AI w branżach 2026: macierz 12 branż i 10 procesów, które warto zautomatyzować
Damian GębalaAutorNajczęstszy błąd przy wdrażaniu AI nie polega na wyborze złego modelu ani złej platformy. Polega na tym, że decyzję o pierwszym wdrożeniu podejmuje się na podstawie branży, a nie procesu. Ktoś słyszał, że w bankowości AI świetnie działa, więc szuka tam. Ktoś z e-commerce kopiuje gotowe automatyzacje magazynowe do firmy, która magazynu nie ma. Efekt bywa taki sam: pieniądze wydane, zespół nie używa, wdrożenie czeka w szufladzie.
Druga strona problemu jest mniej widoczna, a boli bardziej. Raporty branżowe podają odsetek firm korzystających z AI, który różni się między źródłami o trzydzieści punktów procentowych. Jedno badanie mówi 98 procent, drugie 68, trzecie że tylko 34 procent firm naprawdę przeprojektowało biznes. Żadna z tych liczb nie jest błędna, bo każda odpowiada na inne pytanie o inną populację. Ktoś, kto traktuje je jako sprzeczne, w ogóle przestaje czytać.
Poniżej dwie rzeczy: macierz dwunastu branż z informacją, gdzie AI znajduje zastosowanie, jak mocne jest potwierdzenie tego zastosowania i jakie ryzyko regulacyjne ciąży na procesie. Do tego dziesięć procesów, które warto automatyzować jako pierwsze, macierz wyboru pomiędzy automatyzacją regułową a AI oraz cztery rozłączne widełki kosztu, których nie wolno ze sobą mieszać. Każda liczba w tym tekście ma źródło, a tam, gdzie źródła się nie zgadzają, podaję je obok siebie zamiast uśredniać.
Powszechność to nie dojrzałość: cztery odczyty tego samego rynku
Zacznijmy od liczb, bo to one decydują o tym, jak bardzo firma powinna się spieszyć. I tu pierwsza rzecz: nie ma jednej liczby, są cztery, i każda mierzy co innego.
Atlassian w raporcie o zarządzaniu usługami podaje, że 98 procent organizacji już wykorzystuje AI w jakiejkolwiek formie. Badanie obejmuje organizacje zarządzające obsługą klienta i usługami IT, a pytanie brzmi szeroko, więc pojedynczy chatbot na stronie spełnia ten warunek.
Microsoft, powołując się na badanie IDC, podaje 68 procent firm deklarujących realne korzystanie z AI. Tu populacją są liderzy biznesowi, a pytanie dotyczy faktycznego użycia, nie eksperymentu.
Deloitte, które ma pod sobą badanie 3 235 liderów z 24 krajów, wprost odrzuca narrację o powszechności: firmy dzielą się na trzy mniej więcej równe grupy i tylko 34 procent z nich naprawdę przeprojektowuje biznes z myślą o AI. Kolejne 30 procent przerabia procesy główne, a pozostałe 37 procent używa AI powierzchownie, bez zmiany istniejących procesów.
W tym samym raporcie czytamy, że dostęp pracowników do AI wzrósł o 50 procent w 2025 roku, a liczba firm mających co najmniej 40 procent projektów w produkcji ma się podwoić w ciągu sześciu miesięcy. To nie jest sprzeczność z 34 procentami. To opis dwóch różnych rzeczy: narzędzia jest dużo, a procesy zmieniają się mało.
Do tego dochodzi liczba z Microsoft, która jest najbardziej użyteczna spośród wszystkich: tylko 22 procent firm kwalifikuje się do programu Frontier, czyli tej grupy, która według deklaracji badania osiąga zwroty trzykrotnie wyższe niż firmy wolniej wdrażające innowacje. W praktyce to znaczy, że trzy czwarte firm jest w aktywnym wyścigu i dopiero uczy się, na czym ten wyścig polega.
Ten sam rozdźródźnik widać przy pytaniu o oszczędności. Atlassian podaje, że 91 procent respondentów mówi o oszczędnościach dla organizacji, przy czym to wzrost o 16 punktów procentowych wobec 2024 roku, czyli deklaracja odczucia. Deloitte, na większej i bardziej zróżnicowanej próbie, zadaje ostrzejsze pytanie i 40 procent organizacji faktycznie zgłasza redukcję kosztów. Różnica 51 punktów procentowych to różnica między tym, co firma czuje, a tym, co wykazała w rachunkowości.
