7 błędów, przez które firmy tracą pieniądze na AI

Błędy, przez które firmy tracą pieniądze na AI, kosztują globalną gospodarkę miliardy złotych. Firmy zainwestowały już 30 do 40 miliardów dolarów w sztuczną inteligencję – a na każde 100 wdrożeń aż 95 nie przyniosło żadnego mierzalnego zysku. Ten artykuł pokazuje siedem najczęstszych, w pełni przewidywalnych błędów, które za to odpowiadają – i jak ich uniknąć.

Latem 2025 roku Massachusetts Institute of Technology opublikował raport, który wywołał poważne zaniepokojenie w zarządach na całym świecie. Liczby były jednoznaczne: firmy z całego globu zainwestowały już w sztuczną inteligencję 30 do 40 miliardów dolarów. To kwota, która wystarczyłaby na budowę kilkudziesięciu lotnisk. A jednocześnie – na każde 100 wdrożeń aż 95 nie przyniosło firmie żadnego mierzalnego zysku.

Warto zatrzymać się przy tej proporcji. 95 na 100. To nie jest porażka pojedynczych projektów – to porażka systemowa.

Badacze MIT nie pozostawili wątpliwości co do przyczyny. Problemem nie jest technologia – modele są coraz lepsze. Nie jest nim brak budżetu – firmy wydały krocie. Problem leży po stronie organizacji, a konkretnie – w braku przygotowania ludzi do korzystania z AI.

Brzmi banalnie? I dokładnie dlatego tak wiele firm wpada w tę pułapkę.

W artykule omówiono siedem najczęstszych błędów, jakie popełniają przedsiębiorstwa przy wdrażaniu sztucznej inteligencji. Każdy z nich zilustrowano konkretnym przypadkiem – od linii lotniczej skazanej przez sąd za odpowiedź chatbota, po globalny fintech, który najpierw zastąpił 700 pracowników sztuczną inteligencją, a następnie wycofał się z tej decyzji. Pod każdym błędem znajduje się praktyczna instrukcja, jak go uniknąć.

Listę tę warto polecić zwłaszcza firmom planującym wdrożenie AI lub znajdującym się na jego wczesnym etapie. Większość kosztownych błędów była bowiem przewidywalna. Zanim jednak nastąpi ich omówienie, warto zatrzymać się przy liczbach, które pokazują rzeczywisty stan rynku.

Najpierw kilka liczb, które ustawiają cały problem w perspektywie

Wspomniana wcześniej liczba z badania MIT – 95 nieudanych wdrożeń na 100 – działa na wyobraźnię, ale to dopiero punkt wyjścia. Pełny obraz tworzą trzy obserwacje, do których powraca dalsza część artykułu.

Warto zacząć od skali adopcji. Według najnowszego raportu McKinseya, 88 firm na 100 wykorzystuje już AI w przynajmniej jednym obszarze działalności, a 72 na 100 korzysta z generatywnej AI – takiej jak ChatGPT. Rok wcześniej było to 33%. Wzrost w niecały rok ponad dwukrotny. W praktyce oznacza to, że niemal każde przedsiębiorstwo – w tym konkurencja działająca na tym samym rynku – pracuje już z AI.

Brzmi to jak rewolucja w toku. Tyle że dane o efektach rysują zupełnie inny obraz. Tylko 6 firm na 100 osiąga z AI istotny zysk biznesowy, a niemal dwie trzecie organizacji nie zaczęło jeszcze skalować AI poza pojedyncze działy. Mechanizm jest powtarzalny: jeden pilotaż goni kolejny, ale żaden nie przechodzi w fazę produkcyjną. Analitycy nazywają to „czyśćcem pilotaży” – stanem permanentnego testowania bez realnego wdrożenia.

Różnica między tymi dwoma grupami przekłada się bezpośrednio na pieniądze. Według badania Microsoft i IDC, firmy które wdrażają AI mądrze, osiągają zwrot rzędu 10 dolarów z każdego zainwestowanego dolara. Średnia rynkowa to 3,70 dolara. A firmy, które wpadają w pułapki opisane dalej, nie osiągają praktycznie nic. Co więcej, tylko niewielki odsetek firm potrafi w ogóle precyzyjnie zmierzyć zwrot z AI – większość inwestuje bez kontroli efektów, i tak właśnie powstaje większość z owych 95 nieudanych wdrożeń.

