10 case studies wdrożeń AI

Podsumowanie AI

• Temat: 10 case studies wdrożeń AI
• Cel materiału: Analizy realnych przykładów zastosowań AI w nauce, biznesie i codziennym życiu. Każdy case study zawiera kontekst, opis wdrożenia, mierzalne wyniki i wnioski krytyczne. Licencja CC BY-SA 4.0.
• Jak pracować z treścią: czytaj sekcjami, testuj zrozumienie pytaniami i wykorzystuj AI do aktywnej powtórki.

Jak czytać te case studies

Każdy z dziesięciu przypadków opisuje realne wdrożenie AI — z nazwą organizacji, datą, konkretnym problemem i zmierzonymi wynikami. Nie są to materiały marketingowe: tam gdzie dane są niepełne lub kwestionowane, zaznaczamy to wprost.

Przy każdym case study znajdziesz:

• Kontekst — dlaczego organizacja sięgnęła po AI i jaki problem chciała rozwiązać,
• Rozwiązanie — jaką technologię zastosowano i jak ją wdrożono,
• Wyniki — co zmierzono i jakie liczby podaje organizacja lub niezależne badania,
• Wnioski krytyczne — co poszło nie tak, jakie ograniczenia ujawnił czas, co warto przemyśleć.

Czytaj te przypadki jako materiał do dyskusji, nie jako gotowe odpowiedzi.

CASE STUDY 1 — DeepMind AlphaFold: AI rozwiązuje 50-letni problem biologii

Organizacja: Google DeepMind
Sektor: Nauka / biotechnologia
Rok wdrożenia: 2020–2024
Technologia: Deep learning, sieć neuronowa do predykcji struktury białek

Kontekst

Przez ponad pięćdziesiąt lat biologia molekularna zmagała się z tzw. problemem fałdowania białek: znając sekwencję aminokwasów, nie potrafiono przewidzieć trójwymiarowej struktury białka — a to właśnie struktura decyduje o funkcji. Wyznaczenie jednej struktury metodami eksperymentalnymi (krystalografia rentgenowska, kryo-EM) zajmowało od miesięcy do lat i kosztowało setki tysięcy dolarów.

Rozwiązanie

W 2020 roku DeepMind zaprezentował AlphaFold 2 — model oparty na głębokim uczeniu, który przewiduje strukturę białka z dokładnością porównywalną z metodami eksperymentalnymi. W 2022 roku udostępniono bazę danych z ponad 214 milionami przewidzianych struktur białek, obejmującą niemal wszystkie znane białka. Dostęp jest bezpłatny dla każdego badacza.

Wyniki

• Baza AlphaFold DB zawiera struktury dla ponad 214 milionów białek — 500-krotny wzrost względem stanu z 2021 roku.
• Niezależna analiza Innovation Growth Lab wykazała, że badacze korzystający z AlphaFold 2 składają o ponad 40% więcej nowych eksperymentalnych struktur białek.
• Prace powiązane z AlphaFold są dwukrotnie częściej cytowane w artykułach klinicznych niż typowe prace z biologii strukturalnej.
• AlphaFold 2 był cytowany ponad 20 000 razy w literaturze naukowej.
• W 2024 roku twórcy AlphaFold — Demis Hassabis i John Jumper — otrzymali Nagrodę Nobla z chemii.

Wnioski krytyczne

AlphaFold to jeden z niewielu przypadków, gdzie AI rozwiązała problem uznawany za fundamentalnie trudny — i zrobiła to w sposób weryfikowalny naukowo. Jednocześnie: model przewiduje strukturę statyczną, podczas gdy białka w komórce są dynamiczne. AlphaFold 3 (2024) rozszerza możliwości na interakcje między cząsteczkami, ale nadal nie zastępuje eksperymentu — przyspiesza jego planowanie.

