Druga fala AI. O sukcesie zdecyduje sposób zarządzania, a nie technologia

Dwie firmy zainwestowały w AI podobne kwoty, obie mają dostęp do tych samych modeli językowych i ogłosiły AI priorytetem strategicznym. W jednej inwestycje w AI przyniosły realną wartość: zwiększyły marże i źródła przychodów, przyspieszyły procesy; w drugiej szuflady przepełniają się raportami z pilotaży. Ta druga ma problem zarządczy.

Badanie BCG „The Widening AI Value Gap”, przeprowadzone w 2025 r. wśród 1250 menedżerów w 9 branżach i ponad 25 sektorach, dokumentuje to zjawisko z niepokojącą precyzją. Zaledwie 5 proc. firm osiągnęło poziom, który BCG określa mianem „future-built” ‒ zdolność do systematycznego generowania wartości z AI w skali całej organizacji. Kolejne 35 proc. jest w trakcie skalowania, choć większość przyznaje, że porusza się zbyt wolno. Pozostałe 60 proc. wciąż kręci się w kółko: piloty powstają, wyniki są obiecujące, a wartość biznesowa jakoś nie materializuje się na rachunku zysków i strat.

Firmy future-built osiągają 1,7 razy wyższy wzrost przychodów, 3,6 razy wyższą całkowitą stopę zwrotu dla akcjonariuszy i 1,6 razy wyższe marże EBIT niż organizacje pozostające w tyle. Nie wynika to z lepszego dostępu do technologii, lecz zarządzania.

Polskie banki zdały egzamin technologiczny. Co z tego wynika?

Najnowsze badanie BCG „Build for the Future”, zrealizowane wśród największych polskich instytucji finansowych, przynosi wnioski, które warto przeczytać uważnie. Pod względem ambicji i przygotowania technologicznego polskie banki nie odstają istotnie od europejskiej średniej. Inwestują w dane, architekturę chmurową, platformy AI i cyberbezpieczeństwo. Zatem infrastruktura jest. Pieniądze są. Chęci są. Problem leży gdzie indziej. I to jest właśnie ten typowy wzorzec, który BCG obserwuje na rynkach całego świata: największe luki nie dotyczą tego, co organizacja posiada, lecz tego, co potrafi z tym zrobić.

Kontekst jest ważny. Według danych Eurostatu za 2025 r. AI wdrożyło systemowo zaledwie 8,4 proc. polskich firm, wobec 20 proc. średnio w UE i ponad 40 proc. w Danii czy Finlandii. Jednocześnie z narzędzi generatywnej AI korzysta już 72 proc. dorosłych Polaków, prywatnie, na własną rękę. To pokazuje, że AI upowszechnia się w Polsce szybciej jako narzędzie indywidualnej produktywności niż jako technologia wbudowana w procesy organizacji.

W polskim sektorze bankowym wąskie gardła koncentrują się w czterech obszarach: kompetencje i talenty AI, zdolność do wbudowania sztucznej inteligencji w kluczowe procesy biznesowe, model operacyjny pozwalający skalować wdrożenia oraz ‒ może najważniejsze ‒ jasna struktura odpowiedzialności za wyniki działania modeli. Słowem: technologia przestaje być barierą. Barierą staje się organizacja.

Badanie BCG „Build for the Future” przeprowadzone wśród polskich banków pokazuje to liczbami: luka między polskimi bankami a europejską grupą odniesienia w infrastrukturze technologicznej wynosi zaledwie 1,7 pkt, natomiast w strategii pozyskiwania talentów AI aż 21,5 pkt, a w obszarze odpowiedzialnej AI prawie 19 pkt. W odpowiedziach otwartych sami bankowcy wskazują talenty jako barierę numer jeden, governance jako trzecią, a regulacje dopiero czwartą.

Skąd się bierze pułapka pilotów?

Globalne dane BCG wskazują, że aż 70 proc. potencjalnej wartości z AI koncentruje się w podstawowych funkcjach biznesowych ‒ R&D, sprzedaży, marketingu, zarządzaniu łańcuchem dostaw, innowacjach ‒ a nie w procesach wsparcia. Tymczasem to właśnie od pilotaży w obszarach pomocniczych (automatyzacja dokumentacji, chatboty w obsłudze klienta, podsumowania e-maili) organizacje zwykle zaczynają przygodę z AI. Projekty realizowane są z sukcesem, wszyscy są zadowoleni, nic się nie zmienia na poziomie rachunku zysków i strat (P&L).

Tymczasem przejście od kilku udanych projektów do kilkudziesięciu ‒ a docelowo kilkuset ‒ równolegle działających rozwiązań AI wymaga odpowiedzi na pytania, które jeszcze kilka lat temu w ogóle nie pojawiały się w rozmowach o technologii: Kto odpowiada za decyzję podjętą z udziałem modelu ‒ dział IT czy właściciel procesu biznesowego? Jak organizacja wybiera, które procesy algorytmizować w pierwszej kolejności, skoro nie może robić wszystkiego naraz? Jak mierzy wartość wdrożenia rok po jego zakończeniu, gdy entuzjazm opadł, a model dalej pracuje gdzieś w tle? Jak zapewnia, że pracownicy wiedzą, kiedy ufać rekomendacji algorytmu, a kiedy ją zakwestionować?

Nie ma na te pytania odpowiedzi technicznych. Są tylko odpowiedzi organizacyjne.

Transformacja AI to transformacja ludzi

Raport BCG „AI Transformation Is a Workforce Transformation” wskazuje, że firmy generujące największą wartość z AI prowadzą także najbardziej ambitne programy rozwoju kompetencji. Nie chodzi jednak o sam dostęp do narzędzi ani liczbę ukończonych szkoleń. Liderzy projektują ścieżki rozwoju dla konkretnych ról i mierzą sukces liczbą wartościowych zastosowań uruchomionych przez pracowników.

