Sztuczna inteligencja w ratuszu w Haltern am See: Sztuczna inteligencja czy władza przyszłości? Jak miasta transformują swoją administrację?

Odejście od eksperymentów: jak sztuczna inteligencja staje się usługą publiczną dla miasta

Dlaczego nierobienie niczego jest najdroższą opcją: w jaki sposób gminy mogą skutecznie wdrażać sztuczną inteligencję strategicznie

Samorządy lokalne w Niemczech znajdują się pod ogromną presją: rosnąca odpowiedzialność, mnogość przepisów i rosnące oczekiwania obywateli kolidują z ograniczonymi budżetami i coraz bardziej dotkliwym niedoborem wykwalifikowanych pracowników. W mieście Haltern am See intensywnie debatuje się nad wykorzystaniem sztucznej inteligencji (AI). Jednak ten, kto myśli jedynie o szybkich chatbotach, pojedynczych testach oprogramowania lub okazjonalnej uldze w pisaniu tekstów, nie dostrzega strategicznego celu. AI to znacznie więcej niż cyfrowy projekt prestiżowy – to kluczowa technologia, która zapewni ciągłość świadczenia niezbędnych usług i usług w przyszłości.

W poniższym artykule analizujemy, dlaczego niekontrolowane eksperymenty ze sztuczną inteligencją i tzw. ukrytą sztuczną inteligencją stanowią ogromne zagrożenie dla władz publicznych i jak zamiast tego można odnieść sukces dzięki zaplanowanemu podejściu. Rozwiązaniem jest koncepcja „zarządzanej sztucznej inteligencji”: stale zarządzanego, zgodnego z przepisami o ochronie danych i rygorystycznego technicznie środowiska, które łączy zatwierdzone modele językowe ze szczegółową wiedzą regulacyjną administracji. Niezależnie od tego, czy chodzi o inteligentną automatyzację poczty przychodzącej, przetwarzanie złożonych plików, czy zachowanie cennego doświadczenia odchodzących na emeryturę specjalistów – największe korzyści ekonomiczne powstają głęboko w maszynowni agencji.

Dowiedz się, dlaczego bierność jest zdecydowanie najkosztowniejszą opcją dla miast i gmin, w jaki sposób ochronę danych i bezpieczeństwo informacji można rozwiązać jako wyzwanie architektoniczne oraz w jaki sposób prosty wniosek o przegląd może stać się wykonalną międzygminną strategią operacyjną na rzecz cyfrowej administracji jutra.

Od eksperymentu ze sztuczną inteligencją do cyfrowych usług publicznych

Ci, którzy polegają na sztucznej inteligencji wyłącznie w zakresie testowania, wkrótce będą musieli sami zarządzać przede wszystkim swoimi zaległościami

Debata na temat sztucznej inteligencji w ratuszu w Haltern am See pojawia się we właściwym momencie. Nie powinna jednak kończyć się na pytaniu, czy poszczególni pracownicy mogą szybciej formułować teksty, streszczać dokumenty czy łatwiej znajdować informacje. Szersze, kluczowe z ekonomicznego punktu widzenia pytanie brzmi: jak gmina może zapewnić sobie wydajność, gdy zadania, złożoność przepisów i oczekiwania rosną, a zasoby kadrowe, czasowe i budżetowe pozostają ograniczone? W tym kontekście sztuczna inteligencja nie jest ani cyfrowym projektem prestiżowym, ani programem zastępującym pracowników. Prawidłowo stosowana, stanowi nową infrastrukturę operacyjną, która umożliwia obecnym specjalistom wydajniejszą pracę, ułatwia dostęp do wiedzy i zwiększa niezawodność usług administracyjnych.

W przypadku Haltern am See istnieje wiele powodów, dla których nie należy organizować wdrożenia w oparciu o izolowane testy oprogramowania. Zamiast tego miasto powinno wdrożyć kontrolowany model operacyjny, który integruje technologię, ochronę danych, bezpieczeństwo informacji, specjalistyczne procedury, szkolenia, zapewnienie jakości i ciągły rozwój. Zarządzana sztuczna inteligencja doskonale nadaje się do tego celu. Nie chodzi tu o zwykłą aplikację w chmurze z oknem czatu, ale o stale zarządzane, jasno regulowane i technicznie bezpieczne środowisko sztucznej inteligencji. Łączy ono zatwierdzone modele językowe z wiedzą fachową władz miejskich, zdefiniowanymi procesami, uprawnieniami, rejestrowaniem i odpowiedzialnością człowieka. Tylko takie połączenie przekształca fascynujące narzędzie w solidne źródło administracyjne.

Presja do działania nie jest abstrakcyjna. Plan zatrudnienia miasta Haltern am See na rok 2026 obejmuje łącznie 467 stanowisk, w tym 107 stanowisk urzędniczych i 360 etatów. Koszty personelu i emerytur wynoszą około 37,7 mln euro. Jednocześnie budżet przewiduje dochody w wysokości prawie 130 mln euro i wydatki nieco ponad 137 mln euro; po ogólnych cięciach kosztów pozostaje deficyt w wysokości około 5,2 mln euro. Ta skala pokazuje, dlaczego efektywności nie należy mylić z redukcją zatrudnienia na całej linii. Każda trwale zaoszczędzona godzina przetwarzania może być cenna, ale gmina nie może sobie pozwolić ani na kosztowne eksperymenty ze sztuczną inteligencją, ani na niekontrolowane korzystanie z publicznych usług online.

Prawdziwym wąskim gardłem są możliwości samorządowe

Władze lokalne działają w złożonym krajobrazie gospodarczym. Z jednej strony rośnie zapotrzebowanie na usługi: projekty budowlane muszą być realizowane szybciej, decyzje dotyczące świadczeń socjalnych muszą być uzasadnione prawnie, adaptacja do zmian klimatu wymaga organizacji, infrastruktura musi być utrzymywana, kryzysy muszą być zarządzane, a obawy obywateli muszą być rozwiązywane wieloma kanałami. Z drugiej strony, ograniczenia budżetowe, niedobór wykwalifikowanych pracowników i zmiany demograficzne ograniczają rozwój kadr. Sektor publiczny w Niemczech zatrudnia ponad pięć milionów osób; bez środków zaradczych luka w kwalifikacjach może wzrosnąć do co najmniej miliona do 2030 roku. Chociaż prognozy te nie są dokładną prognozą dla Haltern, wskazują one kierunek rywalizacji o pracowników administracyjnych, pracowników IT, inżynierów, pracowników socjalnych i menedżerów.