Jeśli prowadzisz własny rachunek opłacalności, to właśnie druga liczba jest Twoją stroną referencyjną, a nie pierwsza. Pierwsza mówi, ile firm ma nadzieję. Druga mówi, ile faktycznie zredukowało koszt.
Macierz 12 branż
Macierz porządkuje branże według trzech rzeczy, które faktycznie różnią się między sektorami: gdzie AI wchodzi w proces, jak mocno potwierdzają to dostępne źródła oraz jakie ryzyko regulacyjne ciąży na wdrożeniu. Kolumna potwierdzenia jest najważniejsza i najczęściej pomijana w podobnych zestawieniach. Kategoria udokumentowane oznacza, że źródło podaje konkretny przypadek użycia z opisem zadania. Kategoria mechanizm oznacza, że źródło pokazuje narzędzie i jego możliwości, ale nie potwierdza wdrożenia w tej branży. Kategoria brak danych to uczciwe zero, a nie brak potencjału.
| Branża | Gdzie wchodzi AI | Potwierdzenie | Ryzyko wg AI Act |
|---|---|---|---|
| Finanse i bankowość | Przechwytywanie ustaleń z wideokonferencji, śledzenie zobowiązań, obsługa transakcji typowych | Udokumentowane | Średnie |
| Administracja i sektor publiczny | Uzupełnianie luk kadrowych, redakcja dokumentacji przetargowej | Udokumentowane | Wysokie |
| Transport i logistyka | Obsługa zmian rezerwacji, optymalizacja łańcucha dostaw | Udokumentowane | Niskie |
| Produkcja i przemysł | Wsparcie rozwoju nowych produktów, wizyjna kontrola jakości, robotyka | Udokumentowane | Średnie |
| E-commerce i handel | Nadawanie paczek, etykiety, faktury zależne od kraju, komunikacja z klientem | Udokumentowane | Niskie |
| HR i rekrutacja | Ocena kandydatów, polityki wewnętrzne, rejestr narzędzi | Udokumentowane | Wysokie |
| Ochrona zdrowia | Planowanie pacjentów, rozliczenia, rozpoznawanie obrazów | Mechanizm | Wysokie |
| Prawo i compliance | Analiza umów, rejestry i procedury, pilnowanie terminów | Mechanizm | Wysokie |
| Energetyka i utilities | Przewidujące utrzymanie ruchu, optymalizacja sieci | Brak danych | Wysokie |
| Telekomunikacja | Analiza zgłoszeń, personalizacja ofert | Brak danych | Średnie |
| Motoryzacja | Wsparcie projektowania produktu, kontrola wizyjna | Brak danych | Wysokie |
| Nieruchomości | Analiza dokumentacji, kwalifikacja zapytań | Brak danych | Średnie |
Kolumna ryzyka nie jest oceną moją. AI Act wymienia wprost obszary, w których system może zostać uznany za wysokiego ryzyka, i są to między innymi zatrudnianie, edukacja, dostęp do usług podstawowych oraz infrastruktura krytyczna. Jeśli Twój system podejmuje decyzję o tym, kto dostanie pracę, kto dostanie się na studia albo czy kto skorzysta z usługi podstawowej, nie wchodzisz w obszar niskiego ryzyka, tylko w najściślej regulowany.
Wiersze z kategorii brak danych warto potraktować jako sygnał, nie jako diagnozę. Raporty Deloitte mają osobne opracowania dla pięciu grup sektorowych, ale na stronie są wyłącznie przyciski pobrania, bez żadnych wartości. Microsoft ma osiemnaście sekcji branżowych, z których na stronie opisano dwie. Żadne dostępne źródło nie publikuje rankingu, kto wdraża AI najszybciej, więc taki ranking w artykule wyglądałby jak zmyślona liczba z pieczątką źródła.