CASE STUDY 2 — GitHub Copilot: AI jako partner programisty

Organizacja: Microsoft / GitHub
Sektor: Technologia / tworzenie oprogramowania
Rok wdrożenia: 2021–2025
Technologia: Duże modele językowe (GPT-4 i następne), uzupełnianie kodu w czasie rzeczywistym

Kontekst

Pisanie kodu to praca wymagająca dużej koncentracji, ale pełna powtarzalnych wzorców: boilerplate, dokumentacja, testy jednostkowe, konwersja między formatami. Microsoft postawił pytanie: czy model językowy może działać jak doświadczony kolega siedzący obok — podpowiadający kolejną linię, zanim programista ją napisze?

Rozwiązanie

GitHub Copilot to wtyczka do edytorów kodu (VS Code, JetBrains, Neovim), która w czasie rzeczywistym sugeruje uzupełnienia — od pojedynczych linii po całe funkcje. Model jest trenowany na publicznym kodzie z GitHuba i dostrajany na podstawie akceptacji/odrzuceń sugestii przez użytkowników.

Wyniki

• W 2025 roku Copilot miał 15 milionów aktywnych użytkowników (wzrost z 3,7 mln w 2024 roku — 400% rok do roku).
• Korzysta z niego ponad 50 000 organizacji.
• Badanie MIT i Accenture (2024) na próbie 1974 programistów wykazało mierzalny wzrost produktywności — szczególnie przy zadaniach rutynowych.
• Średnio 46% całego kodu w projektach używających Copilota pochodzi z sugestii AI (w Javie nawet 61%).
• 88% zaakceptowanych sugestii trafia do produkcji bez zmian.

Wnioski krytyczne

Badania pokazują, że korzyści nie są natychmiastowe — pełne efekty produktywności ujawniają się po około 11 tygodniach regularnego użytkowania. Pojawia się też efekt uboczny: junior developerzy mogą stać się zależni od AI, nie rozumiejąc generowanego kodu. Czas code review rośnie, bo AI generuje kod bardziej złożony niż przeciętny programista napisałby samodzielnie. Copilot to narzędzie — nie zastępstwo rozumienia.

CASE STUDY 3 — Spotify Discover Weekly: personalizacja na miliardową skalę

Organizacja: Spotify
Sektor: Streaming muzyczny / rozrywka
Rok wdrożenia: 2015–2025 (ciągły rozwój)
Technologia: Collaborative filtering, NLP, deep learning, LLM (od 2024)

Kontekst

Spotify ma ponad 100 milionów utworów w katalogu. Dla użytkownika to paradoks wyboru: jak znaleźć muzykę, którą pokocha, skoro nie wie, że istnieje? Tradycyjne wyszukiwanie nie wystarczy — potrzebny jest system, który rozumie gust lepiej niż sam słuchacz.

Rozwiązanie

Spotify łączy trzy typy sygnałów: zachowanie użytkownika (co słucha, pomija, dodaje do playlist), cechy audio (tempo, tonacja, energia — analizowane przez modele ML) oraz dane kontekstowe (pora dnia, urządzenie, lokalizacja). Od 2024 roku firma eksperymentuje z LLM do generowania narracyjnych wyjaśnień rekomendacji i funkcją AI DJ, która komentuje muzykę w czasie rzeczywistym.

Wyniki

• Playlist Discover Weekly, uruchomiona w 2015 roku, w ciągu pierwszych 10 tygodni zebrała ponad 1,7 miliarda odtworzeń.
• Badania Spotify (2024) pokazują, że dostosowanie modelu Llama do specyfiki katalogu Spotify poprawiło wyniki w zadaniach specyficznych dla platformy o do 14% względem bazowego modelu.
• Rekomendacje AI odpowiadają za ponad 30% wszystkich odtworzeń na platformie.

Wnioski krytyczne

Personalizacja ma ciemną stronę: algorytm może zamknąć użytkownika w bańce gatunkowej, ograniczając ekspozycję na nowe style. Spotify eksperymentuje z mechanizmami "serendipity" — celowego wprowadzania zaskoczenia. Warto też pamiętać, że system faworyzuje popularnych artystów: niszowi twórcy mają mniejsze szanse na odkrycie, bo mają mniej danych historycznych.

CASE STUDY 4 — Walmart: AI w zarządzaniu łańcuchem dostaw

Organizacja: Walmart
Sektor: Handel detaliczny / logistyka
Rok wdrożenia: 2022–2025
Technologia: Prognozowanie popytu ML, optymalizacja zapasów, computer vision

Kontekst

Walmart obsługuje ponad 10 500 sklepów w 19 krajach i codziennie realizuje miliony transakcji. Zarządzanie zapasami na taką skalę to problem kombinatoryczny: za mało towaru oznacza puste półki i utratę sprzedaży, za dużo — marnotrawstwo i koszty magazynowania. Tradycyjne modele statystyczne nie nadążały za zmiennością popytu.

Rozwiązanie

Walmart wdrożył systemy ML do prognozowania popytu w czasie rzeczywistym, uwzględniające dane historyczne, prognozy pogody, lokalne wydarzenia, trendy w mediach społecznościowych i dane demograficzne. Równolegle wprowadzono roboty do inwentaryzacji półek (skanowanie za pomocą computer vision) i automatyczne uzupełnianie zamówień.

Wyniki

• Redukcja marnotrawstwa żywności dzięki precyzyjniejszemu zamawianiu.
• Poprawa dostępności produktów (mniej sytuacji "brak w magazynie").
• Wzrost satysfakcji klientów mierzony wskaźnikiem NPS.
• Walmart raportuje oszczędności operacyjne w setkach milionów dolarów rocznie z tytułu optymalizacji łańcucha dostaw.

Wnioski krytyczne

Walmart nie publikuje szczegółowych danych finansowych dotyczących konkretnych wdrożeń AI — liczby w komunikatach prasowych są często zagregowane i trudne do weryfikacji. Wdrożenie robotów inwentaryzacyjnych spotkało się z oporem pracowników i pytaniami o miejsca pracy. W 2023 roku Walmart wycofał część robotów Bossa Nova ze sklepów, argumentując, że inne rozwiązania okazały się skuteczniejsze — co pokazuje, że nie każde wdrożenie AI kończy się sukcesem.

CASE STUDY 5 — Tesla Full Self-Driving: autonomia w warunkach rzeczywistych

Organizacja: Tesla
Sektor: Motoryzacja / transport
Rok wdrożenia: 2016–2025 (ciągły rozwój)
Technologia: Computer vision, sieci neuronowe, uczenie ze wzmocnieniem

Kontekst

Autonomiczne prowadzenie pojazdu to jeden z najtrudniejszych problemów AI: system musi w czasie rzeczywistym interpretować obraz z kamer, przewidywać zachowanie innych uczestników ruchu i podejmować decyzje bezpieczne dla życia. Tesla postawiła na podejście oparte wyłącznie na kamerach (bez LiDAR), co było kontrowersyjne w branży.

Rozwiązanie

Tesla zbiera dane z ponad 6 milionów pojazdów na drogach całego świata. Każdy samochód jest węzłem sieci zbierającej dane o trudnych sytuacjach drogowych. Model FSD (Full Self-Driving) jest aktualizowany over-the-air — kierowcy dostają nowe możliwości bez wizyty w serwisie. Tesla Dojo to superkomputer zbudowany specjalnie do trenowania modeli wizji.

Wyniki

• Do końca 2024 roku kierowcy Tesli przejechali łącznie ponad 3 miliardy mil z włączonym Autopilotem.
• Tesla raportuje, że wypadki z Autopilotem zdarzają się rzadziej niż bez niego (1 wypadek na ~7,85 mln mil z Autopilotem vs ~1,5 mln mil bez).
• FSD v12 (2024) przeszedł na architekturę end-to-end neural network, eliminując ręcznie pisane reguły.