Stwarza to problem z produktywnością. Gmina nie może na stałe poradzić sobie z rosnącą liczbą spraw, zatrudniając więcej pracowników, jeśli brakuje odpowiednich kandydatów lub budżet nie pozwala na niezbędne finansowanie. Nie może też arbitralnie ograniczać zakresu usług, ponieważ wiele zadań jest narzuconych przez prawo. W związku z tym jedyną dźwignią strategiczną pozostaje lepsza organizacja pracy. Procesy muszą zostać uproszczone, przerwy w komunikacji medialnej wyeliminowane, dane muszą być ponownie wykorzystywane, a rutynowe zadania zautomatyzowane. Sztuczna inteligencja rozszerza ten zestaw narzędzi, ponieważ może przetwarzać nie tylko dane ustrukturyzowane, ale także materiały nieustrukturyzowane, takie jak listy, zawiadomienia, protokoły, wytyczne, e-maile i zeskanowane dokumenty.

Największe korzyści ekonomiczne nie tkwią zatem początkowo w spektakularnych chatbotach obywatelskich. Leżą one w maszynowni administracji publicznej: w sortowaniu i przetwarzaniu korespondencji przychodzącej, wyszukiwaniu odpowiednich przepisów, przygotowywaniu standardowych pism, kompilowaniu obszernych plików i przesyłaniu informacji między jednostkami organizacyjnymi. Takie zadania pochłaniają wiele małych jednostek czasu. Łącznie stanowią one znaczną część kosztów administracyjnych. Ci, którzy biorą pod uwagę wyłącznie widoczne zastosowania sztucznej inteligencji, nie doceniają zatem wartości wewnętrznych systemów wsparcia.

Dlaczego chatbot nie jest jeszcze strategią

Usługa AI o swobodnym dostępie może generować przekonujące teksty w ciągu kilku sekund. Dla organu administracji publicznej to jednak tylko pozory. Za każdą odpowiedzią kryją się pytania o transfer danych, dostawców modeli, okresy przechowywania, wykorzystanie szkoleń, prawa dostępu, dokładność techniczną i rozliczalność. Bez wiążącego środowiska, gmina po prostu przenosi ryzyko z szafy na dokumenty do systemu cyfrowego, który jest trudny do kontrolowania. Szczególnie problematyczna jest sztuczna inteligencja typu shadow: pracownicy korzystają z prywatnych lub nieautoryzowanych kont, ponieważ narzędzia są wygodne i nie ma oficjalnej alternatywy. Prowadzi to do niespójnych metod pracy i potencjalnie nieautoryzowanego przepływu danych.

Strategia miejska w zakresie sztucznej inteligencji musi zatem rozróżniać między eksperymentowaniem, wsparciem i automatyzacją. W eksperymentowaniu funkcje są testowane przy użyciu danych niekrytycznych. W ramach wsparcia system generuje sugestie, które są weryfikowane przez osobę odpowiedzialną. W automatyzacji zdefiniowane kroki robocze są wykonywane zgodnie z regułami i dokumentowane w sposób umożliwiający audyt. Im bliżej zastosowania znajdują się konsekwencje prawne, świadczenia lub uciążliwe decyzje, tym wyższy musi być poziom kontroli, identyfikowalności i nadzoru ze strony człowieka. Sama zdolność techniczna modelu nie jest wystarczającą podstawą do przypisania mu zadania.

Właśnie tutaj ujawnia się słabość wielu projektów pilotażowych. Mierzą one entuzjazm, liczbę kont użytkowników czy ilość wygenerowanego tekstu, ale nie ogólny wpływ na proces. Jeśli projekt powstaje szybciej, ale wymaga więcej czasu na weryfikację, efekt netto pozostaje niewielki. Jeśli różne działy wielokrotnie korzystają z tych samych szablonów, wzrasta nakład pracy na koordynację. Jeśli sztuczna inteligencja działa bez aktualnej bazy wiedzy, generuje poprawne językowo, ale technicznie nieaktualne wyniki. Dlatego strategia nie zaczyna się od wyboru modelu, ale od wyboru odpowiednich problemów.

Zarządzana sztuczna inteligencja przekształca technologię w niezawodny biznes

Zarządzana sztuczna inteligencja (MAAI) odnosi się do modelu operacyjnego, w którym gmina zachowuje cele, zasady i obowiązki, podczas gdy wyspecjalizowane jednostki wewnętrzne lub zewnętrzne obsługują, zabezpieczają, monitorują i rozwijają platformę techniczną. Obejmuje to wdrażanie modelu, zarządzanie tożsamościami i dostępem, szyfrowanie, rejestrowanie, interfejsy, bazy wiedzy, pomiar jakości, aktualizacje, rozwiązywanie problemów i wsparcie użytkowników. Model można wdrożyć w publicznym centrum danych, suwerennej chmurze, architekturze hybrydowej lub kombinacji tych rozwiązań. Liczy się nie etykieta, ale zarządzalny łańcuch wartości.

Dla gminy średniej wielkości ten model jest bardziej opłacalny ekonomicznie niż tworzenie całkowicie wewnętrznego rozwiązania. Wdrożenie generatywnej sztucznej inteligencji wymaga specjalistycznej wiedzy, którą należy stale rozwijać: w zakresie operacji w chmurze i centrów danych, bezpieczeństwa informacji, ochrony danych, oceny modeli, inżynierii danych, tworzenia interfejsów oraz specjalistycznej wiedzy procesowej. Pojedyncze miasto z trudem radzi sobie z realizacją wszystkich tych zadań pod względem ekonomicznym. Miejski dostawca usług informatycznych może natomiast dystrybuować infrastrukturę, standardy i specjalistyczną wiedzę do wielu jednostek administracyjnych. Wspólne Miejskie Centrum Danych w Recklinghausen obsługuje powiat i osiem miast, dzięki czemu dysponuje już odpowiednią skalą dla współdzielonych rozwiązań.

Zarządzana sztuczna inteligencja nie oznacza jednak zrzeczenia się odpowiedzialności na rzecz dostawcy usług. Miasto musi określić, które klasy danych mogą być przetwarzane, które przypadki użycia są dozwolone, jak weryfikowane są wyniki oraz kiedy system jest wyłączany. Operator techniczny zapewnia dostępność i zabezpieczenia; odpowiedzialność operacyjna pozostaje w gestii odpowiednich jednostek organizacyjnych. Solidny model operacyjny wyraźnie rozdziela te role i łączy je poprzez wiążące cele usług, procedury audytu i kanały eskalacji.

Haltern nie musi zaczynać od zera

Nadrenia Północna-Westfalia wdrożyła już asystenta AI dla administracji o nazwie NRW.Genius. Aplikacja internetowa obsługuje zadania związane z tekstem, takie jak streszczenia, redagowanie tekstów, przeszukiwanie zbiorów dokumentów, odpowiadanie na pytania dotyczące akt osobowych oraz bezpośrednią interakcję z modelami językowymi. Architektura jest niezależna od modelu i platformy i zaprojektowana do przetwarzania hybrydowego. IT.NRW informuje, że z aplikacji korzysta już prawie 27 000 pracowników; Essen, Solingen i Bergheim testują jej ponowne wykorzystanie na poziomie miejskim. Jest to istotne dla Haltern, ponieważ pozwala na dzielenie się ryzykiem rozwojowym, krzywymi uczenia się i kosztami.

Standaryzowane rozwiązanie obejmujące cały stan nie jest automatycznie odpowiedzią na potrzeby samorządów. Władze stanowe i miasta różnią się pod względem specjalistycznych procedur, struktur plików, zasobów danych, zadań i obowiązków. Wartość ekonomiczna pojawia się dopiero po zintegrowaniu systemu pomocy z rzeczywistymi procesami pracy. Ogólne okno czatu może utworzyć notatkę, jednak oszczędza znacznie mniej czasu niż zintegrowane rozwiązanie, które identyfikuje właściwy proces, lokalizuje autoryzowane informacje, korzysta z odpowiedniego szablonu, identyfikuje źródła i zwraca wynik do specjalistycznej procedury w celu weryfikacji.

Dlatego Haltern nie powinien porównywać istniejących ofert z własną koncepcją zarządzanej sztucznej inteligencji. Podejście modułowe ma sens. Funkcje ogólne mogą pochodzić z platformy ogólnokrajowej lub międzygminnej. Bazy wiedzy, interfejsy i moduły procesów specyficzne dla danej gminy są następnie nakładane warstwowo. Szczególnie wrażliwe aplikacje mogą działać w kontrolowanych środowiskach. Pozwala to uniknąć zarówno kosztownego, izolowanego rozwiązania, jak i całkowitego uzależnienia od jednego produktu.

Efektywność ekonomiczna zaczyna się od kalkulacji kosztów procesu

Sztuczna inteligencja nie jest opłacalna tylko dlatego, że jej odpowiedzi są szybkie. Jest opłacalna, gdy skraca się ogólny czas przetwarzania, unika się błędów, zmniejsza się liczba pytań uzupełniających lub wydajność pozostaje stabilna pomimo ograniczonej przepustowości. Dlatego dla każdego przypadku użycia należy najpierw określić punkt odniesienia. Obejmuje on liczbę przypadków, średni czas przetwarzania, czas oczekiwania, liczbę przerw w transmisji danych, tempo poprawek, pytania uzupełniające, koszty błędów oraz odsetek pracy, który można znormalizować. Dopiero wtedy można ocenić, czy wsparcie ze strony sztucznej inteligencji jest ekonomicznie opłacalne.

Proste obliczenie modelowe ilustruje tę logikę. Jeśli system oszczędza średnio pięć minut na 20 000 identycznych procesów, teoretycznie przekłada się to na około 1667 godzin oszczędności czasu brutto rocznie. Od tej kwoty należy odjąć czas testowania, szkolenia, wsparcie techniczne, przestoje i kontrolę jakości. Jeśli na przykład pozostaje 1000 godzin netto, korzyść tę można porównać z całkowitym kosztem zainwestowanego czasu. W grę wchodzą również efekty jakościowe, takie jak krótszy czas reakcji czy bardziej spójna komunikacja. To obliczenie jest celowo konserwatywne: zapobiega ono reklamowaniu teoretycznie zyskanych minut jako gwarantowanych oszczędności budżetowych.

Wpływ ekonomiczny może przybierać trzy formy. Po pierwsze, gmina może obsłużyć więcej spraw przy tej samej liczbie pracowników. Po drugie, może zmniejszyć zaległości i koszty zewnętrzne. Po trzecie, może przeznaczyć zaoszczędzony czas na konsultacje, monitorowanie i złożone sprawy indywidualne. Tylko rzadko oszczędność czasu bezpośrednio przekłada się na odpowiednio niższe wydatki budżetowe, ponieważ poziom zatrudnienia nie jest nieskończenie podzielny. Najbardziej realistyczne korzyści zazwyczaj obejmują uniknięcie konieczności zatrudniania nowych pracowników, zmniejszenie obciążenia pracą, bardziej spójną jakość i lepszą reakcję.

Praca nad dokumentacją jest najsilniejszą pierwszą dźwignią

Administracja publiczna to organizacja intensywnie wykorzystująca wiedzę i dokumenty. Znaczna część jej pracy polega na gromadzeniu, weryfikowaniu, kondensowaniu i przekształcaniu informacji do formatów zgodnych z prawem lub organizacją. Generatywna sztuczna inteligencja doskonale nadaje się do tych właśnie zadań, pod warunkiem, że działa jako asystent i korzysta z wiarygodnych źródeł. Kontrolowane środowisko może streszczać obszerne dokumenty, zaznaczać różnice między wersjami, tworzyć wersje robocze z wypunktowań i lokalizować istotne fragmenty w plikach.

Wyniki empiryczne pokazują również, dlaczego obietnice bez pokrycia są nieodpowiednie. W eksperymencie terenowym z udziałem 143 pracowników Centralnego Banku Irlandii, generatywna sztuczna inteligencja poprawiła jakość zadania związanego ze zrozumieniem dokumentu o 17%, a czas przetwarzania o 34%. Natomiast w zadaniu analizy danych jakość spadła o 12%, bez znaczącej oszczędności czasu. Technologia ta nie jest zatem uniwersalna i wydajna, ale tylko wtedy, gdy zadanie, dane, interfejs użytkownika i mechanizm kontroli są dobrze dopasowane.

Dla Haltern wynika z tego jasno określony priorytet. Początkowo odpowiednie są zadania wewnętrzne o dużej zawartości tekstowej, dużej objętości i ograniczonym wpływie prawnym: kompilowanie dokumentów ze spotkań, usprawnianie wewnętrznego wyszukiwania wiedzy, przygotowywanie projektów protokołów, ocena publicznie dostępnych przepisów lub wstępne sortowanie zapytań obywateli według tematu. Decyzje dotyczące roszczeń, sankcji lub indywidualnych stanowisk prawnych są mniej odpowiednie na początku. Pierwsze kroki należy podjąć tam, gdzie błędy można łatwo zidentyfikować i skorygować.