Niezależne dane RAND Corporation potwierdzają ten obraz z innej perspektywy. Metaanaliza 65 udokumentowanych wdrożeń AI w przedsiębiorstwach pokazuje, że ponad 80% z nich nie dostarcza obiecanej wartości biznesowej – to dwukrotnie więcej niż w przypadku typowych projektów IT bez AI. Wśród wskazywanych przyczyn powtarza się jeden wątek: niedoinwestowanie kompetencji i infrastruktury organizacyjnej potrzebnej do pracy z AI, nie sama technologia. Tym samym dane te potwierdzają diagnozę MIT z pierwszego akapitu – tylko z większą ilością dowodów.

Wniosek jest jednoznaczny. Technologia działa. To organizacje nie są gotowe do jej wykorzystania. Dobra wiadomość: tego można się nauczyć – a siedem błędów omówionych w dalszej części pokazuje konkretnie, gdzie i jak zacząć.

Błąd 1. Zakup narzędzia przed przeszkoleniem zespołu

To najczęstszy i najdroższy błąd w całym katalogu.

Scenariusz powtarza się w setkach firm. Zarząd ogląda na konferencji demonstrację nowego narzędzia AI. Po kilku dniach podpisuje umowę z dostawcą. Dział IT przeprowadza wdrożenie techniczne. Pracownicy dostają e-mail informacyjny: „Od dziś macie dostęp do nowego narzędzia, zachęcamy do korzystania”. I na tym kończy się komunikacja.

Po trzech miesiącach ktoś analizuje wykorzystanie. Wynik: zaledwie 12 osób na 100 w ogóle z narzędzia skorzystało. Reszta – łącznie z osobami, które miały być głównymi beneficjentami – nawet się nie zalogowała.

Skala tego zjawiska jest poważna. Z najnowszych badań wynika, że tylko 27 pracowników na 100 otrzymuje od pracodawcy jakiekolwiek szkolenie z AI. W ujęciu demograficznym sytuacja wygląda jeszcze gorzej – szkolenia dostaje 20% pracowników po 55. roku życia i 50% pracowników do 30. roku życia. W tej samej organizacji młody pracownik dostaje wsparcie szkoleniowe, a doświadczony menedżer zespołu – nie.

Konsekwencje są typowe i przewidywalne. Część pracowników nie używa narzędzia, ponieważ nie umie. Część korzysta z niego nieefektywnie, ponieważ nikt nie pokazał im, jak formułować dobre zapytania (a tego trzeba się nauczyć). A część – i to jest najgroźniejsze – wraca do darmowego ChatGPT na prywatnym koncie, ponieważ to dla nich łatwiejsze. Konsekwencje takiego rozwiązania omówiono w kolejnym błędzie.

Jak nie popełnić tego błędu:

• Najpierw należy przeszkolić zespół, a dopiero potem zakupić narzędzie. Nawet jeśli oznacza to opóźnienie startu o miesiąc, zwraca się ono wielokrotnie w postaci wyższej adopcji.
• Nie należy projektować jednego szkolenia dla wszystkich. Księgowa, specjalista marketingu i programista mają zupełnie inne potrzeby. Uniwersalne szkolenie nie przynosi korzyści żadnej z tych grup.
• Warto postawić na warsztat zamiast webinaru. Pracownicy powinni pracować na realnych zadaniach z własnej organizacji, a nie wysłuchiwać prezentacji o tym, czym jest sztuczna inteligencja.
• Należy zmierzyć kompetencje przed szkoleniem i po nim. Bez tego nie da się udowodnić, że inwestycja w rozwój przyniosła efekt, a prędzej czy później pytanie o to się pojawi.

Błąd 2. Pracownicy korzystają z ChatGPT bez wiedzy pracodawcy

Jeśli w danej organizacji nie obowiązują jasne zasady korzystania z AI, można z dużą pewnością założyć, że pracownicy już z niej korzystają. Wątpliwości dotyczą jedynie tego, kto, do czego i z jakiego narzędzia.

Zjawisko ma swoją nazwę – shadow AI, czyli „AI w cieniu”. To narzędzia, które wchodzą do organizacji nieoficjalnie, bez wiedzy działu IT i bez żadnej kontroli.

Skala zjawiska jest znacząca:

• 67 pracowników na 100 korzysta z AI w pracy. Jednocześnie tylko 18 organizacji na 100 posiada w tym zakresie jakąkolwiek politykę (Salesforce).
• 57 pracowników na 100 świadomie ukrywa to przed pracodawcą (KPMG).
• W Wielkiej Brytanii 71% pracowników korzysta z nieautoryzowanych narzędzi AI co najmniej raz w tygodniu (Microsoft).

Dlaczego stanowi to problem? Pracownicy wprowadzają do darmowego ChatGPT dane różnego rodzaju – umowy, listy płac, dane osobowe, projekty produktów. Tymczasem to, co trafia do darmowego narzędzia AI, może zostać wykorzystane do trenowania jego kolejnej wersji – zależnie od dostawcy i wybranego planu. W praktyce oznacza to ryzyko wycieku danych firmowych do dostawcy modelu, którego nie zawsze da się cofnąć.

Nie są to scenariusze hipotetyczne. Samsung kilka lat temu wprowadził zakaz korzystania z ChatGPT po tym, jak inżynierowie wkleili do narzędzia tajne projekty układów scalonych. Niedługo potem duża firma farmaceutyczna odkryła, że jej pracownicy wgrali do publicznych narzędzi AI dane z badań klinicznych – co potencjalnie naruszało regulacje branżowe.

Koszty również są mierzalne. Raport IBM „Cost of a Data Breach 2025″ wskazuje, że wyciek danych przez „AI w cieniu” odpowiada już za jedną piątą wszystkich naruszeń danych w firmach. Szczegóły przedstawia poniższe zestawienie.

Jak nie popełnić tego błędu:

• Należy spisać prostą politykę AI: jakie dane można wprowadzać do narzędzi, jakich nie wolno, z których aplikacji można korzystać. Jedna strona A4 – regulaminu na 40 stron nikt nie przeczyta.
• Pracownikom należy udostępnić legalne, bezpieczne narzędzie firmowe (np. ChatGPT Enterprise lub Microsoft Copilot). W braku alternatywy sięgną po wersję darmową.
• Warto wykonać audyt techniczny – sprawdzić, do jakich serwisów AI łączy się sieć firmowa. Wynik zazwyczaj zaskakuje.
• Nie należy wprowadzać zakazów bez edukacji. Doświadczenie Samsunga pokazuje, że zakaz bez alternatywy prowadzi do korzystania z AI na prywatnych urządzeniach. Skuteczniejsze jest pokazanie pracownikom, jak korzystać bezpiecznie.

Błąd 3. Nieświadomość prawnego obowiązku szkolenia pracowników z AI

Ten błąd zaskakuje większość polskich firm, a jego konsekwencje mogą być istotne.

Od 2 lutego 2025 roku obowiązuje przepis wynikający z unijnego rozporządzenia o sztucznej inteligencji – AI Act. Konkretnie chodzi o artykuł 4, który zobowiązuje firmy do zapewnienia pracownikom „odpowiedniego poziomu wiedzy o AI” (AI literacy).

W praktyce oznacza to, że jeśli ktokolwiek w danej firmie korzysta z systemu AI – od ChatGPT przez Microsoft Copilot po automaty w obsłudze klienta – istnieje obowiązek jego przeszkolenia. Tak, by rozumiał, jak AI działa, gdzie ma swoje ograniczenia, jakie ryzyka się z nią wiążą i jak interpretować jej wyniki.

Oś czasu wygląda następująco:

Co istotne – przesunięcie dotyczy wyłącznie systemów wysokiego ryzyka. Obowiązek szkoleń z art. 4 pozostaje aktywny bez zmian od lutego 2025 i nie został objęty tą decyzją.