Wnioski krytyczne

Dane bezpieczeństwa Tesli są trudne do niezależnej weryfikacji — firma kontroluje metodologię raportowania. NHTSA (amerykańska agencja bezpieczeństwa drogowego) prowadziła kilka dochodzeń w sprawie wypadków z Autopilotem. Nazwa "Full Self-Driving" jest myląca: system nadal wymaga aktywnego nadzoru kierowcy. Rozbieżność między marketingiem a rzeczywistymi możliwościami to ważna lekcja o komunikacji AI.

CASE STUDY 6 — General Mills: AI w logistyce i produkcji

Organizacja: General Mills
Sektor: Przemysł spożywczy / logistyka
Rok wdrożenia: 2022–2025
Technologia: Optymalizacja tras, prognozowanie, computer vision w produkcji

Kontekst

General Mills to jeden z największych producentów żywności na świecie (marki: Cheerios, Häagen-Dazs, Old El Paso). Firma codziennie zarządza tysiącami przesyłek z fabryk do magazynów w całych Stanach Zjednoczonych. Optymalizacja tras i harmonogramów to problem, który przy tej skali generuje ogromne koszty lub oszczędności.

Rozwiązanie

General Mills wdrożył modele AI do planowania logistyki, które analizują ponad 5000 dziennych przesyłek z fabryk do magazynów. System uwzględnia ceny paliwa, dostępność kierowców, pojemność magazynów i priorytety zamówień. Równolegle wprowadzono AI do monitorowania jakości produkcji (computer vision wykrywający defekty).

Wyniki

• Oszczędności w logistyce przekroczyły 20 milionów dolarów od roku fiskalnego 2024.
• Firma prognozuje, że dane produkcyjne w czasie rzeczywistym przyniosą ponad 50 milionów dolarów oszczędności z tytułu redukcji odpadów w 2025 roku.
• CFO Kofi Bruce publicznie potwierdził te liczby w komunikatach dla inwestorów.

Wnioski krytyczne

General Mills to rzadki przykład firmy, która podaje konkretne liczby finansowe z wdrożeń AI — co czyni ten case study szczególnie wartościowym. Warto jednak pamiętać, że liczby podawane inwestorom mogą uwzględniać efekty, które trudno przypisać wyłącznie AI (np. ogólna optymalizacja procesów). Sukces w logistyce nie oznacza automatycznie sukcesu w innych obszarach.

CASE STUDY 7 — ChatGPT w edukacji: Khan Academy i Khanmigo

Organizacja: Khan Academy
Sektor: Edukacja
Rok wdrożenia: 2023–2025
Technologia: GPT-4 (OpenAI), fine-tuning, system promptów

Kontekst

Khan Academy od lat oferuje bezpłatne materiały edukacyjne online. Założyciel Sal Khan postawił pytanie: czy AI może pełnić rolę osobistego tutora — dostępnego 24/7, cierpliwego, dostosowującego się do tempa ucznia? Nie chodzi o zastąpienie nauczyciela, ale o danie każdemu uczniowi czegoś, na co wcześniej mogli sobie pozwolić tylko zamożni: indywidualnych korepetycji.

Rozwiązanie

Khanmigo to asystent AI zbudowany na GPT-4, zaprojektowany specjalnie dla edukacji. Kluczowa zasada: nie podaje gotowych odpowiedzi — zamiast tego zadaje pytania naprowadzające, jak dobry nauczyciel. System jest dostrojony, by nie rozwiązywać zadań za ucznia, lecz prowadzić go przez rozumowanie. Nauczyciele mają osobny panel z wglądem w postępy uczniów.

Wyniki

• Khanmigo jest dostępny dla milionów uczniów w USA i stopniowo rozszerza się na inne kraje.
• Wewnętrzne badania Khan Academy pokazują wzrost zaangażowania uczniów i czasu spędzonego na platformie.
• Nauczyciele raportują, że Khanmigo pomaga im identyfikować uczniów wymagających dodatkowej uwagi.
• Sal Khan w książce Brave New Words (2024) opisuje przypadki uczniów, którzy dzięki AI nadrobili zaległości z matematyki w ciągu tygodni.