Pokój pocztowy staje się inteligentnym wejściem

Jednym ze szczególnie konkretnych zastosowań jest przetwarzanie dokumentów przychodzących. Listy, formularze, e-maile i załączniki muszą zostać rozpoznane, przypisane do sprawy, sprawdzone pod kątem kompletności i przekazane dalej. Tradycyjne rozpoznawanie dokumentów szybko osiąga swoje granice z powodu niespójnych układów, tekstu swobodnego i pisma odręcznego. Współczesna sztuczna inteligencja potrafi klasyfikować treści, wyodrębniać istotne informacje i generować podsumowania do przetworzenia.

GKD Recklinghausen już teraz korzysta z dedykowanego, suwerennego środowiska AI do skanowania poczty przychodzącej. Obsługuje ono klasyfikację treści, rozpoznawanie pisma odręcznego i podsumowania, skracając w ten sposób proces walidacji i transferu do pliku elektronicznego. Daje to Halternowi obszar zastosowań kompatybilny regionalnie. Miasto nie musiałoby najpierw udowadniać, że technologia działa w zasadzie, ale mogłoby zamiast tego zbadać, które typy dokumentów, woluminy i specjalistyczne procedury przynoszą największe korzyści lokalne.

Ten przypadek użycia staje się atrakcyjny ekonomicznie ze względu na jego wielofunkcyjny wpływ. Lepiej przygotowany system poczty przychodzącej nie tylko zmniejsza obciążenie pracą w dziale pocztowym, ale także skraca czas wyszukiwania, ogranicza błędne routingi i liczbę zapytań w specjalistycznych działach. Jednocześnie tworzy bardziej ustrukturyzowaną bazę danych dla kolejnych etapów procesu. Pozwala to pojedynczemu modułowi sztucznej inteligencji na wyeliminowanie wielu wąskich gardeł w łańcuchu przetwarzania. Korzyści rosną wraz z ponownym wykorzystaniem, dlatego scentralizowane komponenty powinny być priorytetowo traktowane w stosunku do licznych małych, indywidualnych rozwiązań.

Solidna koncepcja obsługi błędów pozostaje warunkiem koniecznym. Sztuczna inteligencja nie może przypadkowo błędnie klasyfikować dokumentów ani pomijać istotnych treści. Dlatego każda klasa dokumentów wymaga zdefiniowanych minimalnych standardów jakości, procedur próbkowania, procesów korekcyjnych oraz niezawodnego mechanizmu awaryjnego. Krytyczne lub źle zidentyfikowane dane wejściowe są automatycznie kierowane do weryfikacji przez człowieka. Taki model z udziałem człowieka nie jest oznaką słabości technicznej, lecz raczej ekonomicznie i prawnie uzasadnionym podziałem pracy między maszyną a ekspertem.

Tutaj dowiesz się, jak Twoja firma może szybko, bezpiecznie i bez wysokich barier wejścia wdrażać dostosowane do jej potrzeb rozwiązania z zakresu sztucznej inteligencji.

Zarządzana platforma AI to kompleksowe i bezproblemowe rozwiązanie w zakresie sztucznej inteligencji. Zamiast zmagać się ze skomplikowaną technologią, kosztowną infrastrukturą i długotrwałymi procesami rozwoju, otrzymujesz gotowe rozwiązanie dostosowane do Twoich potrzeb od wyspecjalizowanego partnera – często w ciągu zaledwie kilku dni.

Najważniejsze zalety w skrócie:

⚡ Szybka implementacja: Od pomysłu do gotowej do użycia aplikacji w ciągu kilku dni, a nie miesięcy. Dostarczamy praktyczne rozwiązania, które generują natychmiastową wartość dodaną.

🔒 Maksymalne bezpieczeństwo danych: Twoje wrażliwe dane pozostają z Tobą. Gwarantujemy bezpieczne i zgodne z przepisami przetwarzanie bez udostępniania danych osobom trzecim.

💸 Brak ryzyka finansowego: Płacisz tylko za rezultaty. Wysokie początkowe inwestycje w sprzęt, oprogramowanie lub personel są całkowicie wyeliminowane.

🎯 Skoncentruj się na swojej podstawowej działalności: Skoncentruj się na tym, co robisz najlepiej. Zajmiemy się całościową implementacją techniczną, obsługą i utrzymaniem Twojego rozwiązania AI.

📈 Przyszłościowa i skalowalna: Twoja sztuczna inteligencja rośnie razem z Tobą. Zapewniamy ciągłą optymalizację i skalowalność oraz elastycznie dostosowujemy modele do nowych wymagań.

Więcej informacji tutaj:

• Rozwiązanie Managed AI – Usługi AI dla przemysłu: klucz do konkurencyjności w sektorach usług, przemysłu i inżynierii mechanicznej

Wiedza administracyjna nie może być zaniedbywana przez pracowników

Zmiany demograficzne zagrażają gminom nie tylko brakiem pracowników, ale także utratą wiedzy opartej na doświadczeniu. Wiele procesów opiera się na lokalnym kontekście: jakie dokumenty są potrzebne w konkretnym przypadku? Które obowiązki uległy zmianie? Które sformułowania okazały się skuteczne? Gdzie znajdują się wcześniejsze decyzje i porównywalne procesy? Wraz z odejściem doświadczonych pracowników część tej wiedzy zanika lub musi być mozolnie odbudowywana.

Zarządzana platforma AI może złagodzić ten problem, jeśli zostanie połączona z dobrze zarządzaną miejską bazą wiedzy. Nie wiąże się to z generowaniem dowolnych odpowiedzi z internetu. System przeszukuje zatwierdzone instrukcje dotyczące usług, regulaminy, instrukcje, szablony i opisy procesów, a następnie formułuje odpowiedzi na podstawie tych źródeł. W idealnym przypadku wyświetla wykorzystane źródła, umożliwiając pracownikom natychmiastową weryfikację informacji. To podejście, często określane jako generowanie rozszerzone o wyszukiwanie, łączy możliwości lingwistyczne modelu z kontrolowanymi źródłami lokalnymi.

