Artykuły AI
AI jest już wszędzie, ale zysk podnosi u nielicznych. Badania McKinsey i Deloitte 2026 pokazują, co odróżnia firmy, które realnie zarabiają na AI.
Prawie każda firma używa już AI, a mimo to zysk podnosi tylko garstka. Badanie McKinsey State of AI z końca sierpnia 2026 pokazuje, że z AI regularnie korzysta 88 procent organizacji, a korzyści widać przy pojedynczych biurkach, ale znaczący wpływ na wynik finansowy widzi u siebie zaledwie około 6 procent firm. Ta rozbieżność, potwierdzona przez raport Deloitte z tego samego okresu, jest najważniejszą wiadomością dla zarządów: sama obecność AI w firmie nie jest już przewagą, bo mają ją wszyscy. Przewagę daje coś innego, przeprojektowanie procesu tak, żeby AI zdejmowała pracę, a nie doklejała się do starego obiegu. To jest decyzja organizacyjna, nie zakup licencji.
Pod koniec sierpnia 2026 roku McKinsey opublikował doroczny raport State of AI, oparty na badaniu 1719 profesjonalistów i liderów biznesu. Wyniki układają się w jeden obraz. Z AI regularnie korzysta 88 procent organizacji, a 64 procent respondentów mówi, że AI wspiera ich innowacje. Jednocześnie tylko 39 procent firm raportuje jakikolwiek wpływ AI na EBIT na poziomie przedsiębiorstwa, a znaczący wpływ, definiowany jako co najmniej 5 procent EBIT przypisane AI, widzi u siebie około 6 procent organizacji. Tę grupę McKinsey nazywa high performers.
Kluczowa obserwacja dotyczy tego, co tę szóstkę procent odróżnia. Według McKinsey high performers są około trzy razy częściej skłonni gruntownie przeprojektować procesy w toku wdrażania AI, szybciej skalują rozwiązania, wcześniej wprowadzają zasady transformacji i więcej inwestują. Reszta rynku utknęła na wcześniejszym etapie, blisko dwie trzecie firm nie zaczęło jeszcze skalować AI w całej organizacji. AI działa więc przy biurkach, ale nie w wyniku finansowym.
Raport Deloitte State of AI in the Enterprise 2026, oparty na 3235 liderach z 24 krajów i sześciu branż, opisuje tę samą lukę od strony wdrożenia. Dostęp pracowników do sankcjonowanych narzędzi AI wzrósł w rok o połowę, z poniżej 40 do około 60 procent. Ale spośród osób, które ten dostęp mają, mniej niż 60 procent używa AI w codziennej pracy, i ten odsetek nie zmienił się rok do roku. Deloitte nazywa to przejściem od ambicji do aktywacji i zaznacza, że adopcja agentowej AI wyprzedza rozwój nadzoru. Firmy, w których nadzór nad AI kształtuje zarząd, a nie tylko zespół techniczny, osiągają większą wartość biznesową.
Dwa niezależne badania, McKinsey i Deloitte, w tym samym czasie mówią to samo. Adopcja AI jest już powszechna, ale wartość jest skoncentrowana u nielicznych, a granicę wyznacza nie technologia, tylko sposób, w jaki firma przebudowuje pracę.
Przez ostatnie dwa lata samo uruchomienie AI było sygnałem nowoczesności. Te dane zamykają ten etap. Skoro z AI korzysta 88 procent organizacji, to fakt jej posiadania nie odróżnia już nikogo od konkurencji. Pytanie zarządu przesuwa się z „czy używamy AI" na „czy AI zmienia nasz koszt i przychód", a odpowiedź dla większości firm brzmi na razie nie.
Powód jest mechaniczny. Kiedy pracownik oszczędza kilka minut na napisaniu maila czy podsumowaniu dokumentu, ta korzyść zostaje przy nim jako większy komfort albo drobny zapas czasu. Nie staje się automatycznie niższym kosztem ani wyższym przychodem firmy, bo proces wokół niego się nie zmienił, ta sama liczba osób obsługuje tę samą liczbę spraw w ten sam sposób. Zysk pojawia się dopiero wtedy, gdy firma przeprojektuje cały obieg, zdejmie z niego pracę, przesunie ludzi do zadań o wyższej wartości albo obsłuży więcej spraw bez zwiększania zespołu. To jest różnica między AI jako wygodą a AI jako dźwignią wyniku.
Dla polskiego MŚP jest w tym dobra wiadomość. Przewaga high performers nie polega na dostępie do lepszych modeli, bo te same modele są dostępne dla wszystkich. Polega na decyzji, żeby przebudować konkretny proces, wyznaczyć jego właściciela i mierzyć efekt. Mniejsza firma ma tu przewagę, krótszą drogę decyzyjną i prostszy obieg, który łatwiej przeprojektować od końca do końca. Bariera nie jest technologiczna ani budżetowa, jest organizacyjna, a więc leży w zasięgu firmy niezależnie od jej wielkości.
Problem biznesowy: dział obsługi tonie w powtarzalnych zapytaniach, czas odpowiedzi rośnie, a zatrudnienie kolejnych osób podnosi koszt bez poprawy jakości.
Rozwiązanie AI: asystent, który czyta zgłoszenie, przygotowuje odpowiedź na podstawie bazy wiedzy i historii klienta, a przy prostych sprawach domyka je samodzielnie w ramach ustalonych reguł, kierując do człowieka tylko przypadki trudne lub ryzykowne.
Dane i procesy do wdrożenia: uporządkowana baza wiedzy, kategoryzacja zgłoszeń, dostęp do historii klienta, jasne reguły, kiedy AI odpowiada sama, a kiedy przekazuje sprawę, oraz eskalacja i rejestr decyzji.
Potencjalny efekt: krótszy czas odpowiedzi i obsługa większej liczby spraw bez powiększania zespołu, co przekłada minuty na realny koszt, o który chodzi McKinsey.
Ryzyko i ograniczenie: błędna odpowiedź modelu przy niekompletnej bazie wiedzy, dlatego potrzebna jest kontrola jakości i próg pewności, poniżej którego sprawa trafia do człowieka.
Problem biznesowy: handlowcy tracą godziny na przygotowanie ofert, konfiguracji i odpowiedzi na zapytania, przez co mniej czasu zostaje na rozmowę z klientem i domykanie transakcji.
Rozwiązanie AI: asystent przygotowuje wstępną ofertę i odpowiedzi na typowe pytania na podstawie cennika, historii podobnych transakcji i danych klienta, a handlowiec weryfikuje, negocjuje i zamyka.
Dane i procesy do wdrożenia: aktualny cennik i reguły rabatowe, baza wcześniejszych ofert, dane z systemu sprzedażowego oraz zasada, że finalną ofertę zatwierdza człowiek.
Potencjalny efekt: więcej obsłużonych zapytań w tym samym czasie i krótszy cykl sprzedaży, co zwiększa przychód, a nie tylko komfort pracy handlowca.
Ryzyko i ograniczenie: nieaktualne dane cenowe prowadzące do błędnej oferty oraz pokusa oddania modelowi decyzji rabatowych, które powinny zostać po stronie człowieka.
Problem biznesowy: księgowość i administracja spędzają dużo czasu na ręcznym przepisywaniu faktur, dopasowywaniu płatności i przygotowaniu powtarzalnych raportów.
Rozwiązanie AI: model odczytuje dokumenty, wstępnie je klasyfikuje, dopasowuje do zamówień i płatności oraz przygotowuje wersje robocze raportów, które człowiek sprawdza i zatwierdza.
Dane i procesy do wdrożenia: ustrukturyzowany obieg dokumentów, integracja z systemem księgowym, reguły dekretacji i akceptacji oraz kontrola, kto zatwierdza pozycje przekraczające ustalone progi.
Potencjalny efekt: krótszy czas zamknięcia miesiąca i mniej pracy ręcznej, przy zachowaniu odpowiedzialności człowieka za księgi.
Ryzyko i ograniczenie: błędy w danych finansowych są kosztowne, więc konieczna jest weryfikacja i pełny ślad audytowy każdej operacji wykonanej przez model.
Problem biznesowy: mały zespół marketingu nie nadąża z treściami, analizą rynku i przygotowaniem materiałów, a zlecanie tego na zewnątrz jest wolne i drogie.
Rozwiązanie AI: asystent przygotowuje wersje robocze treści, streszcza materiały źródłowe i porządkuje research, a zespół redaguje, weryfikuje fakty i decyduje o publikacji.
Dane i procesy do wdrożenia: wytyczne marki i tonu, wiarygodne źródła, proces weryfikacji faktów przed publikacją oraz jasny podział, co model przygotowuje, a co zatwierdza człowiek.
Potencjalny efekt: większa liczba materiałów przy tym samym zespole i szybszy czas reakcji na wydarzenia rynkowe.