Wnioski krytyczne

Khanmigo to jeden z bardziej przemyślanych etycznie projektów AI w edukacji — projektanci świadomie ograniczyli możliwości systemu, by nie zastępował myślenia ucznia. Jednak niezależnych, recenzowanych badań nad skutecznością jest wciąż mało. Istnieje ryzyko, że uczniowie nauczą się "rozmawiać z AI" zamiast rozumieć materiał. Dostęp do Khanmigo wymaga subskrypcji — co ogranicza zasięg wśród najbardziej potrzebujących.

CASE STUDY 8 — Klarna: AI w obsłudze klienta

Organizacja: Klarna
Sektor: Fintech / płatności
Rok wdrożenia: 2024
Technologia: Duże modele językowe, chatbot konwersacyjny

Kontekst

Klarna to szwedzka firma fintech obsługująca ponad 150 milionów klientów w 45 krajach. Obsługa klienta to jeden z największych kosztów operacyjnych: tysiące agentów odpowiadających na pytania o płatności, zwroty, spory. CEO Sebastian Siemiatkowski postawił na radykalną automatyzację.

Rozwiązanie

W lutym 2024 roku Klarna uruchomiła asystenta AI opartego na GPT-4, który przejął obsługę zapytań klientów. System działa w 35 językach, jest dostępny 24/7 i ma dostęp do historii transakcji klienta.

Wyniki

Klarna opublikowała dane po pierwszym miesiącu działania:

• Asystent AI obsłużył 2,3 miliona rozmów — równowartość pracy 700 pełnoetatowych agentów.
• Czas rozwiązania sprawy skrócił się z 11 minut do 2 minut.
• Satysfakcja klientów (CSAT) była na tym samym poziomie co przy obsłudze ludzkiej.
• Firma szacowała roczne oszczędności na poziomie 40 milionów dolarów.

Wnioski krytyczne

Klarna to jeden z najczęściej cytowanych przykładów AI w obsłudze klienta — i jeden z najbardziej kontrowersyjnych. Firma zwolniła tysiące pracowników, co wywołało debatę o społecznych kosztach automatyzacji. W 2025 roku Klarna częściowo wycofała się z pełnej automatyzacji, ogłaszając rekrutację nowych agentów — co sugeruje, że AI nie rozwiązuje wszystkich przypadków równie dobrze. Liczby z pierwszego miesiąca mogły nie uwzględniać trudniejszych, eskalowanych spraw.

CASE STUDY 9 — Google DeepMind i prognozowanie pogody: GraphCast

Organizacja: Google DeepMind
Sektor: Nauka / meteorologia
Rok wdrożenia: 2023–2025
Technologia: Graph Neural Networks, uczenie maszynowe na danych ERA5

Kontekst

Prognozowanie pogody to jeden z najtrudniejszych problemów obliczeniowych: tradycyjne modele numeryczne (jak ECMWF) wymagają superkomputerów i godzin obliczeń. Czy model ML wytrenowany na historycznych danych może przewidywać pogodę szybciej i dokładniej?

Rozwiązanie

GraphCast to model oparty na grafowych sieciach neuronowych, wytrenowany na 40 latach danych meteorologicznych ERA5 (European Centre for Medium-Range Weather Forecasts). Model generuje 10-dniową prognozę pogody dla całej Ziemi w mniej niż minutę na standardowym komputerze z GPU.

Wyniki

• W testach porównawczych GraphCast przewyższył tradycyjny model ECMWF w 90% z 1380 wskaźników meteorologicznych.
• Prognoza 10-dniowa generowana w poniżej 60 sekund (vs godziny dla modeli numerycznych).
• Model skutecznie przewidział trajektorię huraganu Lee w 2023 roku z 9-dniowym wyprzedzeniem — wcześniej niż tradycyjne modele.
• Wyniki opublikowane w Science (2023) zostały zreplikowane przez niezależne zespoły.