Kluczowym atutem nie jest tu model językowy, lecz ustrukturyzowana baza wiedzy administracji. Modele można zastąpić, gdy wymaga tego wydajność, koszty lub wymogi prawne. Z drugiej strony, czyste repozytorium dokumentów z wersjonowaniem, podziałem odpowiedzialności, metadanymi i zasadami usuwania pozostaje użyteczne w perspektywie długoterminowej. Haltern powinien zatem inwestować nie w konkretny model, ale w jakość danych, zarządzanie wiedzą i otwarte interfejsy. Inwestycje te jednocześnie usprawniają tradycyjną digitalizację i nadal mają wpływ, nawet w obliczu dynamicznego rozwoju technologii sztucznej inteligencji.

Suwerenność cyfrowa jest kwestią kosztów

Suwerenność cyfrowa jest często traktowana jako ideał polityczny, ale ma ona konkretny rdzeń ekonomiczny. Firmy, które całkowicie uzależniają swoje dane, interfejsy i wiedzę operacyjną od jednego dostawcy, tracą siłę negocjacyjną. Koszty zmiany dostawcy rosną, dostosowania stają się kosztowne, a innowacje zależą od planowania produktów przez firmę zewnętrzną. Z drugiej strony, opracowywanie każdego komponentu technicznego wewnętrznie byłoby nieopłacalne. Suwerenność nie oznacza zatem autarkii, lecz zdolność do podejmowania świadomych decyzji, zmiany dostawcy i utrzymania kluczowych usług nawet w przypadku zakłóceń.

W przypadku zarządzanej sztucznej inteligencji (AI) oznacza to architekturę modułową. Zarządzanie tożsamościami, repozytoria wiedzy, logowanie i interfejsy nie powinny być nierozerwalnie związane z jednym modelem językowym. Modele można dobierać w zależności od zadania: model o wysokiej wydajności dla złożonych tekstów, mniejszy i bardziej ekonomiczny do klasyfikacji oraz model obsługiwany lokalnie dla danych wrażliwych. NRW.Genius już teraz stosuje podejście niezależne od modelu i hybrydowe, w którym przetwarzanie można dostosować do wymogów ochrony. Zasada ta powinna również kierować wdrażaniem w gminach.

Koszty należy uwzględniać w całym cyklu życia. Obejmuje to wdrożenie, przygotowanie danych, integrację, szkolenia, bieżącą eksploatację, wykorzystanie modelu, audyty bezpieczeństwa, zapewnienie jakości oraz możliwość zmiany dostawcy. Pozornie niedrogie rozwiązanie AI może okazać się kosztowne, jeśli każda aplikacja biznesowa wymaga indywidualnej integracji lub jeśli koszty nie są transparentne. Z drugiej strony, nieco wyższa opłata za platformę może być ekonomiczna, jeśli zapewnia ona bezpieczne standardy, wspólne komponenty i niezawodne wsparcie.

Ochrona danych staje się wyzwaniem architektonicznym

Ochronę danych nie należy badać dopiero po technicznym zakończeniu projektu pilotażowego. W przypadku dużych modeli językowych pojawiają się pytania dotyczące podstawy prawnej, ograniczenia celu, minimalizacji danych, okresów przechowywania, transferu danych oraz wszelkich danych osobowych potencjalnie zawartych w modelu. Federalny Komisarz ds. Ochrony Danych zaleca zatem, aby organy administracji publicznej uwzględniały ochronę danych w projektach sztucznej inteligencji od samego początku, a w szczególności systematycznie oceniały przetwarzanie danych osobowych w trakcie szkoleń i użytkowania. Dla gmin nie stanowi to dodatkowego obciążenia biurokratycznego, lecz warunek konieczny długoterminowej użyteczności systemów.

Zarządzana sztuczna inteligencja może sprawić, że ochrona danych stanie się bardziej praktyczna, ponieważ zasady można egzekwować technicznie. Dane można klasyfikować lub pseudonimizować przed przetwarzaniem. Role i uprawnienia ograniczają dostęp do poszczególnych baz wiedzy. Dane wejściowe można rejestrować, okresy przechowywania danych można zautomatyzować, a niedozwolone treści można filtrować. Różne wymagania dotyczące ochrony można rozłożyć na oddzielne ścieżki przetwarzania. Dzięki temu ochrona danych przekształca się z arkusza informacyjnego w funkcję operacyjną.

Bezpieczeństwo informacji wymaga czegoś więcej niż tylko umowy z dostawcą modelu. Niemiecki Federalny Urząd ds. Bezpieczeństwa Informacji (BSI) zaleca między innymi inwentaryzację wykorzystywanych systemów sztucznej inteligencji (AI), jasne zasady użytkowania, konfiguracje minimalizujące ilość danych, zdefiniowane okresy usuwania, jednoznaczne obowiązki oraz walidację wyników przed ich przekazaniem do systemów zaplecza. Ten ostatni wymóg jest szczególnie istotny: AI, która jedynie wyświetla wersję roboczą, stwarza inne ryzyko niż system, który samodzielnie zapisuje dane w wyspecjalizowanej aplikacji lub przygotowuje decyzję.

Pewność prawna nie jest gwarantowana przez zakaz

Europejska ustawa o sztucznej inteligencji (AI) zaostrza wymogi dotyczące zarządzania, przejrzystości i kompetencji. Przepisy dotyczące kompetencji w zakresie AI obowiązują od lutego 2025 r.; od sierpnia 2026 r. obowiązują znaczne części ram prawnych i zasad przejrzystości. Niektóre aplikacje w obszarach wrażliwych podlegają szczególnie surowym regulacjom jako systemy wysokiego ryzyka. Nie oznacza to całkowitego zakazu ani całkowitej swobody dla gmin. Muszą one różnicować aplikacje w zależności od ryzyka i w sposób udokumentowany wypełniać swoje obowiązki organizacyjne.

Asystent tekstowy do wewnętrznych projektów musi być traktowany inaczej niż system współdecydujący o dostępie do istotnej usługi publicznej. Nawet w ramach jednej aplikacji ryzyko może być różne. Podsumowanie zanonimizowanego dokumentu publicznego jest mniej problematyczne niż podsumowanie akt dotyczących pomocy społecznej. Solidny model zarządzania uwzględnia zatem nie tylko sam produkt, ale także cel, dane, bazę użytkowników i wpływ jego konkretnego zastosowania.