Sześć branż, w których wdrożenia są udokumentowane
Finanse są najczęściej przywoływanym przykładem i to nie bez powodu. Firma z branży usług finansowych buduje przepływy agentowe, które same przechwytują ustalenia z wideokonferencji, przygotowują wiadomości przypominające o zobowiązaniach i śledzą, czy zostały wykonane. Deloitte oczekuje, że właśnie obsługa klienta będzie miała najwyższy wpływ z całego agentowego AI, a obok niej wymienia zarządzanie łańcuchem dostaw, badania i rozwój, zarządzanie wiedzą i cyberbezpieczeństwo.
Administracja działa z tego samego powodu, co banki, tylko na odwrót: brakuje ludzi, więc technologia ich zastępuje. Deloitte opisuje agentów w sektorze publicznym jako współpracujących z ludźmi przy procesach głównych, dokładnie w celu domykania niedoboru kadrowego. Polski dostawca wdrożeń pokazuje podobny wzorzec na pojedynczym zleceniu: przygotowanie oferty, kalkulacji, materiałów wstępnych, umowy i wiadomości zajęło dwa dni pracy, po wdrożeniu trzydzieści minut. To deklaracja sprzedawcy, nie niezależne badanie, ale mechanizm jest typowy dla administracji: dokument przechodzi przez kilka ról zanim wyjdzie na zewnątrz.
Transport wchodzi w AI od strony transakcji, nie analityki. Przewoźnik lotniczy używa agentów, żeby klienci sami kończyli najczęstsze operacje, takie jak zmiana rezerwacji lotu albo przekierowanie bagażu, a ludzcy konsultanci zostają do spraw trudniejszych. W logistyce dochodzi zarządzanie łańcuchem dostaw, które Deloitte wymienia wśród obszarów o najwyższym potencjale, oraz automatyzacja procesów na każdej warstwie: trasy floty, potwierdzenie dostawy, uzgadnianie faktur, komunikacja z kierowcami. Gdzie w logistyce i produkcji zacząć, żeby pierwszy przypadek dało się zmierzyć, opisuję w osobnym tekście o pierwszym use case.
Produkcja działa na dwóch torach. Pierwszy to decyzje projektowe: producent używa agentów do wsparcia rozwoju nowych produktów, szukając kompromisu między kosztem a czasem wejścia na rynek. Drugi to physical AI, czyli AI w urządzeniach. Deloitte podaje, że ponad połowa firm, 58 procent, deklaruje dziś choćby ograniczone użycie physical AI, a za dwa lata odsetek ma dojść do 80 procent, o 22 punkty procentowe więcej. W praktyce oznacza to wózki jezdnicze bez kierowcy i ramiona robotyczne do zbierania, a adopcja idzie najszybciej właśnie w produkcji, logistyce i obronie. Co dokładnie automatyzuje się w produkcji, a gdzie nie ruszać bez czujek, opisuję w osobnym tekście o wdrożeniach w firmie produkcyjnej
E-commerce ma najbardziej konkretny zestaw operacji, bo one są zautomatyzowane w systemach sklepowych od lat. Obejmuje zmianę statusów zamówień, wysyłkę wiadomości do klientów, masowe nadawanie paczek u wybranego przewoźnika wraz z drukiem etykiet, automatyczne faktury i paragony zależnie od kraju klienta z właściwą serią numeracji i stawką VAT oraz wiadomości z numerem przesyłki i linkiem śledzącym. Dodatkowo asystent pakowania skanuje kody kreskowe, kontroluje proces i informuje o błędzie, zanim paczka wyjedzie z magazynu. Dokładnie taki przepływ opisuję w osobnym artykule o integracji sklepu, CRM i księgowości.
HR i prawo to branże, w których wchodzenie w AI najłatwiej narobić sobie kłopot. W rekrutacji, edukacji i przy dostępie do usług podstawowych system wchodzi w definicję wysokiego ryzyka, a to oznacza obowiązki, które trudno domknąć samym promptem: zarządzanie ryzykiem, jakość danych, dokumentacja, rejestrowanie zdarzeń i nadzór człowieka. W praktyce najpierw pojawia się tu strona łatwiejsza: rejestr narzędzi AI, polityka korzystania z nich i wykaz, co pracownicy wklejają do narzędzi zewnętrznych. Gorący temat, bo według danych przywołanych przez jednego z polskich dostawców 69 procent pracowników używa AI bez wiedzy pracodawcy, a 72 procent wkleiło do niego dane firmowe.
