Wdrożenie AI w organizacji: kto, kiedy i w jakiej kolejności (model dyfuzji w praktyce) 

Kolejność wdrożenia AI w firmie nie wynika z tego, kto najlepiej zna technologię. Decyduje to, czy pierwszy zespół, który to zobaczy, potrafi powiedzieć wprost „działa i oszczędza nam czasu”, bo on staje się dowodem dla reszty firmy. Klasyczny model dyfuzji innowacji opisuje dokładnie ten mechanizm: 2,5% to innowatorzy, kolejne 13,5% to wczesni pragmatycy, a ich uwaga przesądza o tym, czy pozostała część firmy w ogóle spróbuje.

Ten artykuł jest o kolejności. Nie o modelach, nie o narzędziach i nie o obietnicach, tylko o tym, kto wchodzi w AI pierwszy, kto drugi i dlaczego pominięcie którejś grupy odbiera wdrożeniu szansę. Poszedłem przez badania IBM, Deloitte i kilkanaście opracowań branżowych, żeby pokazać, gdzie liczby się zgadzają, a gdzie każde źródło mierzy co innego.

Trzy różne odpowiedzi na to samo pytanie

Zacznijmy od liczby, którą pewnie słyszałeś: „AI wdrożyło 88% firm”. Zweryfikowałem, skąd biorą się różne wartości, bo to one - nie technologia - wyznaczają realne oczekiwania.

IBM w badaniu z 2023 roku, przeprowadzonym wśród IT-owców z firm zatrudniających ponad 1000 osób, podaje 42% firm, które faktycznie wdrożyły AI w działaniu. Kolejne 40% eksperymentowało, ale czegoś nie wdrożyło - IBM nazywa to piaskownicą. Artykuł branżowy TechRepublic pisze o 78% firm w 2024 roku, wobec 55% rok wcześniej, i w tym samym tekście o ponad 80% korzystających z AI „w jakiejś formie”.

To nie jest jeden zbieg okoliczności. Różnica między 42% a 88% wynika w pierwszej kolejności z definicji tego, co się liczy jako wdrożenie: czy pytano, czy coś działa na produkcji, czy tylko czy ktoś ma do tego dostęp. Do tego dochodzi próg wielkości firmy (IBM mierzy tylko duże organizacje), rok badania i to, kogo w ogóle pytano - informatyków czy zarząd.

Praktyczna konsekwencja jest taka: żadna z tych liczb nie opisuje Twojej firmy. Traktuj je jako wskaźniki tempa rynku, nie jako prognozę dla siebie. Jeśli ktoś operuje w firmie liczbą 88%, najpewniej policzył pracowników z dostępem do narzędzia, a nie wdrożone procesy.

Pięć grup, które nie czekają na siebie

Everett Rogers opisał w 1962 roku, jak nowe technologie rozchodzą się w społeczeństwie. W jego modelu populacja dzieli się na pięć grup, a podział wynika nie z cech charakteru, tylko z odległości od średniego czasu adopcji - statystycznie z odchyleń standardowych rozkładu normalnego. Dlatego liczby wyglądają tak, a nie inaczej.

Grupa	Udział	Czego szuka	Jak to wygląda w firmie
Innowatorzy	2,5%	Ciekawości i dopaminy	Tolerują, że narzędzie działa nieprecyzyjnie. Zdarza się, że budują własne rozwiązania, bo standardowe nie pasują.
Wczesni pragmatycy	13,5%	Przewagi, którą da się obronić przed szefem	Dokładnie to, po co przychodzą projekty wdrożeniowe. Mają zespół, proces i potrzebę.
Wczesna większość	34%	Dowodu, że u kogoś zadziałało	Czekają, aż ktoś zobaczalny pokaże wynik. Dopiero potem pytają o szczegóły.
Późna większość	34%	Presji otoczenia i prostoty	Robią to, bo nie da się już inaczej. Narzędzie jest już tańsze i prostsze.
Marudnicy	16%	Powodu, żeby nie zmieniać	Część z nich nigdy nie wdroży. To normalne i nie jest Twoim problemem.

Jedna rzecz w tym modelu jest wyjątkowo praktyczna i często pomijana. Dane z badań Rogersa wskazują, że marudnicy pod względem cech często przypominają wczesnych pragmatyków - różni ich próg dowodowy, czyli to, ile lokalnych przykładów działania potrzebują, zanim uzna, że technologia im się opłaci. To nie jest opór z lenistwa. To ostrożność kogoś, kto nie widział jeszcze, jak to działa u niego w firmie.

Dla organizacji Rogers opisał dodatkowo trzy rzeczy, które przyspieszają start: rozmiar firmy, wolne zasoby i połączenia na zewnątrz. Większe firmy przyjmują innowacje szybciej, bo mają taniej testować i skalować. Te same wolne zasoby, które w innym kontekście są zaletą, przy wdrażaniu AI pozwalają przeżyć nieudany pilotaż bez rozstrzygającej straty.

Pięć etapów, przez które przechodzi każdy zespół

Rogers opisał też pięć etapów, przez które przechodzi każdy, kto podejmuje decyzję o nowej technologii: wiedza, przekonywanie, decyzja, wdrożenie i potwierdzenie. W firmie te etapy widać doskonale, tylko nikt ich nie nazywa.

Wiedza to etap, na którym zespół po prostu dowiaduje się, że coś takiego istnieje. Zwykle kończy się artykułem, prezentacją albo jednym pytaniem na spotkaniu. Jeśli Twoi ludzie wciąż są na tym etapie po roku, to nie problem techniczny, tylko brak komunikacji.

Przekonywanie to etap, na którym powstaje opór. Najczęstsze powody, podawane w branżowych opracowaniach, nie mają nic wspólnego ze strachem przed technologią. Ludzie nie wiedzą, jak zmieni się ich rola, nie brali udziału w projektowaniu rozwiązania i nikt im nie wytłumaczył, po co mają zmieniać to, co działa. Warto to powiedzieć wprost na pierwszym spotkaniu, zanim zadają pytania.

Decyzja to moment, w którym ktoś prosi o dostęp. Przy małej firmie zwykle decyduje jedna osoba. Przy większej - nie zawsze właściciel, czasem CIO, czasem osoba odpowiedzialna za konkretny proces. Z mojego doświadczenia najlepiej działa wariant, w którym o wdrożeniu decyduje ten, kto odpowiada za proces, a nie dział IT. Firmy, które przepuszczają wszystko przez IT bez wsparcia ze strony zarządzania operacją, radzą sobie wyraźnie gorzej.

Wdrożenie i potwierdzenie to moment, w którym jest albo wynik, albo porzucenie. Potwierdzenie oznacza jedno: ktoś musi zobaczyć, że to działa w jego własnym zadaniu, a nie na slajdzie.

Przepaść, na której wdrożenia się kończą

Geoffrey Moore pisał w 1991 roku o luce, która rozdziela wczesnych pragmatyków od wczesnej większości. Wczesni pragmatycy kupują, bo lubią być przed krzywą. Wczesna większość kupuje, bo potrzebuje dowodu i uspokojenia. To są niemal przeciwne motywacje, a obietnica, która działała na pierwszych, często nie robi absolutnie nic na drugich.

Warto tu uczciwie dodać, że koncepcja progu i luki to w dużej mierze narracja z książki, a nie wynik badania, na które mogę się powołać. Wśród dziewięciu źródeł, które przeszukałem, opisali ją wprost tylko dwa, a w pozostałych pojawia się jako skrót myślowy. Zostawiam ją jednak, bo dobrze opisuje obserwowany mechanizm - a ten obserwuję w praktyce.

Mechanizm ten widać też w numerach. Według TechRepublic w 2024 roku 74% firm nie zobaczyło jeszcze mierzalnej wartości ze swoich wdrożeń. W badaniu Recon Analytics na ponad 120 tysięcy respondentów tylko 8,6% firm miało agentów AI na produkcji, 14% pracowało nad nimi w pilocie, a 63,7% nie miało żadnej sformalizowanej inicjatywy AI w ogóle.

Te liczby wyglądają sprzecznie, bo opisują różne rzeczy. Jedno wdrożenie do produkcji nie musi dawać przychodu, a przychód może pojawić się bez wdrożenia. Ale kierunek jest spójny: największy problem firmy nie polega na braku chęci, tylko na utknięciu między entuzjazmem a dowodem.

Istnieje też mocniejsza wersja tego zjawiska. OpenAI opublikował dane o „pracownikach czołowych”, czyli górnych 5% zespołu według intensywności korzystania z AI. Wysyłają oni sześciokrotnie więcej wiadomości niż mediana w firmie, a same firmy czołowe generują około dwa razy więcej wiadomości na jedno stanowisko niż przeciętna firma. Innymi słowy: w każdej organizacji, która ma dostęp do AI, wewnętrzna krzywa dyfuzji już się rysuje. Kwestia brzmi tylko, po której stronie Twojej firmy ona się zatrzymała.

Kolejność, która działa

Jeśli wziąć model dyfuzji poważnie, to w pierwszej kolejności nie wybiera się technologii, tylko grupę, która daje widoczny wynik najszybciej. Praktycznie wygląda to tak: zaczynasz od zespołu, który ma powtarzalny, mierzalny i prosty proces, a nie od tego, który jest najbardziej aktywny na LinkedInie.

Jedno z branżowych opracowań podaje cztery kryteria doboru pierwszego procesu: częstotliwość, żeby dało się zebrać sensowną ilość danych; możliwość sprawdzenia poprawności wyniku; prostotę, żeby logika była udokumentowana; oraz przenoszalność, żeby sukces dał się powtórzyć gdzie indziej. To rozsądna checklista i warto ją przejść przed wyborem narzędzia, a nie po.

Druga zasada: zaczynaj od wąskiego, a nie od najgłośniejszego. Jedno z analitycznych opracowań Enterprise argumentuje, że AI najlepiej wchodzi w istniejące systemy jako wąskie wstawki, a nie jako ich zastępstwo, bo wąskie zastosowanie odsłania mniej zależności naraz i pozwala sprawdzić dane oraz uprawnienia, zanim spróbujesz szerzej. Przy małej firmie praktyczne przełożenie jest proste: obsługa faktur, sortowanie zapytań, generowanie raportów, pilnowanie terminów. Wąskie, liczalne, bez pieśni i tańca. Takie tematy zbieram osobno, gdy przygotowuję listę procesów, które warto zautomatyzować w firmie w pierwszej kolejności.

Trzecia zasada dotyczy tego, co dzieje się dalej. Pierwsza fala automatyzacji w firmach objęła zadania operacyjne: wpisywanie danych, planowanie, kierowanie zgłoszeniami, generowanie raportów. Druga fala, która dopiero teraz dojrzewa, sięga pracy opartej na wiedzy: analiza umów, modelowanie finansowe, wspieranie decyzji. To naturalna kolejność, bo zadania operacyjne mają mierzalne wejście i wyjście, więc ich wynik da się obronić.

I czwarta: nie dawaj pierwszego pilotażu działowi IT, chyba że tam leży cały problem. Wczesni pragmatycy w firmie to zwykle ludzie z operacji, sprzedaży albo obsługi klienta, a nie z administracji systemów. Jeśli pierwszy sukces zobaczą oni, to oni powiedzą o nim w korytarzu, nie Ty na spotkaniu zarządu.

Co zatrzymuje tych, którzy przyjdą później

Grupa wczesnej większości nie przychodzi z powodu braku chęci. Przychodzi z powodu pytań, na które musi dostać odpowiedź, zanim cokolwiek zmieni.

IBM w swoim badaniu wskazało wprost brak kompetencji jako najczęstszą barierę wdrożenia AI: 33% respondentów wskazało ograniczone umiejętności i wiedzę o AI, 25% zbyt skomplikowane dane, 23% obawy etyczne, 22% problemy ze skalowaniem i integracją. Co piąta organizacja przyznała, że nie ma w niej ludzi z odpowiednimi umiejętnościami, a 16% nie potrafiło znaleźć takich ludzi do zatrudnienia. Szkolenia i reskilling prowadziło tylko 34% firm.

W innym badaniu, z 2025 roku, luki kompetencyjne wskazało aż 46% liderów technicznych. Nie ma tu sprzeczności, jeśli zauważyć, że pierwsza liczba pochodzi z 2023 roku i obejmuje wszystkie wdrożenia, a druga dotyczy liderów technicznych w szczycie tempo. Ale sam rozrzut od 33% do 46% mówi coś ważnego: dokładna wartość zależy od momentu, w jakim ją zmierzysz, a nie od jednego „prawdziwego" procentu.

Dane wychodzą jeszcze gorzej, jeśli patrzeć na nie z perspektywy ludzi, którzy już próbowali. W 2024 roku 61% firm przyznało, że ich zasoby danych nie były gotowe do pracy z generatywnym AI, a 70% miało problem ze skalowaniem projektów opartych na własnych danych. Te liczby dotyczą wąskiego zakresu, jakim są dane własne firmy, i nie powinny być czytane jako „61% firm nie ma danych”. Ale sygnalizują, że przy własnych danych firmy utykają częściej niż przy gotowych narzędziach.

Tu warto zrobić rachunek własny, bo to jedyny element wdrożenia, o którym zespół nie decyduje. Weź jeden proces, który kosztuje najwięcej godzin miesięcznie, i policz liczbę osób oraz czas, który na niego zużywa. Jeśli nie jesteś w stanie podać tej liczby, to nie masz jeszcze pierwszego przypadku użycia, tylko ogólne zainteresowanie. Dokładny schemat takich obliczeń opisuję osobno, bo sama metoda jest prosta, a większość firm utyka nie na wyliczeniach, tylko na wyborze złego procesu na start. Jeśli chcesz policzyć to samodzielnie, prosty rachunek ROI zamyka się w kilkunastu minutach.

Jak sprawdzić, czy Twoje wdrożenie przekroczyło lukę

Istnieje jeden zestaw liczb, który dobrze pokazuje, gdzie firma stoi. Deloitte zapytało 3235 liderów z 24 krajów.

Przy okazji: jeśli chcesz sprawdzić stan własnej firmy, zanim zaczniesz cokolwiek planować, arkusz 40 pytań o AI w firmie daje wynik w około godzinę i zostawia Cię z listą luk zamiast ogólnego wrażenia.

• 34% organizacji używa AI, żeby głęboko zmieniać - tworzyć nowe produkty, przebudowywać procesy lub modele biznesowe.
• 30% przebudowuje kluczowe procesy wokół AI.
• 37% używa AI powierzchownie, bez realnej zmiany istniejących procesów.

Ten podział jest pod znaczeniem praktycznym. Podobnie wygląda rozjazd na efektach. Poprawę produktywności i wydajności zgłasza 66% firm, lepsze decyzje oparte na danych 53%, a wzrost przychodu z AI 20%. Jednocześnie 74% organizacji liczy na to, że przychód dopiero wzrośnie. Różnica między 20% a 74% to dokładnie ta luka, o której mowa: deklaracja jest powszechna, a pomiar rzadki.

Przy okazji warto przeprowadzić szybki test na metryki. Najgorsza z możliwych to liczba promptów i liczba osób z dostępem do narzędzia. Dane z Vercel pokazują, jak szybko to zniekształca obraz: agenci do zadań back-office stanowią 5% tokenów, ale 14% wydatków. Optymalizacja zużycia potrafi więc wyglądać jak sukces programu, który nie przyniósł jeszcze niczego. Odkładanie na bok liczby wywołań API i zbieranie wyłącznie wyników biznesowych daje szybciej właściwy obraz.

Ten sam materiał zawiera ostrzeżenie, które warto zapamiętać: Amazon rzekomo wyłączył wewnętrzny ranking użycia AI, a Uber ograniczył wydatki pracowników po zbyt szybkim wyczerpaniu rocznego budżetu. Ktoś musi zadać pytanie, po co w ogóle mierzyć aktywność zamiast efektu.

Czego ten model nie mówi

Ta część jest najmniej efektowna, ale najbardziej użyteczna, więc zostawiam ją bez skrótów.

Po pierwsze: model Rogersa opisuje populację, a nie firmy. Nikt nie policzył, ile firm z dziesięciu tysięcy siedzi w której kategorii. Liczby 2,5 / 13,5 / 34 / 34 / 16 dotyczą przyjęcia nowego produktu przez ludzi i przenoszą się na organizacje interpretacyjnie, a nie empirycznie.

Po drugie: wszystkie badania, które przejrzałem, mierzą duże organizacje. IBM pytało IT-owców z firm powyżej 1000 osób, Deloitte zaś C-level i kadrę zarządzającą, a badanie Recon obejmowało ponad 120 tysięcy enterprise. Małe i średnie firmy, które w Polsce stanowią zdecydowaną większość, w tych badaniach praktycznie znikają. Twoja firma nie jest średnią z raportu o korporacjach i warto to mieć w głowie, zanim przepiszesz na siebie tamte cele.

Po trzecie: brakuje danych dla Polski. IBM prowadziło badanie w 15 krajach, w tym w Polsce, ale nie publikuje wyników osobno dla naszego rynku. Nie znalazłem wiarygodnego źródła, które pokazywałoby, ile polskich firm wdrożyło AI, więc żadnej takiej liczby tutaj nie podaję. O tym, gdzie Polska stoi na tle świata w zastosowaniach AI, pisałem osobno, ale tam również chodzi o pozycję kraju, nie o poziom wdrożenia w konkretnej firmie.

Po czwarte: Rogers sam był krytykowany za założenie, że opór wobec nowości to opóźnienie reakcji, a nie uzasadniona ostrożność wobec technologii, która nie została jeszcze sprawdzona. To uwaga z mojej strony, ale zgadza się z tym, co widać w praktyce: część oporu to zdrowy sceptycyzm, a nie brak ambicji.

Po piąte: kryteria „wdrożone”, „produkcyjne”, „przynosi wartość” i „wpływa na wynik” używane są w branżowych zestawieniach wymiennie, choć oznaczają cztery różne progi. Dlatego w każdym porównaniu liczb z tego artykułu podaję najpierw definicję, a dopiero potem wartość.

Od czego zacząć u siebie

Zanim kupisz cokolwiek i zanim wybierzesz narzędzie, potrzebujesz trzech rzeczy. Po pierwsze: listy procesów z realnym kosztem w godzinach, a nie z listą marzeń. Sama mapa procesów w firmie, do zrobienia w jeden wieczór, wystarczy na start. Po drugie: jednego procesu spełniającego cztery kryteria, o których mówiłem wyżej - częstego, sprawdzalnego, prostego i przenoszalnego. Po trzecie: jednej osoby, która zna ten proces najlepiej i która powie, czy wynik jest prawdziwy.

Jeśli wolisz zacząć od gotowego planu działania, a nie od własnych liczb, to mam praktyczny plan na pierwszy miesiąc - z dokładnie tymi samymi założeniami, tylko rozpisany krok po kroku.

Potem wdrażasz w tym jednym procesie, mierzysz wynik w godzinach i tygodniach, a nie liczbie zapytań do modelu. Jeśli zespół widzi efekt, to jest Twój następny materiał dla reszty firmy. Jeśli nie, to masz odpowiedź wcześniej i taniej, niż gdybyś sprawdzał ją po roku na kilkunastu narzędziach naraz.

Jeśli chcesz przejść tę ścieżkę z konkretnym procesem, a nie w teorii, napisz do mnie - zwykle odpowiadam tego samego dnia. Pierwszą rozmowę robimy bez zobowiązań: patrzysz, co u Ciebie da się odzyskać, a co lepiej zostawić w spokoju.