# Tydzień 1 — rozumienie problemu
Pierwsze pytanie nie brzmi "co chcesz zbudować" ale "jaki problem chcesz rozwiązać". To różnica która na pozór jest semantyczna a w praktyce zmienia kierunek projektu.
Robimy:
- Wywiady z 3–5 użytkownikami końcowymi (nie tylko sponsorem projektu)
- Mapowanie aktualnego procesu — jak to działa TERAZ, krok po kroku
- Identyfikacja friction points — gdzie czas się marnuje, gdzie błędy się zdarzają
# Tydzień 2 — ocena danych i technikaliów
AI to dane. Przed jakąkolwiek rozmową o architekturze sprawdzamy:
- Jakie dane są dostępne i w jakiej jakości
- Jak często dane się zmieniają
- Jakie są wymagania RODO/prawne
- Jak wygląda obecna infrastruktura IT
Jeśli danych nie ma lub są złej jakości — mówimy o tym wprost, zanim ktokolwiek wyda budżet.
# Tydzień 2-3 — definicja success criteria
Najważniejszy krok, najczęściej pomijany. Jak zmierzymy sukces? Nie "AI będzie działać" ale konkretne metryki:
- Czas obsługi jednego przypadku spada z 15 do 3 minut
- Dokładność klasyfikacji ≥ 92%
- Koszt per zapytanie ≤ 0.05 PLN
Bez tych kryteriów projekt nie ma punktu końcowego i nie ma sposobu na ocenę wartości.
# Output discovery
Dokument ~15 stron: problem statement, current state, proposed solution, data assessment, ryzyka, success criteria, roadmap z estymacją. To jest podstawa każdej decyzji w projekcie.