Wnioski krytyczne

GraphCast to przykład AI, która nie zastępuje ekspertów, ale daje im nowe narzędzie. Model jest szybki i tani obliczeniowo, ale jego "rozumowanie" jest nieprzejrzyste — meteorolodzy nie mogą sprawdzić, dlaczego model podjął daną decyzję. W sytuacjach kryzysowych (ostrzeżenia przed huraganami) brak interpretowalności może być problemem. Trwają prace nad hybrydowymi podejściami łączącymi modele fizyczne z ML.

CASE STUDY 10 — AI w diagnostyce medycznej: wykrywanie raka piersi

Organizacja: Google Health / DeepMind + NHS (Wielka Brytania)
Sektor: Ochrona zdrowia / diagnostyka
Rok wdrożenia: 2020–2025
Technologia: Computer vision, deep learning na mammografiach

Kontekst

Rak piersi jest jednym z najczęstszych nowotworów u kobiet. Wczesne wykrycie dramatycznie zwiększa szanse na wyleczenie. Mammografia to skuteczna metoda przesiewowa, ale jej interpretacja jest trudna: nawet doświadczeni radiolodzy popełniają błędy, a obciążenie pracą w systemach publicznych jest ogromne.

Rozwiązanie

Google Health we współpracy z NHS wytrenował model deep learning na dziesiątkach tysięcy mammogramów z anonimizowanymi diagnozami. Model analizuje obraz i wskazuje obszary podejrzane o zmiany nowotworowe, działając jako "drugi czytający" — wsparcie dla radiologa, nie jego zastępstwo.

Wyniki

Badanie opublikowane w Nature (2020) na danych z USA i Wielkiej Brytanii wykazało:

• Model zredukował fałszywe negatywy (przeoczone nowotwory) o 9,4% w USA i 2,7% w Wielkiej Brytanii.
• Zredukował fałszywe pozytywy (niepotrzebne biopsje) o 5,7% w USA i 1,2% w Wielkiej Brytanii.
• W symulowanym scenariuszu "jeden radiolog + AI" wyniki były lepsze niż przy dwóch radiologach bez AI.

Wnioski krytyczne

To jeden z najbardziej rygorystycznie zbadanych przypadków AI w medycynie. Jednak droga od badania naukowego do wdrożenia klinicznego jest długa: model musi przejść certyfikację regulacyjną (FDA, CE), być zintegrowany z systemami szpitalnymi i zaakceptowany przez personel medyczny. Istnieje też ryzyko "automation bias" — radiolodzy mogą nadmiernie ufać AI i nie kwestionować jej wskazań. Wdrożenia w NHS postępują stopniowo, z obowiązkowym nadzorem człowieka.

Podsumowanie: co łączy udane wdrożenia AI?

Analizując te dziesięć przypadków, można wyróżnić kilka wspólnych cech projektów, które przyniosły realne korzyści:

Równie ważne są lekcje z porażek i ograniczeń:

• Liczby z komunikatów prasowych rzadko są niezależnie weryfikowane.
• Krótkoterminowe wyniki mogą nie utrzymać się w czasie (Klarna, roboty Walmart).
• Automatyzacja ma koszty społeczne, które nie pojawiają się w arkuszach kalkulacyjnych.
• "AI" to nie jedna technologia — każdy z tych przypadków używa innego podejścia technicznego.