Dziesięć procesów, które warto zautomatyzować jako pierwsze
Macierz dwunastu branż mówi, gdzie AI ma zastosowanie. Nie mówi, od czego zacząć, bo branża jest zbyt dużą jednostką decyzyjną. W praktyce wybór pierwszego procesu przechodzi przez dwa cięcia: ile godzin tygodniowo ta robota zjada i jakie wiąże się z nią ryzyko. Macierz dwudziestu procesów rozpisuje to dokładniej, a niżej dziesięć pozycji, które wskazują wszystkie dostępne mi źródła.
| Proces | Dlaczego pierwszy | Na co uważać |
|---|---|---|
| Obsługa powtarzalnych zapytań | Najwyższy potencjał agentowy ze wszystkich obszarów | Brak podpisywania w imieniu firmy |
| Wyszukiwanie w wiedzy wewnętrznej | Pierwsze miejsce wśród zastosowań generatywnych | Wersje dokumentów rozjeżdżają się |
| Notatki i ustalenia ze spotkań | Zamienia rozmowę w listę zadań z terminami | Zgody uczestników na transkrypcję |
| Redakcja maili i dokumentów | Wersje robocze, dostosowanie przekazu do odbiorcy | Przegląd przed wysyłką na zewnątrz |
| Raportowanie okresowe | Wchodzi do skarbietka i wisi tam, aż ktoś poprosi o liczbę | Zmiana formatu danych u dostawcy |
| Sprzedaż i CRM | Wprowadzanie danych, e-maile, materiały na spotkanie | Pole optymalizacji to pole odpowiedzialności |
| Wysyłka i magazyn | Setki paczek bez udziału człowieka | Awaria = cała kolejka stoi |
| Faktury i e-dokumenty | Serie numeracji, stawki VAT zależne od kraju | Błąd wychodzi dopiero przy rozliczeniu |
| Rejestry i zgodność | Generuje polityki, rejestry, pilnuje terminów | Bez daty wejścia w obowiązek to dokument |
| Research i analiza konkurencji | Porównanie cenników i przetargów zamiast dni czytania | Weryfikacja źródeł przed cytowaniem |
Dwa wiersze z tej tabeli robią największą różnicę w pierwszym miesiącu, a to one decydują, czy zespół uwierzy w drugie wdrożenie. Pierwszy to notatki ze spotkań: przetwarzają jedno spotkanie do wpisu z zadaniami i terminami, więc efekt widać jeszcze tego samego dnia. Drugi to raportowanie, bo dotyka decyzji, a nie obsługi. Jeśli po pierwszych czterech tygodniach nie zmieniło się ani jedno spotkanie ani żaden raport, to nie ma podstawy, żeby prosić o kolejny budżet.
Siedem procesów pierwszego wyboru i sposób ich odfiltrowania opisałem osobno, bo tam jest rozróżnienie między tym, co da się zautomatyzować regułami, a tym, co wymaga modelu.
Kiedy wystarczy automatyzacja regułowa, a kiedy potrzebujesz AI
Najczęstszy błąd kosztowy w firmach to budowanie modelu tam, gdzie wystarczy instrukcja warunkowa. Kryterium jest prostsze, niż się wydaje, i sprowadza się do odsetka wyjątków. Jeśli wyjątki są rzadkie, poniżej 5 procent wolumenu, poprawna automatyzacja regułowa jest właściwym wyborem: jest tańsza, szybsza i przewidywalna, a jej awaria jest zrozumiała. Gdy wyjątki sięgają 20 procent, reguły mnożą się w nieskończoność i utrzymanie ich kosztuje więcej niż wybór AI.
W praktyce działa model hybrydowy, w którym automatyzacja regułowa obsługuje 90 procent wolumenu, a AI bierze te 10 procent, które bez modelu wymagałyby ręcznej weryfikacji. To rozwiązanie ma też wygodną własność: przypadki, w których model nie ma pewności, trafiają do człowieka zamiast do automatu, a nie odwrotnie.
Różnica wychodzi też w czasie budowy. Proste przepływy oparte na regułach wychodzą na żywo w 2 do 4 tygodni. Indywidualna automatyzacja AI ma dłuższy rozruch, 8 do 16 tygodni, i dojście do pełnego zwrotu 6 do 18 miesięcy, bo wartość kumuluje się wraz z uczeniem modelu na Twoich danych. To nie jest wada AI, tylko inna struktura inwestycji: tu płaci się za czas, w którym system nabiera competence na waszej specyfice.
W praktyce wybór platformy sprowadza się do tego, ile pracy wchodzi w ceny: n8n i podobne narzędzia z programowaniem wizualnym są najtańsze na wejściu, ale koszt przenoszą na Twoje ręce, a rozróżnienie między nimi w cenie za 10 000 zadań opisuję osobno.
Cztery widełki kosztu, których nie wolno ze sobą mieszać
Najbardziej mylący materiał w temacie kosztów wdrożenia to zestawienie w USD z benchmarkiem polskiej oferty w złotych. Różnica rzędu wielkości wynosi sto razy i wynika z tego, że to są dwa różne produkty. Poniżej każde widełki osobno, bez uśredniania.
| Zakres | Koszt wejściowy | Miesięcznie | Okno zwrotu |
|---|---|---|---|
| Automatyzacja regułowa na platformach typu Make, n8n | 0-1 000 USD | 50-300 USD | 1-4 miesiące |
| Automatyzacja regułowa klasy enterprise (UiPath) | 10 000-50 000 USD | 1 000-4 000 USD | 6-18 miesięcy |
| Narzędzia no-code z warstwą AI | 500-5 000 USD | 200-1 000 USD | 2-6 miesięcy |
| Indywidualna automatyzacja AI budowana pod proces | 5 000-100 000 USD | 500-3 000 USD | 6-24 miesiące |
Po stronie polskiej skala wygląda inaczej, bo oferta jest pracy doradczej, a nie licencji. Jeden z dostawców sprzedaje etap wdrożenia asystentów za 9 600 zł netto przy 12 godzinach pracy w czterech spotkaniach, przymierzalnię dwugodzinną za 1 900 zł netto, etap z agentami za 16 000 zł netto przy ośmiu godzinach wdrożenia oraz wariant z AI postawionym na własnym serwerze za 50 000 zł netto i więcej. Dla porównania, strona, która normalnie kosztuje około 20 000 zł, powstała w jednym z tych projektach w pięciu dniach roboczych. To nie są dane rynkowe, to cennik jednej firmy, ale pokazuje skalę, o której mówi sekcja w USD.
Cena 9 600 zł ma jeszcze jeden haczyk, który warto znać: podana jest jako promocyjna do końca maja 2026 roku. Przy czytaniu ofert w 2026 roku data ważności jest równie ważna jak kwota.
Spośród tych czterech widełek najczęściej cytowane jest dolne, czyli 9 600 zł, ono bowiem brzmi najlepiej w rozmowie z klientem. To błąd, bo przedstawia 12 godzin pracy doradczej jako koszt wdrożenia AI. Realny koszt wdrożenia systemu produkcyjnego z tej samej tabelki to 5 000-100 000 USD, a koszty API są globalne i płacone w dolarach niezależnie od dostawcy. Jeśli budżet ma być policzony uczciwie, to koszt pracy wdrożeniowej i koszt utrzymania systemu powinny stać w osobnych wierszach.
Przy liczeniu zwrotu warto znać różnicę między dwiema metodami, bo dają zupełnie inne wyniki. Jedna uwzględnia w miesięcznej korzyści oszczędność kosztów pracy, koszt unikniętych błędów i pomniejsza o koszt utrzymania, a w pierwszym roku dolicza koszt wdrożenia. Druga mnoży zaoszczędzone godziny przez stawkę godzinową i nic więcej. Różnica 60 procent w zakładanej oszczędności to głównie brak kosztu utrzymania po stronie tej drugiej. Ten sam przewodnik z przykładami przeliczeń na własne stawki znajdziesz w tekście o kosztach wdrożenia AI w małej firmie.
