Wdrażanie AI, które faktycznie działa: małe eksperymenty zamiast wielkiego wdrożenia

Dla kogo: dla founderów małych i średnich organizacji oraz menedżerów wyższego szczebla, którzy stoją przed decyzją, jak w ogóle zabrać się za AI w firmie.

Dlaczego warto przeczytać: znajdziesz tu twarde dane z raportu MIT, McKinsey i BCG, odniesienie do najgłośniejszej dziś książki o pracy z AI oraz mój własny, konkretny przykład tego, co zadziałało i dlaczego małe kroki wygrały z dużym planem.

Czas czytania: ok. 8 minut.

Zacznę od liczby, która powinna zmienić sposób, w jaki myślisz o wdrażaniu AI

95% pilotaży generatywnej AI w firmach nie przynosi żadnego mierzalnego zwrotu finansowego. To nie moja opinia. To wniosek z raportu MIT „The GenAI Divide: State of AI in Business 2025", opartego na analizie 300 wdrożeń, ponad 150 wywiadach z liderami i ankiecie wśród 350 pracowników [1]. Autorzy nazywają to zjawisko „GenAI Divide", czyli przepaścią między tym, jak powszechnie firmy używają AI, a tym, jak rzadko realnie na tym zarabiają [1][2].

Co ciekawe, MIT wprost odrzuca najprostsze wytłumaczenie. Autorzy raportu piszą, że ten podział nie wynika z jakości modeli ani regulacji, tylko z podejścia do wdrożenia [1]. Problemem nie jest AI. Problemem jest sposób, w jaki firmy próbują ją wdrożyć.

Podobny obraz maluje najnowszy raport McKinseya: 88% organizacji na świecie używa dziś AI w co najmniej jednym obszarze działalności, ale tylko około 5,5% firm, określanych jako „high performers", realnie odczuwa wpływ AI na swój wynik finansowy, przekraczający 5% EBIT [3][4]. Reszta utknęła w czymś, co McKinsey nazywa „czyśćcem pilotaży", testuje i eksperymentuje, ale nie przechodzi do skali [4].

Moja droga z automatyzacją, zanim jeszcze pojawił się ChatGPT

Zaczynałem od czasów, kiedy słowo „AI" jeszcze nie padało w tym kontekście. Moim podstawowym narzędziem był Excel i Google Sheets, a jedną z ulubionych funkcji, z których korzystałem, był importrange. Dzięki niemu tabele u różnych właścicieli, z różnymi poziomami dostępu, uzupełniały się automatycznie danymi wprowadzonymi raz, w jednym miejscu.

To ukształtowało zasadę, której trzymam się do dziś: input danych w organizacji powinien zachodzić tylko raz, a potem te dane, w różnych formatach, powinny automatycznie pojawiać się wszędzie tam, gdzie są potrzebne. Tak powinna działać przede wszystkim analityka i finanse. Tej samej zasady trzymałem się w sprzedaży, gdzie wyniki wprowadzane do CRM generowały automatycznie raporty wizualizujące najważniejsze KPI na bieżąco.

Dziś te możliwości są wielokrotnie większe. Dane mogą być zaciągane bezpośrednio z komunikacji mailowej czy z wideokonferencji, a niektóre modele rozwijają się w kierunku przewidywania naszych potrzeb, zanim je jeszcze wprost wyrazimy. Do tego dochodzi cały zestaw narzędzi, z których korzystam na co dzień: ChatGPT i Claude do pracy analitycznej i tekstowej, Lovable do szybkiego prototypowania stron, Envato AI i Opus Clip do produkcji contentu wideo, a przy grafikach eksperymentuję z MidJourney i Nano Banana.

Efekt w liczbach: automatyzacja reportingu dała nam wyraźny wzrost jakości i szybkości podejmowanych decyzji. Nagle jasne stawało się na bieżąco, jak opłacalne jest działanie operacyjne na danym obszarze, albo jaka jest aktualna skuteczność pozyskiwania nowych klientów, zamiast dowiadywać się tego z opóźnieniem podczas cyklicznego podsumowania. Przy tworzeniu grafik w odpowiednim stylu wizualnym różnica jest jeszcze bardziej namacalna: to, co kiedyś zajmowało kilka godzin pracy nad jedną grafiką, dziś zajmuje kilka minut.

Dwie różne ścieżki, które warto rozdzielić

Tu dochodzimy do rozróżnienia, które uważam za kluczowe i które moim zdaniem zbyt rzadko pojawia się w poradnikach o wdrażaniu AI.

Pierwsza ścieżka to tanie, szybkie eksperymenty na gotowych narzędziach. Tam, gdzie dane organizacji nie są wrażliwe, warto po prostu testować to, co jest dostępne na rynku, bez wielkiego planowania z góry. Dokładnie to opisuje Ethan Mollick, profesor Wharton i autor bestsellerowej książki Co-Intelligence, formułując jedną z czterech podstawowych zasad pracy z AI: zawsze zapraszaj AI do stołu i traktuj tę pracę jako dyscyplinowany eksperyment [5]. Mollick nazywa to zjawiskiem „jagged frontier", czyli poszarpaną granicą możliwości AI, gdzie model potrafi zaskakująco dobrze poradzić sobie z trudnym zadaniem, a jednocześnie zawieść przy czymś pozornie prostym [5][6]. Jedyny sposób, żeby poznać tę granicę w kontekście własnej firmy, to testować, a nie teoretyzować. Z badań, które Mollick przywołuje, wynika też, że przedsiębiorcy stosujący zdyscyplinowane, oparte na hipotezach testowanie osiągają wyraźnie wyższe przychody niż ci, którzy tego nie robią [6].

Druga ścieżka to kosztowne, dedykowane wdrożenia. Bardzo często wyzwaniem jest poufność danych, a wtedy organizacja potrzebuje konkretnych, dedykowanych rozwiązań działających na własnej infrastrukturze chmurowej. To jest kosztowne i czasochłonne, dlatego na start najważniejsze jest precyzyjne zmapowanie procesu i przepływów informacji, oraz sprawdzenie dwóch rzeczy: ile realnie czasu zajmuje dziś ta praca ludziom (albo, jak żartobliwie mówią programiści, „systemom białkowym"), i jakie będzie realne ROI takiej automatyzacji. Równie istotne jest to, czy dany proces jest stałym elementem organizacji, czy w perspektywie kilku najbliższych lat, a czasem nawet miesięcy, nie będzie podlegał dynamicznym zmianom.

Dlaczego elastyczność ludzi wciąż wygrywa tam, gdzie liczą się wyjątki

Ludzie i ich praca są bardziej elastyczni i lepiej dostosowani do zmieniających się potrzeb biznesowych niż sztywno zaprogramowany proces oparty na AI. Narzędzia AI bardzo często nie radzą sobie z wyjątkowymi przypadkami, ze strategicznymi czy systemowymi zmianami.

I to akurat wprost potwierdzają dane. Ten sam raport MIT wskazuje, że obecne systemy generatywnej AI mają problem z trwałą pamięcią kontekstową, nie uczą się na bieżąco z feedbacku i powtarzają te same błędy w kolejnych sesjach [2]. Jeden z cytowanych w raporcie menedżerów opisał to wprost: narzędzie nie zapamiętuje preferencji klienta ani nie uczy się z wcześniejszych poprawek, tylko powtarza te same błędy przy każdej kolejnej sesji [2]. To dokładnie ta sama obserwacja, która stoi za moim podejściem: zanim usztywnisz proces w automatyzacji, upewnij się, że ten proces faktycznie jest na tyle stabilny, żeby opłacało się go usztywniać.

Częsty błąd, o którym mówią dane

Raport MIT wskazuje na coś, co brzmi nieintuicyjnie: firmy budujące własne, wewnętrzne rozwiązania AI od zera odnoszą sukces mniej więcej trzykrotnie rzadziej niż te, które kupują gotowe narzędzia od wyspecjalizowanych dostawców i budują z nimi partnerstwo [2]. Ponad połowa budżetów na AI trafia dziś do sprzedaży i marketingu, podczas gdy MIT wskazuje, że największy, najbardziej mierzalny zwrot pojawia się zwykle w automatyzacji procesów wewnętrznych, tam, gdzie AI zastępuje żmudną, powtarzalną pracę operacyjną [2].