Wysokość kar może być znacząca. AI Act przewiduje trzy widełki, w zależności od ciężaru naruszenia:

Egzekucją zajmie się polski urząd nadzoru rynku, a konkretne kwoty doprecyzowuje polska ustawa wdrażająca rozporządzenie unijne. Niezależnie od ostatecznych wartości, sam fakt zastosowania widełki „procent obrotu” wskazuje, że nie jest to obowiązek, który można odłożyć w czasie.

Co konkretnie należy zrobić? Po pierwsze, szkolenia muszą być dopasowane do roli. Inaczej powinien być przygotowany lekarz wykorzystujący AI w diagnozie, a inaczej księgowa korzystająca z AI w analizie faktur. Jeden uniwersalny program nie spełnia wymogu. Po drugie, pracownicy muszą znać ryzyka związane z AI – błędy, uprzedzenia, zasady ochrony danych osobowych. Po trzecie – i to jest najczęściej niedoceniane – wszystko należy udokumentować. W razie kontroli urzędnik nie zapyta o sam fakt szkolenia, lecz o listy obecności, program i certyfikaty. Bez dokumentacji nie da się udowodnić, że obowiązek został zrealizowany.

Jak nie popełnić tego błędu:

• Należy sporządzić spis wszystkich systemów AI używanych w firmie – w tym tych nieformalnie wprowadzanych przez pracowników (zob. błąd 2).
• Warto zbudować program szkoleniowy na trzech poziomach: świadomości (dla wszystkich), obsługi (dla codziennych użytkowników) i zaawansowanym (dla programistów i analityków).
• Należy prowadzić dokumentację – listy obecności, certyfikaty, programy. Wszystko, co można przedstawić podczas ewentualnej kontroli.
• Program szkoleniowy warto aktualizować co najmniej raz w roku. AI rozwija się znacznie szybciej niż regulacje.

Błąd 4. Nakładanie AI na istniejące procesy zamiast ich przeprojektowania

To najgłębszy błąd na całej liście. Mało spektakularny, ale właśnie on jest cichym zabójcą większości wdrożeń AI w firmach.

McKinsey w najnowszym raporcie pisze jednoznacznie: tylko 20 firm na 100 przebudowało chociaż jeden proces tak, żeby AI był jego naturalną częścią. Pozostałe 80% organizacji „nałożyło” AI na to, co już wcześniej robiły.

Co istotne, wśród liderów AI (czyli tych 6 firm na 100, które osiągają realne zyski) wskaźnik ten wynosi 55% – prawie trzy razy więcej. Innymi słowy: przeprojektowanie procesu to jeden z najsilniejszych predyktorów sukcesu wdrożenia.

Pomocna może być analogia. Nowoczesny piekarnik konwekcyjno-parowy z sondą temperaturową i automatycznymi programami pieczenia, używany jednak wyłącznie do podgrzewania zupy w garnku, tak jak stary piec gazowy. Urządzenie działa, ale 90% jego możliwości pozostaje niewykorzystane.

Dokładnie tak postępuje większość firm z AI. Najnowsze, najdroższe narzędzie wykorzystywane jak Excel sprzed dziesięciu lat.

Pomocny będzie też konkretny przykład – dział prawny średniej firmy, który przegląda umowy w poszukiwaniu ryzykownych zapisów. Prawnik analizuje każdą umowę po kolei.

Wariant „nałożenia AI”: AI otrzymuje te same umowy i czyta je szybciej. Prawnik dostaje raport raz w miesiącu. Proces przyspiesza, ale jego struktura się nie zmienia.

Wariant „przeprojektowania”: każda umowa wpływająca do firmy jest automatycznie skanowana przez AI w momencie rejestracji. AI klasyfikuje ją na trzy kategorie – bezpieczna, średnio ryzykowna, wymagająca pilnej uwagi. Prawnik dostaje już tylko pięć najbardziej ryzykownych umów. Pojawienie się nowego typu zagrożenia generuje alert w ciągu godziny, nie raz w miesiącu.

Różnica jest fundamentalna. Pierwszy scenariusz to wciąż piekarnik wykorzystywany do podgrzewania zupy. Drugi to wykorzystanie AI zgodnie z jej potencjałem.

Jak nie popełnić tego błędu:

• Najpierw warsztat, potem narzędzie. Warto zwołać zespół realizujący dany proces. Zespół ten powinien zmapować obecny stan procesu, a następnie zaprojektować wersję, w której AI jest jego częścią od pierwszego kroku.
• W prace warto włączyć osoby z pierwszej linii – księgowych, sprzedawców, obsługę klienta. To one najlepiej wiedzą, gdzie codziennie marnuje się czas.
• Należy mierzyć, czy proces faktycznie się poprawił. Nie „czy ludzie używają AI”, lecz „czy szybciej rozwiązywane są sprawy klientów”, „czy mniej jest pomyłek”, „czy taniej”.

Błąd 5. Próba zastąpienia ludzi maszyną – przypadek Klarna

Klarna to szwedzki fintech specjalizujący się w płatnościach odroczonych i sprzedaży ratalnej. W 2023 roku firma ogłosiła, że zastąpi 700 pracowników działu obsługi klienta sztuczną inteligencją. Asystenta AI zbudowano we współpracy z OpenAI.

Pierwsze wyniki zapowiadały sukces. W lutym 2024 Klarna informowała, że w pierwszym miesiącu działania AI obsłużyła 2,3 miliona rozmów z klientami – dwie trzecie wszystkich kontaktów. Reakcja rynku była pozytywna, a media branżowe szeroko opisywały przełom.

Z czasem jednak zaczęły napływać skargi od klientów.

Odpowiedzi AI były ogólnikowe i powtarzalne. System nie radził sobie ze skomplikowanymi sprawami. Klient pytał o jedno, AI odpowiadało o czymś innym. Liczba reklamacji rosła, a wskaźniki satysfakcji klientów spadały.

Po niespełna dwóch latach CEO Klarna, Sebastian Siemiatkowski, przyznał publicznie: „Skupiliśmy się za bardzo na efektywności i kosztach. Wyszła z tego gorsza jakość, a to nie jest model, który ma przyszłość.”

Klarna rozpoczęła ponowne zatrudnianie pracowników – tym razem w modelu hybrydowym. AI obsługuje proste, powtarzalne zapytania, a ludzie zajmują się sprawami złożonymi, eskalacjami i klientami o wysokiej wartości.

Wniosek jest jednoznaczny, choć firmy wciąż popełniają ten sam błąd. AI powinno wzmacniać pracowników, nie ich zastępować. Pracownik wsparty AI jest istotnie wydajniejszy. Pracownik zwolniony i zastąpiony AI nie istnieje, więc nie obsłuży tych klientów, których AI nie potrafi obsłużyć. Obsłuży ich konkurencja.

Lekcja dotyczy również komunikacji. Ogłaszanie „zwolnień przez AI” niszczy markę pracodawcy i rodzi opór klientów. Skuteczniejszy jest komunikat: „AI pozwala naszym pracownikom obsłużyć dwukrotnie więcej klientów” – to dokładnie ten sam fakt w innej narracji.

Jak nie popełnić tego błędu:

• Zadania w firmie warto podzielić na trzy kategorie: te, które AI realizuje samodzielnie, te, w których AI wspiera człowieka, oraz te, w których człowiek jest niezastąpiony.
• Pracowników należy szkolić w nowej roli „z AI u boku”, nie po to, by sami stali się AI, lecz by stali się lepsi wspólnie z AI.
• Należy mierzyć nie tylko prędkość obsługi, lecz także satysfakcję klienta. To ona ostatecznie decyduje o sukcesie.

Błąd 6. Brak nadzoru nad chatbotem to ryzyko prawne – przypadek Air Canada

W lutym 2024 roku kanadyjski sąd skazał Air Canada na wypłatę odszkodowania pasażerowi. Sama kwota, 812 dolarów kanadyjskich, wydaje się symboliczna. Precedens jest jednak istotny.

Pan Jake Moffatt po śmierci babci kupił bilet na lot z Vancouver do Toronto. Chatbot na stronie Air Canada poinformował go, że może po locie złożyć wniosek o zniżkę „pogrzebową” w ciągu 90 dni, czyli najpierw odbyć lot, a następnie ubiegać się o częściowy zwrot.