Pytania do dyskusji

Poniższe pytania możesz wykorzystać do analizy własnych przykładów wdrożeń AI lub jako punkt wyjścia do dyskusji grupowej:

1. Kto zyskuje, a kto traci na danym wdrożeniu AI? Czy koszty i korzyści są rozłożone sprawiedliwie?

2. Jakie dane były potrzebne do wdrożenia? Skąd pochodziły? Czy ich zbieranie budziło wątpliwości etyczne?

3. Czy wyniki są niezależnie weryfikowalne, czy opieramy się wyłącznie na danych organizacji, która wdrożyła system?

4. Co się stanie, gdy system popełni błąd? Kto ponosi odpowiedzialność?

5. Czy wdrożenie AI rozwiązało problem, czy tylko go przeniosło w inne miejsce?

Materiał opracowany na podstawie publicznie dostępnych badań, raportów i komunikatów prasowych. Wszystkie cytowane liczby pochodzą ze wskazanych źródeł — zachęcamy do samodzielnej weryfikacji. Licencja CC BY-SA 4.0.

Bibliografia

Case Study 1 — DeepMind AlphaFold

1. Jumper, J. et al. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596, 583–589. https://doi.org/10.1038/s41586-021-03819-2
2. Varadi, M. et al. (2022). AlphaFold Protein Structure Database: massively expanding the structural coverage of protein-sequence space with high-accuracy models. Nucleic Acids Research, 50(D1), D439–D444. https://doi.org/10.1093/nar/gkab1061
3. DeepMind (2022). AlphaFold reveals the structure of the protein universe. https://deepmind.google/discover/blog/alphafold-reveals-the-structure-of-the-protein-universe/
4. The Nobel Prize (2024). The Nobel Prize in Chemistry 2024. https://www.nobelprize.org/prizes/chemistry/2024/press-release/
5. Innovation Growth Lab (2023). The impact of AlphaFold on experimental structural biology. https://www.innovationgrowthlab.org/blog/impact-alphafold-experimental-structural-biology

Case Study 2 — GitHub Copilot

6. GitHub (2025). GitHub Copilot: The AI coding assistant elevating developer workflows. https://github.blog/news-insights/product-news/github-copilot-the-ai-coding-assistant-elevating-developer-workflows/
7. Peng, S. et al. (2023). The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv:2302.06590. https://arxiv.org/abs/2302.06590
8. Cui, Z. & Demirer, M. (2024). The Effects of Generative AI on High Skilled Work: Evidence from Three Field Experiments with Software Developers. MIT Working Paper. https://economics.mit.edu/sites/default/files/2024-01/Generative_AI_Software_Developers.pdf
9. GitHub (2023). Survey reveals AI's impact on the developer experience. https://github.blog/news-insights/research/survey-reveals-ais-impact-on-the-developer-experience/

Case Study 3 — Spotify Discover Weekly

10. Spotify Engineering (2015). Discover Weekly: How machine learning finds your new favorite music. https://engineering.atspotify.com/2015/12/how-spotify-discover-weekly-works/
11. Spotify Research (2024). Improving Recommendations with Llama. https://research.atspotify.com/2024/improving-recommendations-with-llama/
12. Pasick, A. (2015). The magic that makes Spotify's Discover Weekly playlists so damn good. Quartz. https://qz.com/571007/the-magic-that-makes-spotifys-discover-weekly-playlists-so-damn-good

Case Study 4 — Walmart

13. Walmart (2023). How Walmart uses AI to improve the customer experience. https://corporate.walmart.com/news/2023/01/how-walmart-uses-ai-to-improve-the-customer-experience
14. Statt, N. (2023). Walmart is ditching its shelf-scanning robots. The Verge. https://www.theverge.com/2023/11/walmart-shelf-scanning-robots-discontinued
15. McKinsey & Company (2023). AI in supply chain: Walmart's approach to demand forecasting. https://www.mckinsey.com/capabilities/operations/our-insights/ai-in-supply-chain

Case Study 5 — Tesla Full Self-Driving

16. Tesla (2025). Tesla Vehicle Safety Report Q4 2024. https://www.tesla.com/VehicleSafetyReport
17. NHTSA (2024). Automated Driving Systems: Tesla Autopilot Investigation. https://www.nhtsa.gov/vehicle-safety/automated-vehicles-safety
18. Karpathy, A. (2022). Tesla AI Day 2022 [prezentacja]. https://youtu.be/ODSJsviD_SU

