzykiem jest to jak organizacja zaodoptuje to AI, czy jest na nie gotowa i ile będzie w z tego AI wyciągnąć.

Myślę, że tak pokrótce omówiłem temat tego jak wdrażać i dlaczego technologia nie jest tutaj najważniejsza tylko rzeczywiście nasze procesy wewnętrzne w firmie to jak nasza firma funkcjonuje. To był 23 odcinek podcastu hospoda.tech odcinek solo.

Mam nadzieję, że za dwa tygodnie usłyszycie to, co mieliście usłyszeć dzisiaj, czyli moją rozmowę z Arturem o konferencji EuroPython 2026, która odbędzie się w tym roku w lipcu w Krakowie. Przypominam o tym, żebyście subskrybowali podcast w aplikacji, w której mnie teraz słuchacie i oglądacie. Podcast znajdziecie na stronie

czy strona podcastu to hospoda.tech i jeżeli dopiszecie łamane na 23 to znajdziecie transkrypcję do tego odcinka. Ja już za dzisiaj dziękuję i do usłyszenia za dwa tygodnie.