Pan Moffatt postąpił dokładnie zgodnie z instrukcją chatbota. Po locie złożył wniosek o zwrot. Air Canada odmówiła, powołując się na oficjalną politykę firmy (opublikowaną w innej zakładce serwisu), zgodnie z którą zniżki nie udziela się wstecz.

Pan Moffatt skierował sprawę do sądu. Linia broniła się argumentem: „Nie ponosimy odpowiedzialności za informacje podane przez chatbota. To odrębny system.”

Sąd odrzucił tę argumentację: „Chatbot stanowi część strony Air Canada. Firma odpowiada za wszystkie informacje publikowane w swoim serwisie. Nie ma znaczenia, czy informacja pochodzi ze statycznej zakładki, czy z chatbota.”

Wnioski z precedensu są jednoznaczne. Wszystko, co firmowy chatbot powie klientowi, jest tak samo wiążące jak oficjalne oświadczenie firmy. A AI ma jedną cechę, której nie da się obecnie wyeliminować – „halucynuje”, czyli generuje informacje, których nie ma w danych źródłowych. Robi to z pełnym przekonaniem. Klient w tę informację wierzy. A jej weryfikacja kończy się w sądzie.

Nie jest to błąd, który można „naprawić” – to cecha tej technologii. I trzeba ją uwzględnić przed udostępnieniem chatbota klientom.

Jak nie popełnić tego błędu:

• Przed wdrożeniem publicznego chatbota należy przeprowadzić testy adwersarialne – zatrudnić testerów, których zadaniem jest doprowadzenie AI do błędu. Im więcej znajdą, tym mniej znajdzie klient.
• Każda rozmowa AI z klientem powinna być rejestrowana. Należy wprowadzić regularny przegląd odpowiedzi.
• W sprawach dotyczących pieniędzy, prawa lub regulaminów AI nie powinno odpowiadać samodzielnie. Powinno odsyłać do oficjalnego dokumentu lub do konsultanta.
• Dział obsługi klienta warto przeszkolić z tego, kiedy nie należy ufać odpowiedzi AI. To ta grupa stanowi ostatnią linię obrony przed roszczeniem.

Błąd 7. Mierzenie wszystkiego, poza tym, co naprawdę istotne

Ten błąd jest najbardziej demoralizujący, i jego mechanizm warto zrozumieć dokładnie.

Zarząd oczekuje, że AI przyniesie firmie konkretne efekty finansowe. Zespół wdrożeniowy raportuje wskaźniki: „90% pracowników zalogowało się do narzędzia”, „średnio 47 zapytań dziennie”, „adopcja rośnie o 15% miesięcznie”. Wszystkie wskaźniki świecą na zielono. Prezentacje wyglądają znakomicie.

Aż na koniec roku CFO zadaje jedno pytanie: „Ile firma na tym zarobiła?”

I zapada cisza.

McKinsey w najnowszym raporcie pokazuje, dlaczego. Tylko 39 firm na 100 potrafi powiedzieć, czy AI wpłynęła na ich zyski. A większość z tych 39 firm szacuje, że wpływ wyniósł mniej niż 5%. Tylko 7 firm na 100 deklaruje, że ma AI wdrożone na pełną skalę. Świeższy raport Gartnera potwierdza ten obraz z innej strony: tylko 28% projektów AI w działach IT i operacjach przynosi obiecywany zwrot.

Przyczyna leży w pomyleniu dwóch zupełnie różnych kategorii wskaźników.

Wskaźniki aktywności pokazują, że ludzie korzystają z narzędzia. Liczba logowań. Liczba zapytań. Liczba użytkowników. To dane techniczne, nie biznesowe.

Wskaźniki wartości pokazują, że firma na wdrożeniu zyskuje. „Skrócono obsługę klienta z 12 godzin do 2.” „Liczba reklamacji spadła o 30%.” „Sprzedaż w danym kanale wzrosła o 12%.” „Zaoszczędzono 11 tysięcy godzin pracy w skali roku.” To jest dopiero język biznesu.

Przykład tej różnicy: „liczba zapytań do AI wzrosła o 200%” brzmi imponująco. Może jednak oznaczać, że zespół poświęca godziny na eksperymentowanie z narzędziem zamiast pracować. Wskaźnik rośnie, ale firma traci.