Oddaje to reguła 10-20-70: ok. 10 proc. wysiłku transformacyjnego dotyczy algorytmów, 20 proc. technologii, a 70 proc. ludzi i procesów. W wielu organizacjach rzeczywisty podział zasobów jest dokładnie odwrotny.

Odpowiedzialność, nie regulacja

W tym kontekście warto wrócić do kwestii, która w Polsce ‒ podobnie jak w całej Europie ‒ zdominowała dyskusję o zarządzaniu AI, czyli AI Act, które nakłada realne obowiązki dotyczące klasyfikacji ryzyka, przejrzystości, nadzoru ludzkiego i dokumentacji.

Ale traktowanie AI Governance wyłącznie przez pryzmat compliance to błąd perspektywy. Compliance zapobiega problemom. Governance tworzy warunki, w których AI może generować wartość. To nie to samo.

Prawdziwym celem AI Governance jest zdolność organizacji do odpowiedzialnego i powtarzalnego korzystania z AI ‒ w skali, z mierzalnym efektem, przy zachowaniu zaufania: wewnętrznego i zewnętrznego. Zarząd musi rozumieć, jak działają modele, z których korzysta firma, i potrafić ocenić ryzyko ich zawodności ‒ nie dlatego, że wymaga tego regulator, lecz dlatego że bez tego nie można sensownie zarządzać. Klient ma prawo oczekiwać, że decyzja wpływająca na jego sytuację finansową jest uczciwa i wyjaśnialna. Sędzia lub regulator musi mieć możliwość odtworzenia ścieżki decyzyjnej.

W praktyce oznacza to kilka konkretnych mechanizmów: zdolność do wytłumaczenia, dlaczego model wydał daną rekomendację, w języku zrozumiałym nie tylko dla data scientistów („wytłumaczalność”); precyzyjne określenie, które decyzje model może podejmować autonomicznie, a które wymagają zatwierdzenia przez człowieka („nadzór człowieka”); odpowiedzialność za wynik działania modelu spoczywa na właścicielu procesu, nie na dziale IT („własność biznesowa”). Systematyczne sprawdzanie, czy model zachowuje się tak samo po roku jak w dniu wdrożenia („monitoring modeli”); zarządzanie kosztami infrastruktury i korzystania z modeli z taką samą dyscypliną, jak zarządza się innymi kosztami operacyjnymi (AI FinOps).

Mechanizmy te nie wynikają wyłącznie z AI Act. Są przede wszystkim konsekwencją ambicji, aby AI działała bezpiecznie, odpowiedzialnie i w skali.

Nowe pytania dla zarządu

Dyskusja na poziomie „czy inwestować w AI” jest dziś stratą czasu; dla większości dużych organizacji odpowiedź jest oczywista. Znacznie trudniejsze, i znacznie ważniejsze, są pytania następne. Które procesy biznesowe mogą wygenerować największą wartość z AI i dlaczego akurat te, skoro 70 proc. potencjału kryje się w funkcjach podstawowych, a nie wspierających? Jak zapewnić, że programy upskillingu zmieniają sposób pracy, a nie tylko powiększają liczbę certyfikatów? Jakiego rodzaju kompetencje musimy zbudować wewnętrznie, a jakie pozyskać zewnętrznie? Jak będziemy mierzyć efekty wdrożeń: nie po kwartale, ale po roku? Kto w organizacji jest właścicielem poszczególnych przypadków użycia AI ‒ z realną odpowiedzialnością za wyniki, nie tylko za wdrożenie? Jak mierzyć wartość inwestycji w AI rok po uruchomieniu, a nie tylko w fazie projektu?

To pytania, które wymagają zaangażowania całego zarządu ‒ nie tylko CTO czy CDO. AI nie jest już domeną jednego wydziału. Jest zagadnieniem, które przecina całą strukturę organizacji: dotyczy strategii, finansów, operacji, zarządzania ryzykiem, zasobów ludzkich i relacji z klientem jednocześnie.

Organizacje, które to zrozumiały najwcześniej, mają dziś przewagę. Nie dlatego że używają bardziej zaawansowanych modeli. Dlatego że stworzyły struktury pozwalające im wdrażać AI systematycznie, mierzyć jej efekty uczciwie i korygować kurs, gdy coś nie działa.

Luka, która się powiększa

Technologia z czasem się demokratyzuje. Modele językowe, które jeszcze dwa lata temu wymagały zasobów dostępnych tylko dla największych graczy, dziś są dostępne jako usługi dla firm każdej wielkości. Bariery techniczne zanikają. To dobra wiadomość dla spóźnionych ‒ ale tylko do pewnego momentu.

Firmy future-built reinwestują zyski z AI w dalsze możliwości. Ich całkowite nakłady na AI są o 120 proc. wyższe niż wolniejszych rywali. Przewaga technologiczna ‒ ta, którą dziś można nadrobić ‒ przekształca się w przewagę organizacyjną, której nadrobić się nie da.

Trwałą przewagę będzie dawać to, czego nie można szybko kupić: zdolność do powtarzalnego wdrażania AI, kultura uczenia się na błędach modeli, jasna odpowiedzialność oraz ludzie potrafiący łączyć rozumienie biznesu z rozumieniem technologii. To buduje się latami.

Pierwsza fala AI należała do działów technologii. Druga należy do zarządów.

Andrzej Piotrowicz, Principal, BCG Platinion Warsaw

Partner merytoryczny: