Czy warto wdrażać AI w 2026? 7 sytuacji, w których odpowiedź brzmi NIE 

W 2026 roku pytanie „czy warto wdrażać AI w firmie" ma dwie odpowiedzi naraz. Raport MIT NANDA z lata 2025 policzył, że około 95% pilotaży generatywnego AI w firmach nie dało zmierzalnego efektu finansowego, mimo wydatków rzędu 30-40 miliardów dolarów. Jednocześnie ta sama analiza mówi, że około 5% wdrożeń, które dotarły do produkcji, generują realną wartość - w niektórych przypadkach miliony. Nie ma tu sprzeczności. Są dwa różne pytania: czy AI działa i czy to się spina finansowo w firmie pokroju Twojej.

Te 95% to najczęściej cytowana liczba w branży i jednocześnie najczęściej źle czytana. Poniżej pokładam ją na widoku, a potem siedem konkretnych sytuacji, w których odpowiedź brzmi nie. Nie po to, żeby zniechęcać do wdrożeń, tylko żeby nie płacić za te, które nie mają szans. Nie każdy problem potrzebuje modelu językowego. Część potrzebuje lepszego procesu, czystszych danych albo prostszego narzędzia.

Skąd wziąć się liczba 95% i czego ona nie mówi

Raport MIT NANDA analizował rynek enterprise, nie małe firmy. Metodyka jest tu ważna, bo zmienia sposób czytania wyniku. Ustalenie o „braku zwrotu" oparto na 52 wywiadach, a sam raport przyznaje, że są one „kierunkowo dokładne na podstawie indywidualnych wywiadów, a nie oficjalnych raportów firmowych". Autorzy deklarowali też analizę ponad 300 publicznych inicjatyw AI, nie tłumacząc, jak była przeprowadzona.

Najważniejsze zastrzeżenie dotyczy horyzontu pomiaru. ROI był mierzony w horyzoncie sześciu miesięcy po pilotażu, a pilotaż rzadko bywa projektowany tak, by ruszyć wynik finansowy w pierwszym kwartale. Jedna z analiz tego raportu ujmuje to wprost: to nie znaczy, że AI zawiodło, tylko że większość pilotaży nie ruszyła wskaźników finansowych. Zwycięzca mierzy prototyp w metrykach dyrektora finansowego i dostaje „fail".

Stąd praktyczny wniosek: 95% mówi, że pilotaż nie przełożył się na wynik. Nie mówi, że technologia nie działa. Jeśli Twoja firma ma 40 osób i trzy procesy, raport o korporacjach mówi o Tobie tyle, że przed decyzją musisz policzyć własne liczby.

Presja na zwrot w 2026 wygląda inaczej niż w 2024

Rynek wszedł w fazę, w której liczy się wynik. W 2026 roku ponad 82% brytyjskich liderów IT zgłaszało nieplanowane wzrosty kosztów związanych z AI w poprzednim roku. Raport Globalization Partners z maja 2026 mówi, że blisko 70% kadry gotowej jest ciąć budżety AI, jeśli cele na ten rok nie zostaną osiągnięte, a 73% przyznało, że ROI z AI rozczarowało. Inwestorzy są bardziej niecierpliwi: 53% z nich oczekuje zwrotu w ciągu sześciu miesięcy, podczas gdy tylko 16% dużych prezesów spółek giełdowych uważa, że to realne w tym terminie.

Osobno warto odnotować prognozę Gartnera o porzucanych projektach. Pierwsza wersja mówiła o co najmniej 30% projektów generatywnego AI porzuconych po zakończeniu proof of concept do końca 2025 roku. Sam Gartner podniósł potem tę wartość do 50% i więcej. To nie jest sprzeczność, tylko korekta własnej prognozy. Jeśli planujesz wdrożenie, zakładaj, że po pilotażie będzie potrzebna decyzja: kontynuować, zmienić zakres albo wyłączyć.

Okno decyzyjne, które autorzy raportu MIT oceniają na około 18 miesięcy, warto potraktować jako realne. Zdecydować, co kupować, co budować i z kim, trzeba teraz, bo za pół roku część opcji będzie droższa.

Sytuacja 1: problem jest w procesie, nie w technologii

Klasyczny przypadek: firma chce AI do predykcji odejść klientów, a dane w CRM są bałaganem. Duplikaty, brakujące pola, niespójne formaty. Przedstawiciele wprowadzali dane inaczej, a część rekordów w ogóle nie powstała.

Model nie naprawi tego. Przewidzi odejścia na podstawie śmieciowych danych, czyli wskaże klientów, których rekord był błędny. Zepsuty przepływ plus AI daje zautomatyzowaną zepsutość na skalę, tylko że teraz z szybkością maszyny.

Reguła jest prosta: jeśli proces jest zepsuty, AI automatyzuje to zepsucie. Najpierw porządkuj proces, potem rozważaj model. Jeśli nie masz nawet mapy procesów, to zacznij od niej, a nie od wyboru dostawcy.

Sytuacja 2: reguły zapisane w polityce działają lepiej niż sieć neuronowa

Firma chciała AI do routingu zatwierdzania faktur. Ktoś zapytał, czy da się zapisać reguły zatwierdzania. Okazało się, że tak, i to są już opisane w dokumencie polityki. Silnik reguł jest w takiej sytuacji tańszy, szybszy i w 100% powtarzalny, a przy okazji każdy decyzję potrafi wytłumaczyć.

AI w tym miejscu dokłada złożoność, nieprzejrzystość i koszt, nie dając korzyści. Model jest potrzebny przy decyzjach zbyt złożonych albo zbyt dynamicznych, żeby zakodować je w IF/THEN. Jeśli Twoja reguła mieści się w arkuszu, sieć neuronowa jest przerostem formy. Sama różnica między automatyzacją a AI wiele firmy wyjaśnia jednym zdaniem.

Sytuacja 3: Twoje dane nie są gotowe

Firma chciała systemu wyszukiwania w wewnętrznej wiedzy. Dokumenty leżały w SharePoint, na Google Drive, w trzech wiki i na laptopach pracowników. Formaty szły od Worda i PDF przez Confluence po odręczne notatki zeskanowane jako obrazy.

AI mogłoby na tym zadziałać, tyle że nie od razu. Najpierw potrzebne są miesiące konsolidacji, czyszczenia i uporządkowania. Właściwym pierwszym krokiem nie był projekt AI, tylko projekt infrastruktury danych.

Test jest prosty i brutalny: potrafisz opisać, gdzie żyją Twoje dane, w jednym zdaniu? Jeśli odpowiedź brzmi „to skomplikowane", nie jesteś gotowy na AI. Jesteś gotowy na audyt danych. Dodam, że na złych danych model nie daje wyników „mniej więcej dobrych". Daje pewne błędne odpowiedzi, które wyglądają wiarygodnie - a to najgorszy możliwy wariant, bo nikt ich nie wyłapie.

Sytuacja 4: matematyka się nie spina

To najczęstszy powód, a zarazem najłatwiejszy do sprawdzenia przed wydaniem złotówki.

Konkretny przypadek: automatyzacja procesu kosztującego 20 tys. euro pracy ręcznej rocznie. System AI kosztowałby 80 tys. euro budowy plus 15 tys. euro rocznego działania. Źródło podaje 8 lat zwrotu. Warto jednak przeliczyć samemu: 80 tys. podzielone przez 20 tys. to 4 lata, ale przy 15 tys. rocznych kosztów operacyjnych zostaje 5 tys. oszczędności rocznie, czyli realnie 16 lat. Jedna i druga liczba mówi to samo: to nie jest inwestycja. Takie jest znaczenie tego zdania, że AI to wydatek operacyjny, a nie jednorazowy zakup. Do kalkulacji dochodzi compute, monitoring, utrzymanie i ludzie, którzy to ogarniają.

Polskie widełki na samo wdrożenie są niższe, ale struktura kosztów jest ta sama. Gotowy chatbot SaaS to 50-300 zł miesięcznie, czyli 600-3600 zł rocznie. Proste systemy rekomendacji to do 5000 zł jednorazowo. Do tego dochodzą testy funkcjonalne (2000-10 000 zł), testy użytkowe (3000-15 000 zł) i comiesięczne monitorowanie (500-2000 zł). Wydatek na wykonawcę zależy od zakresu: freelancer 10 000-30 000 zł, agencja 30 000-80 000 zł, software house 50 000-150 000 zł. Jeśli doliczyć coroczny monitoring utrzymania, stały koszt operacyjny przy małym wdrożeniu to realnie 6600-27 600 zł.

Podobne widełki dla polskiego rynku opisałem osobno przy kosztach wdrożenia AI w małej firmie. Najważniejszy wniosek z obu zestawień: licz roczny koszt utrzymania przed podpisaniem, nie tylko cenę wejściową.

Sytuacja 5: powód jest FOMO, a nie rachunek

Prezes dzwoni, bo konkurencja ogłosiła funkcję AI. Trzy pytania i cisza: co ta funkcja robi, jak pomaga ich klientom, co zrobiłaby dla naszych. Odpowiedź brzmi czasem, że konkurencja sama nie wie, po co to zbudowała.

Właściwe pytanie nie brzmi „co oni robią", tylko „jaki konkretny rezultat, którego dziś nie osiągamy, AI by umożliwił". Budowa funkcji, której nikt nie potrzebuje, jest najdroższą formą FOMO, bo kosztuje pełne wdrożenie plus utrzymanie. Więcej o tym, gdzie realnie się opłaca, a co jest hype, pisałem osobno.

Sytuacja 6: zespół tego nie utrzyma

Budowa to około 30% pracy, uruchomienie i utrzymanie to 70%. Firma chciała własny model do klasyfikacji dokumentów. Zespół inżynieryjny to dwie osoby, obie zajęte utrzymaniem istniejących systemów. Nikt nie miał czasu nauczyć się monitorowania modelu ani obsługi potoków danych.

Przy takim układzie nie budujesz możliwości. Tworzysz stałą zależność od dostawcy, która skończy się z dniem, w którym konsultant wyjedzie. Jeśli nikt w firmie nie potrafi uruchomić i naprawić systemu bez zewnętrznej pomocy, wybierz narzędzie, które się da przejąć - albo kup gotowe.

Sytuacja 7: ryzyko zgodności zjada wartość projektu

Automatyczna selekcja kandydatów na podstawie analizy CV to pod unijnym AI Act najpewniej system wysokiego ryzyka. Oznacza to system zarządzania ryzykiem, zarządzanie danymi, dokumentację techniczną, ocenę zgodności i bieżący monitoring. W analizowanym przypadku koszt zgodności, przyjęty na poziomie 15-25% budżetu projektu, plus bieżące obciążenie dokumentacją uczyniły całość nieekonomiczną dla firmy 50-osobowej.

Technicznie wykonalne nie znaczy rozsądne. Ten sam mechanizm zabezpieczeń, o którym mówię przy zgodności produktowej z AI, potrafi pochłonąć zysk z wdrożenia.

Do tego dochodzi ryzyko po stronie komunikacji. Opisywanie klasycznych reguł IF/THEN i prostej analityki słowem „AI-powered" to tzw. AI washing, i ma realne konsekwencje prawne. W 2024 roku amerykańska Komisja Papierów Wartościowych ukarała doradców inwestycyjnych za wprowadzające w błąd deklaracje o wykorzystaniu AI. Problematyczne są zwłaszcza sformułowania takie jak „gwarantuje", „bezbłędnie", „eliminuje ryzyko" czy „zapewnia zgodność" - zamiast nich używaj języka opisującego fakty: wspiera, rekomenduje, automatyzuje etap, skraca czas.

Co zrobić zamiast: audyt, macierz, jeden proces

Audyt gotowości odpowiada na pięć pytań naraz. Czy Twoje dane są gotowe. Czy ROI uzasadnia inwestycję. Czy zespół utrzyma system. Jakie wymogi zgodności wchodzą w grę. Co zbudować najpierw albo czy w ogóle budować. Odpowiedzi bywają różne i czasem brzmią „jeszcze nie". To nie porażka, to prawidłowa diagnoza. Przy 40 pytaniach audyt AI w firmie mieści się w godzinie.

Druga rzecz, którą warto zrobić, to policzyć, ile kosztuje każdy godzina pracy przy Twojej metodzie pracy i ile godzin miesięcznie zjada. Arkusz kalkulacyjny ROI dla firmy 50-osobowej zakłada koszt godziny pracownika i 160 godzin pracy w miesiącu. To uproszczenie do porównania wariantów, nie wycena. Jeśli wynagrodzenia się nie zmienią, odzyskane godziny nie staną się gotówką.

Trzecia rzecz to macierz decyzyjna: czas, ryzyko, koszt i instrukcja wyboru dla typowych procesów. Taką listę warto mieć, zanim pojawi się pierwsza oferta od dostawcy, bo pozwala od razu odrzucić propozycje, które nie mieszczą się w profilu firmy.

Kupować czy budować: dane przemawiają za gotowym

W analizie rynku rozwiązania kupione od specjalistycznych dostawców lub zbudowane we współpracy z nimi docierały do pełnego wdrożenia około dwa razy częściej niż systemy budowane wewnętrznie. W innym opracowaniu ta sama decyzja opisana jest jako „one-third-success-rate path", czyli wewnętrzne budowy mają wyraźnie gorszą konwersję. Te dwie liczby nie są identyczne, bo mierzą coś innego: pierwsza to odsetek konwersji do produkcji, druga to udział wartości w obrębie wdrożeń, które już się udały. W praktyce obie mówią to samo: budowanie własne jest droższe i trudniejsze niż deklaruje.

Powód jest techniczny i dobrze opisany. Wywołanie modelu to około 10% pracy nad systemem, który da się uznać za produkcyjny. Pozostałe 90% to integracja, ślad audytowy, kontrola dostępu, framework ewaluacji, monitoring kosztów i potok wdrożenia. Firma, która zaplanowała i zbudowała budżet pod te 10%, dopiero przy produkcji odkrywa, że prawdziwy rachunek jest w pozostałej dziewięćdziesiątce.

Druga zasada z tych danych: rozdzielaj zadania szybkie od złożonych. Około 70% respondentów woli AI przy szybkich zadaniach typu maile i streszczenia, ale przy złożonej pracy 90% wybiera człowieka. To nie jest defekt technologii, tylko informacja, gdzie system ma działać, a gdzie ma podpowiadać.

Kiedy mimo wszystko warto

Bo tekst o odmawianiu łatwo napisać tak, żeby zniechęcić do wszystkiego. Dane pokazują, że warto wtedy, gdy system wchodzi w konkretny przepływ pracy, uczy się z informacji zwrotnej i zaczyna od jednego wąskiego, wysoko wartościowego zadania. Takie firmy dekompresują czas dochodzenia do produkcji z 9 miesięcy do około 90 dni - głównie dlatego, że zawężają zakres zamiast próbować objąć wszystko naraz.

Skala nagród jest realna: firmy, które przekroczyły tę granicę, raportują 2-10 mln dolarów rocznych oszczędności z ograniczenia zewnętrznego przetwarzania i około 30% spadku wydatków zewnętrznych na treści, bez masowych zwolnień. Kluczowe zastrzeżenie z tych danych: te firmy nie traktowały AI jako narzędzia do redukcji zatrudnienia. Zastępowały wydatki zewnętrzne, skracały kroki manualne i dawały istniejącym zespołom większy zasięg.

Warto też spojrzeć na przykład, który uczy więcej niż sam wykres. W lutym 2024 roku Klarna ogłosiła, że jej asystent AI obsłużył 2,3 miliona rozmów, czyli dwie trzecie czatów obsługi klienta, pracę odpowiadającą 700 pełnoetatowym konsultantom, skracając czas załatwienia sprawy z 11 minut do niecałych 2 i obniżając liczbę powtórnych zgłoszeń o 25%. W maju 2025 firma rekrutowała konsultantów z powrotem, a prezes mówił, że efektem była niższa jakość. Oba zdania mogą być prawdziwe naraz: pierwsze to realny zysk na łatwej połowie wolumenu, drugie to opis tego, co się dzieje, gdy trudna połowa nie ma dokąd pójść. Z tego samego źródła pochodzi badanie 14% wzrostu spraw zamkniętych na godzinę w grupie 5179 agentów, z czego około 34% efektu przypadało na początkujących, a przy najbardziej doświadczonych był praktycznie zerowy. Efekt zależy od struktury zespołu, nie tylko od narzędzia.

Jest jeszcze jedna przestroga o mierzeniu, bo ona podważa sposób, w jaki większość firm liczy takie wdrożenia. Intercom nalicza opłatę, gdy klient przestaje odpowiadać. Zendesk uznaje zgłoszenie za rozwiązane, gdy przez 72 godziny nikt go nie odnowił. Żadne z tych zdarzeń nie dowodzi, że człowiek dostał to, po co przyszedł. Zanim policzysz zwrot na takiej podstawie, sprawdź, co dokładnie Twój dostawca nazywa sukcesem. Przy 8000 rozmów miesięcznie, koszcie pełnej rozmowy 25 zł i zmierzonym współczynniku przejęcia 35% ten sam system przy „naiwnym" rachunku pokazuje oszczędność 70 000 zł miesięcznie i zwrot poniżej czterech miesięcy. Po korekcie, że przejmowane rozmowy kosztują około 60% średniej, realna oszczędność spada do 42 000 zł, a po odjęciu opłat za rozwiązania i utrzymania treści do 23 920 zł miesięcznie - zwrot poniżej czterech miesięcy przy budżecie 90 000 zł. Przy przejęciu 20% ten sam system zwraca się w niecałe dziewięć miesięcy. Wrażliwość wyniku jest większa niż wybór platformy, a każde obsunięcie w utrzymaniu kasuje zysk do zera.

Dziewięć pytań, które zadaj przed decyzją

To nie jest podsumowanie, tylko lista kontrolna do odhaczenia. Jeśli odpowiedź na którekolwiek z pierwszych czterech brzmi „nie wiem", masz odpowiedź na pytanie tytułowe - wdrożenie jeszcze nie. Jeśli na dwa ostatnie brzmi „nie", odpowiedź brzmi tak, ale najpierw inny projekt.

• Czy potrafisz opisać, gdzie żyją Twoje dane, w jednym zdaniu?
• Czy Twoje dane są w większości kompletne i w jednym systemie?
• Czy da się zapisać reguły decyzji bez modelu, czy faktycznie są dynamiczne?
• Jaki jest roczny koszt utrzymania systemu, nie tylko cena wdrożenia?
• Ile godzin miesięcznie zjada ten proces teraz i ile zostanie po zmianie?
• Czy znasz swoją kategorię ryzyka przed decyzją o wdrożeniu?
• Kto w firmie utrzyma to po odejściu dostawcy?
• Czy mierzysz sukces tak, jak go definiuje Twój dostawca, i czy to się zgadza z Twoim celem?
• Czy znasz punkt wyjścia liczbowy, zanim zmienisz cokolwiek?

Dziewiąte pytanie jest najważniejsze, a zarazem najczęściej pomijane. Bez liczby wyjściowej nie policzysz zwrotu, tylko wrażenie. Zacznij od tych dziewięciu pytań, a jeśli odpowiedzi Cię zaskoczą, to dobrze. Odkrycie, że nie warto budować, jest najtańszym wdrożeniem, jakie można zrobić.