Case Study 6 — General Mills

19. General Mills (2024). Fiscal Year 2024 Annual Report. https://investors.generalmills.com/financial-information/annual-reports
20. Kofi Bruce, CFO General Mills (2024). Q2 FY2025 Earnings Call Transcript. https://investors.generalmills.com/news-releases/news-release-details/general-mills-reports-fiscal-2025-second-quarter-results
21. Marr, B. (2024). How General Mills Uses AI To Save Millions In Logistics. Forbes. https://www.forbes.com/sites/bernardmarr/2024/how-general-mills-uses-ai-logistics/

Case Study 7 — Khan Academy / Khanmigo

22. Khan, S. (2024). Brave New Words: How AI Will Revolutionize Education (and Why That's a Good Thing). Viking. ISBN 978-0593656945.
23. Khan Academy (2023). Introducing Khanmigo: Khan Academy's AI-powered teaching assistant. https://blog.khanacademy.org/introducing-khanmigo/
24. Mollick, E. & Mollick, L. (2023). Assigning AI: Seven Approaches for Students, with Prompts. SSRN. https://doi.org/10.2139/ssrn.4475995

Case Study 8 — Klarna

25. Klarna (2024). Klarna AI assistant handles two-thirds of customer service chats in its first month. https://www.klarna.com/international/press/klarna-ai-assistant-handles-two-thirds-of-customer-service-chats-in-its-first-month/
26. Browne, R. (2024). Klarna says its AI assistant does the work of 700 employees. CNBC. https://www.cnbc.com/2024/02/27/klarna-says-its-ai-assistant-does-the-work-of-700-employees.html
27. Milmo, D. (2025). Klarna reverses AI job cuts and starts hiring humans again. The Guardian. https://www.theguardian.com/technology/2025/klarna-reverses-ai-job-cuts

Case Study 9 — GraphCast

28. Lam, R. et al. (2023). Learning skillful medium-range global weather forecasting. Science, 382(6677), 1416–1421. https://doi.org/10.1126/science.adi2336
29. DeepMind (2023). GraphCast: AI model for faster and more accurate global weather forecasting. https://deepmind.google/discover/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/
30. ECMWF (2024). Machine learning models at ECMWF: a review. https://www.ecmwf.int/en/research/machine-learning

Case Study 10 — AI w diagnostyce raka piersi

31. McKinney, S.M. et al. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577, 89–94. https://doi.org/10.1038/s41586-019-1799-6
32. Schaffter, T. et al. (2020). Evaluation of Combined Artificial Intelligence and Radiologist Assessment to Interpret Screening Mammograms. JAMA Network Open, 3(3). https://doi.org/10.1001/jamanetworkopen.2020.0265
33. NHS England (2024). AI in diagnostic imaging: deployment guidance. https://www.england.nhs.uk/digitaltechnology/ai-in-health-and-care/
34. Obermeyer, Z. & Topol, E.J. (2021). Artificial intelligence, bias, and patients' perspectives. The Lancet, 397(10289), 2038–2039. https://doi.org/10.1016/S0140-6736(21)00634-0

Raporty i opracowania ogólne

35. McKinsey Global Institute (2023). The economic potential of generative AI: The next productivity frontier. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai
36. Stanford HAI (2024). AI Index Report 2024. https://aiindex.stanford.edu/report/
37. OECD (2024). OECD AI Policy Observatory. https://oecd.ai/
38. Brynjolfsson, E. & McAfee, A. (2014). The Second Machine Age. W.W. Norton & Company. ISBN 978-0393239355.

Licencja: CC BY-SA 4.0 — możesz swobodnie używać, adaptować i udostępniać z podaniem źródła.

FAQ (rozwiń)

Ucz się z tym plikiem MDX w narzędziach AI