Bariery, które decydują o powodzeniu wdrożenia
Wszystkie źródła, które przejrzałem przy tej analizie, zgadzają się w jednym punkcie: technologia nie jest najczęstszą przyczyną nieudanego wdrożenia. Raport Deloitte wprost nazywa największą barierą niedostateczne kompetencje pracowników i dodaje, że sposobem, w jaki firmy najczęściej na to reagowały, było szkolenie, a nie przeprojektowanie ról i procesów. Uczą ludzi, ale nie zmieniają tego, co ci ludzie mają robić.
Ta różnica widać w liczbach: 53 procent organizacji szkoli całą siłę pracowniczą, 48 procent projektuje strategie przekwalifikowania, a 36 procent rekrutuje specjalistów. Jednocześnie tylko 33 procent przeprojektowuje ścieżki kariery, a 30 procent dopiero mierzy zaufanie i zaangażowanie pracowników. Szkolenie jest popularne, bo jest mierzalne i nie wymaga zmiany w organizacji.
Druga bariera to nadzór. Tylko jedna firma na pięć ma dojrzały model zarządzania autonomicznymi agentami, a użycie agentów ma w najbliższych dwóch latach wyraźnie wzrastać. To oznacza, że większość firm będzie miała procesy, których nie potrafi nadzorować ani wycofać. Deloitte zaleca, żeby firmy odpowiedziały sobie na trzy pytania: gdzie człowiek ma zachować kontrolę, jak się audytują zautomatyzowane decyzje i jakie zapisy zachowania systemu trzeba przechowywać.
Trzecia bariera dotyczy danych i jest często niedoszacowana, bo objawia się dopiero po wdrożeniu. Architektury danych i infrastruktury z poprzednich dekad nie wystarczą do pracy z autonomicznym AI działającym w czasie rzeczywistym. Jeśli Twoje dane leżą w siedmiu miejscach, to projekt po stronie modelu jest najtańszym elementem całości.
Czwarta bariera jest organizacyjna i liczona w procentach, nie w złotych: narzędzie to 30 procent projektu, a przekonanie zespołu, żeby z niego korzystał, to pozostałe 70. Do tego dochodzi drift, czyli sytuacja, w której zautomatyzowany proces działa, dopóki dostawca powyżej w łańcuchu nie zmieni układu dokumentu. Reakcją jest monitoring i alerty od pierwszego dnia, a nie od zakresu przyszłego projektu. Pięć wdrożeń, które się nie udały, opisuję razem z przyczynami, które powtarzają się w branży.
AI Act w 2026: co obowiązuje firmę
AI Act wszedł w życie 1 sierpnia 2024 roku i jest stosowany etapami. Zakazane praktyki oraz obowiązek kompetencji w zakresie AI zaczęły obowiązywać 2 lutego 2025 roku. Od 2 sierpnia 2026 roku stosuje się większość pozostałych zasad, z wyjątkami i odrębnymi terminami przewidzianymi dla określonych systemów wysokiego ryzyka.
Ta ostatnia data jest ważna dla każdego, kto wdraża AI w sposób zorganizowany, i to ona wyznacza realny termin. Przy czym reguła nie opieraj decyzji wyłącznie na zdaniu, że AI Act już obowiązuje albo że macie jeszcze czas. Trzeba sprawdzić konkretny przypadek użycia, datę wprowadzenia systemu na rynek i rolę organizacji. Inaczej odpowiedź na pytanie, czy macie obowiązki, zależy od tego, kto w firmie o tym zdecyduje.
W praktyce najwcześniejszym obowiązkiem dla większości firm okazał się obowiązek kompetencji, czyli AI literacy, obowiązujący od 2 lutego 2025 roku, a zakres szkolenia zależy od roli pracownika. Równolegle rozbudowało się to, co wcześniej było poza zasięgiem kontroli firmy, czyli rejestr narzędzi. Powinien obejmować nie tylko aplikacje kupione centralnie, ale też narzędzia używane samodzielnie przez pracowników, co w praktyce oznacza pytanie z rozmowy z zespołem, a nie inwentaryzację licencji.