Zarządzana sztuczna inteligencja zapewnia niezbędną kontrolę. Jednostka centralna prowadzi rejestr wniosków, dokumentuje podmioty odpowiedzialne i zatwierdzenia, przypisuje klasy ochrony i monitoruje zmiany. Zapobiega to tworzeniu przez każdą agencję własnych zasad. Jednocześnie zarządzanie nie może prowadzić do opóźnień w zatwierdzaniu. W przypadku częstych, standardowych przypadków o niskim ryzyku, powinny istnieć wstępnie zatwierdzone szablony i szybkie procesy zatwierdzania. O jakości regulacji świadczy to, czy umożliwiają one bezpieczne użytkowanie, a nie tylko zarządzanie niepewnością.

Pracownicy decydują o zysku

Wdrażanie sztucznej inteligencji (AI) to przede wszystkim kwestia rozwoju organizacyjnego. Pracownicy muszą rozumieć możliwości systemu, jego ograniczenia oraz pozostałe obowiązki. Jednorazowe szkolenie z zakresu podpowiedzi jest niewystarczające. Niezbędne są metody nauczania oparte na zadaniach, przykłady z własnego działu, wytyczne dotyczące przetwarzania danych oraz umiejętność identyfikowania przekonująco sformułowanych błędów. Menedżerowie muszą również posiadać umiejętności w zakresie doboru procesów, oceny metryk i projektowania nowych ról.

Wdrażanie nie powinno zaczynać się od obietnicy redukcji zatrudnienia. Taka komunikacja, co zrozumiałe, rodzi opór i zmniejsza chęć do nauki. Bardziej wiarygodnym celem jest zmniejszenie szczytowego obciążenia pracą, wyeliminowanie zaległości i odciążenie specjalistów od zadań wymagających niewielkiej autoryzacji decyzyjnej. Następnie praca ludzka przenosi się z tworzenia wstępnego projektu na jego recenzowanie, klasyfikowanie, doradzanie i podejmowanie decyzji.

Współdecydowanie i partycypacja powinny być zorganizowane już na wczesnym etapie. Miasto Essen uregulowało wykorzystanie sztucznej inteligencji poprzez umowę o świadczenie usług, zaangażowało radę pracowniczą, zapewniło podstawowe szkolenie i zastrzegło, że wyniki sztucznej inteligencji muszą zostać poddane profesjonalnej weryfikacji przed ich wykorzystaniem na zewnątrz; decyzje uznaniowe pozostają w gestii ludzi. Ten model można zaadaptować dla Haltern. Jasne zasady nie tylko chronią pracowników i obywateli, ale także zwiększają wykorzystanie, zmniejszając niepewność.

Skalowanie międzygminne jest lepsze od izolowanych rozwiązań miejskich

W Niemczech tysiące gmin realizuje podobne zadania, ale charakteryzuje się heterogenicznym krajobrazem systemowym. Gdyby każda administracja miała opracować własnych asystentów, procedury audytu i modele kontraktowe, skutkowałoby to znacznym powielaniem wysiłków. Bardziej rozsądne ekonomicznie podejście polega na współdzieleniu kluczowych komponentów i lokalnej adaptacji. Współpraca międzygminna rozkłada koszty stałe, gromadzi wiedzę specjalistyczną i zapewnia wystarczającą liczbę użytkowników dla profesjonalnych struktur operacyjnych.

Regionalna infrastruktura informatyczna Haltern stanowi naturalny punkt wyjścia. Wspólne Centrum Usług Informatycznych (GKD) umożliwia scentralizowaną obsługę platformy, architekturę bezpieczeństwa i integrację techniczną. Usługi na poziomie stanowym, takie jak NRW.Genius, zapewniają ogólne funkcje wsparcia. Struktury krajowe, takie jak AI Opportunities Marketplace, mają na celu zapewnienie transparentności aplikacji i promowanie ponownego wykorzystania między rządem federalnym, stanowym i lokalnym; Rada Planowania IT podjęła decyzję o przyjęciu tej platformy jako własnego produktu 1 stycznia 2027 r. Pozwoli to stopniowo stworzyć ekosystem, w którym gminy nie będą musiały wyważać otwartych drzwi.

Współpraca nie może jednak prowadzić do najwolniejszego tempa. Haltern powinien określić własne priorytety i kryteria sukcesu, dzieląc się jednocześnie fundamentami technicznymi. Możliwy jest system modułowy: wspólna platforma, wspólne standardy bezpieczeństwa i wspólnie testowane modele, ale z lokalnymi bazami wiedzy i wybranymi modułami procesów. W ten sposób zachowana zostanie specyfika miejska bez utraty korzyści skali.

Zaangażowanie obywateli rozwija się za kulisami

Obywatele nie oceniają administracji publicznej na podstawie liczby wykorzystywanych przez nią modeli sztucznej inteligencji. Doświadczają czasu oczekiwania, zrozumiałości, dostępności, niezawodności i równego traktowania. Skuteczna strategia sztucznej inteligencji musi zatem być oceniana na podstawie tych czynników. Jeśli pismo stanie się szybsze, ale mniej zrozumiałe, niewiele zyskasz. Jeśli chatbot odpowiada przez całą dobę, ale w wyjątkowych przypadkach stwarza fałszywe poczucie bezpieczeństwa, zaufanie może w rzeczywistości spaść.

Najsilniejszy wpływ na obywateli często pojawia się pośrednio. Szybsze wewnętrzne badania skracają czas oczekiwania na odpowiedź. Automatyczne kontrole kompletności zmniejszają liczbę próśb o pomoc. Narzędzia tłumaczeniowe ułatwiają dostęp osobom z ograniczoną znajomością języka niemieckiego. Bardziej zrozumiałe wersje robocze mogą uprościć skomplikowany język administracyjny. Pracownicy zyskują więcej czasu na sprawy wymagające osobistego wyjaśnienia lub rozważenia. Sztuczna inteligencja nie zastępuje zatem kontaktu, ale może go w razie potrzeby przywrócić.

Zewnętrznego asystenta obywatelskiego należy wdrożyć dopiero po osiągnięciu wiarygodności wewnętrznej bazy wiedzy. W przeciwnym razie gmina po prostu zautomatyzuje swoje niejasności. Wskazane byłoby rozpoczęcie od ograniczonych, często zadawanych, nieosobistych pytań, przejrzystych źródeł i jasnych odesłań do personelu. Asystent nie powinien udawać, że udziela prawnie wiążącej odpowiedzi. Każda odpowiedź musi jasno określać, czy jest to informacja ogólna, czy porada dotycząca konkretnego przypadku.

