Firmy nigdy nie inwestowały tak dużo w sztuczną inteligencję, ale wciąż trudno wykazać jej ekonomiczne rezultaty. Pracownicy oszczędzają czas, narzędzi przybywa, a eksperymenty przyspieszają. Pozostaje pytanie, kto ma przekształcić te korzyści w wartość dla przedsiębiorstwa.
Zgodnie z badaniem The State of AI in 2026 firmy McKinsey, 80% respondentów zauważa poprawę swojej indywidualnej produktywności dzięki AI. Jednak tylko 37% deklaruje wpływ, choćby częściowy, na wynik operacyjny swojej firmy.
Wydatki natomiast znacząco wzrosły. Według BCG, we wrześniu 2026 roku podwoiły się w ciągu roku, osiągając 3,3% przychodów ankietowanych firm. Ponad 80% tych wydatków znajduje się obecnie poza budżetami IT, co oznacza, że transformacja AI dotyczy całej firmy, a nie tylko działu systemów informatycznych (DSI).
Zwrot z inwestycji nie mierzy się zaoszczędzonym czasem
Weźmy przykład firmy, która wyposaża swoich handlowców w asystenta AI zdolnego przygotować ich spotkania, sporządzić raporty i automatycznie aktualizować CRM, czyli oprogramowanie do zarządzania relacjami z klientami. Każdy handlowiec oszczędza trzydzieści minut dziennie, co wydaje się sukcesem.
Co dzieje się z tymi trzydziestoma minutami? Jeśli pozwalają one na spotkanie większej liczby potencjalnych klientów, poprawę wskaźnika konwersji lub skrócenie cyklu sprzedaży, firma może zacząć mierzyć tworzenie wartości. Jeśli zostaną pochłonięte przez inne zadania administracyjne, indywidualna korzyść niekoniecznie przekształci się w wynik ekonomiczny.
To samo rozumowanie dotyczy rozwoju oprogramowania. AI przyspiesza produkcję kodu, ale to przyspieszenie może przesunąć wąskie gardła na etapy przeglądów, testów lub walidacji przed wdrożeniem. « Indywidualna produktywność to obietnica. Wydajność end-to-end to wynik, który należy mierzyć. » Dlatego przed każdym projektem należy zdefiniować wskaźnik wyjściowy, mierzalny cel oraz odpowiedzialnego przedstawiciela biznesu, który sprawdzi, czy korzyści się materializują.
Działy biznesowe muszą odpowiadać za wytworzoną wartość
Duże transformacje technologiczne często były napędzane przez DSI. W przypadku AI ten model osiąga swoje granice, ponieważ dział IT może ocenić wykonalność techniczną i zapewnić bezpieczeństwo architektury, nie będąc najlepiej przygotowanym do identyfikacji problemów w dziale sprzedaży czy powtarzalnych zadań w zespole finansowym. Autor wskazuje, że w swojej organizacji utworzył grupę roboczą z przedstawicielami różnych działów biznesowych.
Każdy dział powinien móc odpowiedzieć na trzy pytania: jaki problem próbuje rozwiązać, jaki mierzalny zysk oczekuje i kto będzie odpowiedzialny za wynik? DSI pozostaje gwarantem spójności technicznej, podczas gdy działy biznesowe stają się odpowiedzialne za wytworzoną wartość. Dział finansowy z kolei powinien pomóc odróżnić teoretyczne oszczędności od faktycznie zaobserwowanych korzyści.
Po ustaleniu priorytetów pozostaje kwestia realizacji. Model AI Factory, czyli mały zespół inżynierów służący działom biznesowym, może szybko projektować rozwiązania, pod warunkiem że nie ogranicza się do demonstracji. Aplikacja musi jeszcze zostać zabezpieczona, podłączona do istniejących systemów, nadzorowana i utrzymywana. Prototyp dowodzi, że rozwiązanie jest możliwe, produkcja musi udowodnić, że jest użyteczna i opłacalna.