Jak nie popełnić tego błędu:

• Przed wdrożeniem należy ustalić dwa lub trzy konkretne cele biznesowe: „Skrócimy czas odpowiedzi na maila klienta z 4 godzin do 30 minut.” „Obsłużymy 30% więcej leadów tym samym zespołem.” „Zmniejszymy liczbę błędów w fakturach o połowę.”
• Należy zmierzyć stan wyjściowy – sytuację sprzed wdrożenia. Bez tego nie da się wykazać, że nastąpiła poprawa.
• Należy uwzględnić wszystkie koszty. Nie tylko licencję, lecz także szkolenia, czas wdrożeniowy zespołu, koszty zmian organizacyjnych. Dopiero pełny obraz pokazuje rentowność inwestycji.
• Co kwartał warto przeprowadzać przegląd z konkretną decyzją: skalować, zmienić kierunek czy zakończyć? Bez tej decyzji łatwo o schemat „idziemy dalej, bo już zaczęliśmy” – i miesiące dalszych strat.

Czego nie ma na tej liście (i dlaczego)

Świadomie pominięto „brak odpowiednich danych”, choć według Gartnera znaczna część firm porzuca projekty AI właśnie z tego powodu. Dane są ważnym tematem, ale stanowią fundament techniczny, nie ludzki. Firmy, które potrafią uporządkować dane, najpierw zatrudniły lub przeszkoliły osoby rozumiejące, dlaczego ma to znaczenie.

Nie znalazł się też na liście „zły wybór dostawcy”, bo to skutek, nie przyczyna. Firma bez kompetencji w obszarze AI nie umie rzetelnie ocenić oferty dostawcy. Firma bez jasnych zasad korzystania z AI nie umie egzekwować odpowiedzialności dostawcy za efekty.

Wszystko zaczyna się od ludzi.

Podsumowanie: dlaczego firmy tracą pieniądze na AI

Siedem błędów opisanych w tym artykule pochodzi z różnych obszarów – kompetencji, prawa, procesów, nadzoru, pomiaru. Łączy je jednak jedna obserwacja, która wraca przez cały tekst jak refren: AI nie zawodzi dlatego, że technologia jest słaba. Zawodzi dlatego, że organizacja nie jest gotowa – i to właśnie te błędy, przez które firmy tracą pieniądze na AI, można było przewidzieć i im zapobiec.

Brak szkoleń, shadow AI, nieświadomość obowiązków z AI Act, nakładanie AI na stare procesy, próby zastąpienia zamiast wzmocnienia ludzi, brak nadzoru nad chatbotem, mierzenie aktywności zamiast wartości – to siedem różnych objawów tego samego problemu strukturalnego. Każdy z nich sprowadza się do niedoinwestowania ludzkiej strony wdrożenia.

Ta luka ma swoją liczbę. Firmy przeznaczają średnio 10% budżetu wdrożenia na zmianę po stronie ludzi – szkolenia, komunikację, wsparcie zespołu. Udane wdrożenia AI wymagają 30 do 40% budżetu na ten sam obszar. Trzykrotna luka inwestycyjna w tym, co ostatecznie decyduje o zwrocie z inwestycji, i to ona w największym stopniu tłumaczy, dlaczego mimo miliardów dolarów wpompowanych w technologię, 95 wdrożeń na 100 nie przynosi efektów biznesowych.

Praktyczna konsekwencja jest jednoznaczna. Sztuczna inteligencja nie jest projektem dla działu IT – jest projektem o ludziach. Jej sukces opiera się na trzech filarach: realnym poziomie kompetencji zespołu, jasnych zasadach i przeprojektowanych procesach oraz dyscyplinie pomiaru efektów biznesowych. Bez nich technologia, niezależnie od jakości, pozostanie kosztownym eksperymentem.

A punktem wyjścia do takiej zmiany pozostaje jedno pytanie, które warto sobie zadać już dziś:

Czy zespół firmy naprawdę potrafi korzystać z AI tak, by przynosić wymierne efekty biznesowe, czy tylko klika w narzędzie, ponieważ otrzymał maila z hasłem dostępu?