Ryzyko i ograniczenie: model potrafi wygenerować treść brzmiącą wiarygodnie, ale niepotwierdzoną, dlatego bez weryfikacji faktów rośnie ryzyko błędu i utraty zaufania.
Zamiast kupować kolejne narzędzia, warto zacząć od jednego procesu, który realnie kosztuje czas lub pieniądze. Wybierz obszar, w którym praca jest powtarzalna i mierzalna, na przykład obsługę zapytań, ofertowanie albo obieg faktur, i potraktuj go jako pierwszy pełny projekt, a nie luźny eksperyment.
Kolejny krok to opis procesu i wyznaczenie właściciela. Ktoś w firmie musi odpowiadać za to, żeby wdrożenie doszło do skutku, i mieć mandat, żeby zmienić sposób pracy. Deloitte pokazuje, że firmy, w których nadzór nad AI trzyma zarząd, osiągają większą wartość, więc decyzja o przeprojektowaniu procesu powinna zapaść na poziomie kierownictwa, a nie zostać wyłącznie po stronie działu IT.
Trzeci krok to dane. AI działa na tym, co potrafi odczytać, więc uporządkowanie bazy wiedzy, cennika, historii klientów czy dokumentów jest często ważniejsze niż wybór modelu. Bez czytelnych danych nawet dobry model daje wyniki, którym nie można ufać.
Czwarty krok to przeprojektowanie obiegu, a nie doklejenie narzędzia. Sensem wdrożenia jest zdjęcie pracy z procesu, przekazanie modelowi zadań powtarzalnych i pozostawienie człowiekowi decyzji, wyjątków i kontroli jakości. Jeśli po wdrożeniu ludzie robią to samo co wcześniej plus dodatkowo obsługują narzędzie, wartość nie powstanie.
Piąty krok to pomiar. Wybierz jeden twardy wskaźnik, czas obsługi, koszt na sprawę, liczbę obsłużonych zapytań albo czas zamknięcia miesiąca, i zmierz go przed wdrożeniem oraz po nim. Bez tej liczby nie odróżnisz realnej wartości od wrażenia, że jest nowocześnie.
Największym ryzykiem jest rozproszenie. Firma uruchamia kilkanaście pilotaży, każdy daje trochę komfortu, ale żaden nie zostaje doprowadzony do skali, w której zmienia wynik. McKinsey pokazuje, że blisko dwie trzecie organizacji nie zaczęło skalować AI, i to jest właśnie ta pułapka.
Drugie ryzyko to shadow AI, czyli używanie narzędzi poza kontrolą firmy. Deloitte zwraca uwagę, że adopcja agentowej AI wyprzedza governance, więc łatwo o sytuację, w której dane firmowe trafiają do zewnętrznych modeli bez nadzoru, a odpowiedzialność za wynik jest rozmyta.
Trzecie ryzyko to brak właściciela procesu. Wdrożenie bez osoby, która za nie odpowiada i ma mandat do zmiany sposobu pracy, kończy się narzędziem, którego nikt nie używa albo używa po swojemu, bez wpływu na koszt.
Czwarte ryzyko to brak kontroli jakości wyników. Model potrafi wygenerować odpowiedź brzmiącą wiarygodnie, ale błędną. Bez progu pewności, weryfikacji i śladu audytowego takie błędy wchodzą do procesu i podważają zaufanie do całego wdrożenia.
Piąte ryzyko to koszty rosnące szybciej niż efekt. Bez mierzenia twardego wskaźnika łatwo utrzymywać wdrożenie, które kosztuje więcej, niż przynosi, tylko dlatego, że wygląda nowocześnie.
Adopcja AI przestała być przewagą, bo ma ją prawie każdy. Według McKinsey z AI korzysta 88 procent organizacji, ale znaczący wpływ na zysk widzi u siebie tylko około 6 procent. Różnicy nie robi lepszy model, tylko przeprojektowanie procesu, prowadzone przez zarząd i mierzone twardym wskaźnikiem. Dla polskiego MŚP oznacza to konkretną drogę, wybrać jeden proces, uporządkować dane, wyznaczyć właściciela, przebudować obieg tak, żeby AI zdejmowała pracę, i zmierzyć efekt. To decyzja organizacyjna w zasięgu każdej firmy, niezależnie od budżetu, i to ona, a nie technologia, dzieli dziś rynek na tych, którzy na AI zarabiają, i całą resztę.