Potwierdza to też BCG w swojej regule „10-20-70": tylko 10% wysiłku przy wdrażaniu AI powinno iść w same algorytmy, 20% w technologię i dane, a aż 70%, zdecydowana większość, w ludzi i procesy [7][8]. Firmy, które odwracają te proporcje i inwestują przede wszystkim w technologię, regularnie nie osiągają zwrotu, niezależnie od tego, jak dobry jest sam model AI [8][9].

Co z tym zrobić w praktyce

Kilka zasad, które sam stosuję i które rekomenduję founderom oraz menedżerom, z którymi pracuję:

1. Rozdziel eksperymenty od wdrożeń. Tam, gdzie dane nie są wrażliwe, testuj szybko i tanio na gotowych narzędziach. Tam, gdzie w grę wchodzi poufność danych, przejdź najpierw przez dokładne mapowanie procesu.
2. Zanim zainwestujesz w kosztowną automatyzację, policz realne ROI. Sprawdź, ile czasu faktycznie dziś zajmuje dany proces ludziom, zanim zdecydujesz się usztywnić go w systemie.
3. Sprawdź stabilność procesu. Jeśli dany obszar będzie się dynamicznie zmieniał w najbliższych miesiącach czy latach, elastyczność ludzi może być więcej warta niż sztywna automatyzacja.
4. Nie buduj wszystkiego sam od zera. Dane pokazują, że korzystanie z gotowych narzędzi i partnerstw działa skuteczniej niż budowanie wewnętrznych rozwiązań w izolacji.
5. Zainwestuj przede wszystkim w ludzi i proces, nie tylko w technologię. To 70% całego wysiłku, nie dodatek na końcu.

Skontaktuj się ze mną

To, co opisałem powyżej, to nie teoria. To podejście, które sam stosuję na co dzień, prowadząc własną działalność i pracując z founderami oraz menedżerami nad ich strategią wdrażania AI, obok tematów zarządzania zespołem i przywództwa.

Jeśli chcesz porozmawiać ze mną o tym, jak wygląda moje podejście do AI, contentu i pracy z klientami w praktyce, zapraszam do kontaktu.

Umów termin →

---

Źródła

[1] MIT NANDA, The GenAI Divide: State of AI in Business 2025 — https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/

[2] Legal.io, MIT Report Finds 95% of AI Pilots Fail to Deliver ROI, Exposing "GenAI Divide" — https://www.legal.io/blog/5719519/MIT-Report-Finds-95-of-AI-Pilots-Fail-to-Deliver-ROI-Exposing-GenAI-Divide

[3] McKinsey & Company, The state of AI in 2025: Agents, innovation, and transformation — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

[4] Winsome Marketing, McKinsey's State of AI Report: 88% Adoption, But Only 6% Are Actually Winning — https://winsomemarketing.com/ai-in-marketing/mckinseys-state-of-ai-report-88-adoption-but-only-6-are-actually-winning

[5] Ethan Mollick, Co-Intelligence: Living and Working with AI, Portfolio/Penguin, 2024 — https://www.penguinrandomhouse.com/books/741805/co-intelligence-by-ethan-mollick/

[6] Forbes, Ethan Mollick On The Four Rules Of Co-Intelligence With AI — https://www.forbes.com/sites/peterhigh/2024/05/07/ethan-mollick-on-the-four-rules-of-co-intelligence-with-ai/

[7] BCG, The Leader's Guide to Transforming with AI — https://www.bcg.com/featured-insights/the-leaders-guide-to-transforming-with-ai

[8] BCG, How AI Leaders Create Competitive Advantage — https://www.bcg.com/publications/2026/how-ai-leaders-create-competitive-advantage

[9] BCG, AI Transformation Is a Workforce Transformation — https://www.bcg.com/publications/2026/ai-transformation-is-a-workforce-transformation