Dwa techniczne wymogi, które warto przewidzieć z wyprzedzeniem. Pierwszy to rejestrowanie zdarzeń: dziennik powinien pozwalać odtworzyć wersję modelu, użytkownika, czas, istotne parametry i rezultat operacji. Drugi to ryzyko, o którym mówi się rzadziej, czyli prompt injection: aplikacje wykorzystujące modele językowe są narażone na instrukcje ukryte w dokumencie pobranym z internetu albo w wiadomości klienta, próbujące zmienić zachowanie systemu. Przycisk akceptuj nie jest wystarczającym nadzorem, jeśli pracownik nie zna źródeł i nie ma czasu na ocenę odpowiedzi.
Ten temat zostawiam na koniec, bo w realnym wdrożeniu porządkuje on więcej niż wybór technologii, a koszt poprawki rośnie z każdym miesiącem pracy wstrzymanej. Kwestie, które trzeba domknąć przed startem, zebrałem w osobnym tekście o tym, czy wdrażać AI w 2026 roku i w których sytuacjach odpowiedź brzmi nie.
Czego tych źródła nie dało
Maca matrix z dwunastoma branżami wygląda na kompletną, a kompletna nie znaczy pełna. Oto czterech rzeczy, których w materiałach, na których oparto ten tekst, nie ma.
Po pierwsze, brak udziałów sektorowych. Nie ma tabeli, która powiedziałaby, ile firm z bankowości, a ile z logistyki korzysta z AI. Deloitte przygotowuje pięć opracowań sektorowych, ale na stronie są tylko przyciski pobrania, bez wartości.
Po drugie, brak cen subskrypcji narzędzi. Żadne źródło nie podaje, ile kosztuje licencja na miesiąc dla firmy pięcioosobowej ani ile kosztuje miesięczne API przy konkretnym wolumenie zadań. Tabela w USD obejmuje koszty utrzymania, ale nie rozkłada ich na pozycje.
Po trzecie, brak niezależnych pomiarów oszczędności. Jedyna twarda liczba dotycząca redukcji kosztów to 40 procent z badania Deloitte. Pozostałe, często przytaczane, pochodzą z ofert, w których sprzedawca sam policzył efekt na własnym procesie i sam go publikuje.
Po czwarte, brak rozróżnienia między wdrożeniem dla 50 osób i dla 500. Wszystkie wyliczenia, które widziałem, operują na pojedynczym wdrożeniu, a koszt wdrożenia na pracownika przy skali kilkusetosobowej firmy wygląda zupełnie inaczej niż przy piętnastoosobowej. Arkusz audytowy prowadzi do liczb opartych na własnym zespole, a nie na średniej rynkowej.
Instrukcja wyboru: jeden dzień pracy
Macierz jest narzędziem do własnej selekcji, więc zrób własną, zanim wydasz pieniądze. Dzień pracy wystarczy.
Rano wypisz dziesięć procesów, które w Twojej firmie wykonuje się cyklicznie, i dla każdego wpisz dwie liczby: godziny tygodniowo i liczbę osób, które to robią. Reszta to matematyka, którą warto przerobić na własnych stawkach, zanim ktokolwiek poda Ci widełki cenowe, bo dopiero wtedy widać, ile godzin tygodniowo wychodzi na jednego pracownika.
Po południu wybierz z tej dziesiątki trzy, które dają najwięcej godzin przy najniższym ryzyku. Ryzyko oceniaj jednym pytaniem: co się stanie, gdy system popełni błąd i nikt go nie wychwyci. Zmiana statusu zlecenia da się cofnąć w minutę, wysłana do klienta oferta z nieprawdziwymi danymi już się nie cofnie. Ten drugi proces nie jest pierwszym wdrożeniem, niezależnie od tego, ile godzin oszczędza.
Wieczorem z tych trzech zostaw jeden i rozpisz go na cztery kolumny: wejście, transformacja, wyjście i co się dzieje, gdy krok się nie powiedzie. Jeśli kolumna wyjścia jest skomplikowana albo nie da się jej odwrócić, to ten proces nie jest gotowy, niezależnie od liczby godzin. Ten jeden proces wystarczy na pierwszy miesiąc, a przed drugim sprawdź, czy zespół faktycznie z niego korzysta, i dopiero wtedy rozważaj następny.