Aby zacząć dobrze, trzeba jasno określić kilka priorytetów

Haltern nie powinien zaczynać od długiej listy życzeń, lecz od portfolio obejmującego trzy do pięciu przypadków użycia. Pierwszy z nich mógłby koncentrować się na bezpiecznej obsłudze tekstu i dokumentów. Drugi mógłby dotyczyć przetwarzania dokumentów przychodzących. Trzeci powinien dotyczyć wewnętrznego zarządzania wiedzą. Jasno zdefiniowany proces o mierzalnej objętości, taki jak wstępny przegląd standardowych dokumentów, również jest odpowiedni. Takie połączenie generuje krótkoterminowe sukcesy edukacyjne, jednocześnie budując platformę do długoterminowego użytkowania.

Selekcja powinna być dokonywana zgodnie z jednolitymi ramami: liczbą spraw, bieżącym nakładem czasu, standaryzacją, dostępnością danych, wysiłkiem integracyjnym, konsekwencjami błędów i oczekiwanymi korzyściami. Priorytetowo traktowane są wnioski o dużej liczbie spraw, dobrej podstawie danych i niskim wpływie prawnym. Wnioski o wysokim ryzyku lub niejasnych sytuacjach dotyczących danych są odkładane na później. Dzięki temu ranking jest przejrzysty pod względem ekonomicznym i nie zależy od udziału poszczególnych dostawców lub działów w rynku.

Każdy projekt pilotażowy wymaga eksperta merytorycznego, kierownika technicznego i mierzalnej wartości docelowej. Po trzech do sześciu miesiącach podejmowana jest decyzja, czy aplikacja powinna zostać zamknięta, dostosowana czy przeskalowana. Sukces to nie tylko oszczędność czasu. Należy również mierzyć jakość, akceptację, wskaźnik błędów, liczbę niezbędnych poprawek, stabilność i wpływ na obywateli. Projekt pilotażowy bez predefiniowanych kryteriów zakończenia może łatwo przekształcić się w ciągły eksperyment.

Model operacyjny gminy w czterech etapach

W pierwszym etapie miasto ustanawia porządek. Dokumentuje istniejące wykorzystanie sztucznej inteligencji, definiuje obowiązki, przyjmuje wstępną politykę użytkowania oraz klasyfikuje dane i przypadki użycia. Jednocześnie zaangażowana jest rada pracownicza, dział ochrony danych, dział bezpieczeństwa informacji, dział prawny i inne odpowiednie działy. Rezultatem nie jest obszerny raport dotyczący polityki, lecz praktyczne ramy.

W drugiej fazie zapewniane jest bezpieczne środowisko pomocy. Pracownicy otrzymują oficjalny dostęp, szkolenie i jasną listę dozwolonych zadań. Początkowo przetwarzane są treści publiczne lub mniej wrażliwe. Miasto gromadzi dane dotyczące użytkowania i dokumentuje typowe błędy. W ten sposób zastępuje niekontrolowaną sztuczną inteligencję typu shadow lepszą, oficjalną alternatywą.

Trzeci etap obejmuje integrację wiedzy i połączenie procesów. Opublikowane dokumenty miejskie są wersjonowane i indeksowane, odpowiedzi są linkowane do odpowiednich źródeł, a wstępne aplikacje specjalistyczne są łączone za pośrednictwem interfejsów. To właśnie tutaj następuje największy wzrost wydajności, ale także wtedy, gdy rosną wymagania dotyczące testowania i eksploatacji. Dlatego zarządzany model sztucznej inteligencji musi obejmować wsparcie, monitorowanie, kontrolę kosztów i zarządzanie zmianami.

W czwartym etapie sprawdzone aplikacje są skalowane w poszczególnych gminach. Haltern może zaadaptować moduły działające gdzie indziej i wnieść własne doświadczenia. Większe inwestycje są dzielone. Jednocześnie, regularne porównywanie modeli pozostaje niezbędne, aby zapewnić konkurencyjność kosztów i jakości. W ten sposób miasto ewoluuje od nabywcy indywidualnych narzędzi AI do kompetentnego klienta cyfrowej usługi operacyjnej.

Aby osiągnąć korzyści, konieczny jest system kluczowych wskaźników efektywności (KPI) na poziomie gminy

Prosty system kluczowych wskaźników efektywności (KPI) zapobiega przesadzie. Na poziomie procesu kluczowe wskaźniki obejmują czas przepustowości, aktywny czas przetwarzania, zapytania, wskaźnik błędów i zaległości. Na poziomie pracownika istotne są wskaźniki wykorzystania, postrzegana redukcja obciążenia pracą oraz potrzeby szkoleniowe. Z perspektywy obywatela należy wziąć pod uwagę czas reakcji, zrozumiałość, wskaźnik skarg i pomyślne rozpatrzenie wniosku. Z technicznego punktu widzenia istotne są również dostępność, czas reakcji, koszt transakcji oraz liczba incydentów związanych z bezpieczeństwem.

Kluczowe wskaźniki efektywności (KPI) muszą zostać zebrane przed rozpoczęciem projektu pilotażowego; w przeciwnym razie porównanie jest niemożliwe. Ponadto miasto powinno rozróżnić korzyści brutto i netto. Pół godziny szybsze generowanie tekstu nie stanowi pełnego zysku, jeśli wymagałoby dodatkowych dwudziestu minut na analizę. Należy również uwzględnić skutki zmian: czy obciążenie pracą w danym dziale zostanie zmniejszone, ale wzrośnie zaangażowanie w IT lub zapewnienie jakości? Tylko kompleksowa analiza pokaże, czy gmina faktycznie stanie się bardziej produktywna.

Przejrzystość jednocześnie wzmacnia zarządzanie polityczne. Rada nie potrzebuje szczegółowych raportów technicznych, a raczej regularnego przeglądu wdrożonych aplikacji, kosztów, korzyści, ryzyka i wszelkich nietypowych zdarzeń. Obywatele powinni być w stanie zrozumieć, gdzie wykorzystywana jest sztuczna inteligencja i gdzie podejmowane są decyzje. Taka otwartość zapobiega zarówno bezpodstawnym obawom, jak i nierealistycznym oczekiwaniom.

Największe ryzyko wiąże się ze złym zarządzaniem

Halucynacje, zniekształcenia i wycieki danych stanowią realne zagrożenia techniczne. Równie niebezpieczne są jednak błędy organizacyjne: niejasne obowiązki, brak konserwacji danych, niewystarczające szkolenia, zbyt wiele równoległych projektów pilotażowych i zależność od indywidualnych konsultantów. Platforma AI może być technicznie doskonała, a mimo to zawieść, jeśli nikt nie będzie aktualizował bazy wiedzy lub jeśli działy nie dostrzegą jej zalet.

Kolejnym ryzykiem jest automatyzacja nieefektywnych procesów. Jeśli procedura zawiera zbędne pętle przeglądowe, niejasne obowiązki lub duplikację danych, sztuczna inteligencja może ją jedynie skomplikować i przyspieszyć. Dlatego przed podjęciem jakiejkolwiek automatyzacji należy zbadać, czy poszczególne kroki można wyeliminować, ujednolicić lub uprościć pod względem prawnym. Optymalizacja procesów i wykorzystanie sztucznej inteligencji idą w parze.

Wreszcie, gminy nie powinny planować wzrostu produktywności z wyprzedzeniem. Badania i praktyka ujawniają istotne różnice między zadaniami. OECD opisuje produktywność, responsywność i rozliczalność jako kluczowe możliwości wykorzystania sztucznej inteligencji przez rząd, ale zwraca również uwagę, że dowody na szeroki wzrost produktywności organizacji są nadal ograniczone. Dlatego odpowiedzialne planowanie uwzględnia scenariusze, marginesy bezpieczeństwa i inwestycje etapowe.

Dlaczego nierobienie niczego może być najdroższą opcją

Istnieją dobre argumenty przeciwko pochopnemu wdrażaniu sztucznej inteligencji. Jednak równie silne argumenty ekonomiczne przemawiają przeciwko czekaniu w nieskończoność. Pracownicy będą nadal eksperymentować z narzędziami publicznymi, sąsiednie gminy zdobędą doświadczenie, a dostawcy będą szybko dostosowywać swoje produkty. Ci, którzy nie zapewnią kontrolowanej alternatywy, nie hamują rozwoju sztucznej inteligencji, ale wręcz tracą możliwość jej kontrolowania. Jednocześnie pogłębia się luka w jakości danych, interfejsach i wiedzy specjalistycznej.

Koszty alternatywne bierności nie pojawiają się jako pojedyncza pozycja budżetowa. Objawiają się one dłuższym czasem przetwarzania, rosnącymi zaległościami, utratą wiedzy, przeciążeniem i spadkiem atrakcyjności dla pracodawców. Zwłaszcza młodsi specjaliści oczekują nowoczesnych narzędzi. Administracja, która zasadniczo blokuje pomoc cyfrową, konkuruje z pracodawcami, którzy w większym stopniu automatyzują rutynowe zadania i oferują większy zakres możliwości dla wymagających działań.

Właściwe podejście nie oznacza ani entuzjazmu dla technologii, ani jej odrzucenia. Haltern potrzebuje kontrolowanego procesu uczenia się ze wspólną infrastrukturą, jasno określonymi granicami i rygorystycznym pomiarem korzyści. Zarządzana sztuczna inteligencja (MAS) jest do tego idealna, ponieważ model ten organizuje ciągłą odpowiedzialność operacyjną. Nie traktuje AI jako oprogramowania nabytego raz, lecz jako dynamiczną infrastrukturę, którą należy stale monitorować, aktualizować i profesjonalnie zarządzać.

Żądanie przeglądu musi zostać przekształcone w strategię operacyjną

Polityczna analiza wdrażania sztucznej inteligencji może być użytecznym punktem wyjścia. Jej wartość zależy od tego, czy doprowadzi ona do powstania jasnej architektury wdrożeniowej. Sam katalog możliwych zastosowań jedynie odsunąłby problem na później. Zamiast tego potrzebne są priorytety, obowiązki, międzygminny model operacyjny, ramy finansowe i mierzalne projekty pilotażowe.

Uzasadnienie jest zatem następujące: Haltern nie powinien traktować sztucznej inteligencji (AI) jako odizolowanego projektu cyfrowego, lecz jako integralną część miejskich usług publicznych. Miasto nie musi rozwijać własnego modelu językowego ani samodzielnie obsługiwać każdego rozwiązania. Powinno wykorzystywać istniejące struktury państwowe i regionalne, stawiać na otwarte i wymienne komponenty oraz budować lokalną wiedzę specjalistyczną w zakresie procesów, danych i kontroli. W ten sposób ekonomia skali może zostać połączona z autonomią miejską.

Zarządzana sztuczna inteligencja to nie tylko dodatkowa wygoda, ale raczej mechanizm łączący korzyści z łatwością zarządzania. Bez zarządzania modele pozostają odizolowanymi narzędziami, ryzyko związane z danymi jest niejasne, a sukcesy są kwestią przypadku. Profesjonalne ramy operacyjne pozwalają bezpiecznym asystentom, wiedzy miejskiej i zautomatyzowanym krokom przekształcić się w wydajną infrastrukturę. Strategiczne pytanie nie brzmi zatem, czy sztuczna inteligencja trafi do ratusza. Chodzi o to, czy miasto będzie kształtować jej wdrożenie – czy też będzie zmuszone do wdrożenia zewnętrznych rozwiązań w późniejszym czasie, pod większą presją.

Xpert.Digital to branżowy hub B2B oparty na danych, kierowany przez Konrad Wolfenstein . Firma działa jako zewnętrzne, quasi-wewnętrzne rozwiązanie dla partnerów przemysłowych, eliminując luki operacyjne w obszarze marketingu, treści i sprzedaży – bez konieczności angażowania dodatkowych zasobów po stronie klienta.

Więcej informacji tutaj:

• Rozwiązanie quasi-in-house: Jak Xpert.Digital niweluje luki operacyjne w marketingu i sprzedaży B2B – Smart Content-Driven Business

☑️ Naszym językiem biznesowym jest angielski lub niemiecki

☑️ NOWOŚĆ: Korespondencja w Twoim ojczystym języku!

 

Ja i mój zespół chętnie będziemy do Państwa dyspozycji jako osobisty doradca.

Możesz się ze mną skontaktować, wypełniając formularz kontaktowy tutaj wolfenstein@xpert.digital:lub po prostu dzwoniąc pod numer +49 7348 4088 965. Mój adres e-mail to

Nie mogę się doczekać naszego wspólnego projektu.

 

 

☑️ Wsparcie dla MŚP w zakresie strategii, doradztwa, planowania i wdrażania

☑️ Tworzenie lub reorganizacja strategii cyfrowej i digitalizacji

☑️ Rozszerzenie i optymalizacja procesów sprzedaży międzynarodowej

☑️ Globalne i cyfrowe platformy handlowe B2B

☑️ Rozwój biznesu pionierskiego / Marketing / PR / Targi