Polskie firmy inwestują w AI, ale najczęściej kończą na testach

Problemem są kompetencje, integracja, bezpieczeństwo i brak celu biznesowego.

Luka kompetencyjna AI blokuje polskie firmy. Dwie trzecie projektów nie wychodzi poza testy

Polskie firmy coraz częściej inwestują w sztuczną inteligencję, ale samo uruchomienie pilotażu nie oznacza jeszcze udanego wdrożenia. Badania PwC wskazują, że projekty związane z AI i zaawansowaną analityką realizuje 75 proc. dużych przedsiębiorstw. Większość rozpoczętych działań zdołało jednak skutecznie wdrożyć tylko 33 proc. badanych organizacji. Luka kompetencyjna AI w firmach nie dotyczy przy tym wyłącznie umiejętności korzystania z modeli generatywnych. Obejmuje bezpieczeństwo, zarządzanie danymi, monitoring systemów, integrację z istniejącą infrastrukturą oraz ocenę ekonomicznego sensu inwestycji.

AI w firmach rośnie szybciej niż zdolność do jej wdrażania

Sztuczna inteligencja przestała być w polskim biznesie wyłącznie obszarem eksperymentów. W badaniu PwC Polska z 2025 roku 75 proc. przedsiębiorstw zatrudniających co najmniej 250 osób deklarowało prowadzenie projektów z zakresu AI lub zaawansowanej analityki. Było to o 5 punktów procentowych więcej niż rok wcześniej.

Za tempem inwestycji nie nadąża jednak zdolność do przenoszenia rozwiązań z laboratorium do codziennej działalności. Według materiału prasowego Linux Polska 66 proc. inicjatyw zatrzymuje się na etapie Proof of Concept, czyli technicznego testu koncepcji. Oficjalna publikacja PwC ujmuje ten sam problem ostrożniej: tylko jedna trzecia dużych firm pomyślnie wdrożyła większość rozpoczętych projektów AI.

Ta różnica w sformułowaniu ma znaczenie. Zatrzymanie pilotażu nie zawsze oznacza porażkę. Czasem test prawidłowo wykazuje, że rozwiązanie nie przyniesie wystarczających korzyści, dane są zbyt słabe albo koszt utrzymania przewyższy oszczędności. Problem zaczyna się wtedy, gdy firma uruchamia kolejne eksperymenty bez kryteriów sukcesu, właściciela biznesowego i planu wdrożenia produkcyjnego.

Najpierw problem, potem narzędzie

Sebastian Jaworski, wiceprezes zarządu Linux Polska, zwraca uwagę, że organizacje zbyt często zaczynają od zakupu technologii, a dopiero później szukają dla niej zastosowania.

„Narzędzia oparte na sztucznej inteligencji są wdrażane w celu usprawnienia pojedynczych procesów, często z pominięciem realiów operacyjnych i technologicznych konkretnej firmy. Zamiast inwestować w narzędzia i szukać miejsc, gdzie można je zastosować, warto wyjść od rzeczywistych problemów i celów, a dopiero potem dobierać do nich rozwiązania” - mówi Sebastian Jaworski.

W praktyce oznacza to konieczność połączenia aplikacji AI z firmowymi bazami danych, dokumentacją, narzędziami DevOps, systemami kontroli dostępu i mechanizmami monitorowania. Model może działać poprawnie podczas prezentacji, a mimo to nie nadawać się do użycia w organizacji, jeśli nie ma dostępu do aktualnych danych, nie zapisuje historii decyzji albo nie pozwala ustalić, kto odpowiada za rezultat.

Luka kompetencyjna AI obejmuje cały stos technologiczny

Raport Linux Foundation „2026 State of Tech Talent” pokazuje, że problem jest szerszy niż brak ekspertów od uczenia maszynowego. Po 57 proc. badanych organizacji wskazało luki w zakresie bezpieczeństwa i zarządzania ryzykiem AI oraz eksploatacji i monitoringu systemów. Braki dotyczą również optymalizacji kosztów obciążeń AI - 54 proc., zarządzania zmianą i komunikacji - 43 proc., a także zarządzania danymi - 40 proc.

Badanie objęło 400 osób odpowiedzialnych za zatrudnianie, szkolenia i zarządzanie kadrami technologicznymi na świecie. Jego autorzy podkreślają, że wdrożenie AI wymaga nie tylko znajomości modeli. Potrzebne są także kompetencje z zakresu cyberbezpieczeństwa, platform chmurowych, orkiestracji kontenerów, kontroli kosztów oraz utrzymania systemów produkcyjnych.

To właśnie na styku tych dziedzin powstaje luka kompetencyjna AI w firmach. Organizacja może zatrudniać analityków danych i jednocześnie nie mieć osób potrafiących bezpiecznie podłączyć model do systemów operacyjnych. Może też dysponować zespołem IT, który zna infrastrukturę, ale nie potrafi ocenić jakości odpowiedzi modelu, ryzyka halucynacji lub zgodności sposobu przetwarzania danych z regulacjami.

Rosnące zapotrzebowanie na specjalistów AI nie rozwiąże problemu samo

World Economic Forum zalicza specjalistów AI i uczenia maszynowego do najszybciej rosnących grup zawodowych do 2030 roku. Prognozowany globalny wzrost netto liczby takich stanowisk wynosi około 82 proc. Jednocześnie 63 proc. pracodawców badanych przez WEF uznaje lukę umiejętności za najważniejszą przeszkodę w transformacji biznesowej.

Rekrutacja nowych ekspertów jest jednak tylko jednym z rozwiązań. Linux Foundation wskazuje, że 57 proc. organizacji stawia przede wszystkim na rozwój obecnych pracowników, podczas gdy 49 proc. wybiera zatrudnianie zewnętrznych specjalistów. Nowe osoby potrzebują średnio o 53 proc. więcej czasu, aby osiągnąć pełną produktywność, a 28 proc. odchodzi w ciągu pierwszych sześciu miesięcy.

Własny pracownik zna procesy, ograniczenia systemów i nieformalne reguły, których nie ma w dokumentacji. Szkolenie takiej osoby nie zastąpi specjalisty AI w każdym przypadku, ale może ułatwić połączenie kompetencji technologicznych z wiedzą o działalności przedsiębiorstwa.

Firmy powinny mierzyć efekt, nie liczbę pilotaży

Dane PwC pokazują, że tam, gdzie AI została wdrożona, korzyści są mierzalne. Wśród firm korzystających z takich rozwiązań 66 proc. skróciło czas wykonywania codziennych zadań pracowników o co najmniej 10 proc., a 37 proc. obniżyło koszty operacyjne. Najlepsze efekty pojawiły się w IT, działalności operacyjnej i cyberbezpieczeństwie, czyli tam, gdzie procesy są powtarzalne i można jasno porównać wynik przed wdrożeniem z rezultatem po zmianie.

Skuteczny projekt AI powinien więc zaczynać się od pytania o konkretny problem: jaki proces ma zostać skrócony, jaki koszt zmniejszony, jakie ryzyko ograniczone. Dopiero później można wybrać model, architekturę i dostawcę. Potrzebne są też mierniki jakości, budżet utrzymania, zasady nadzoru oraz procedura wycofania systemu, jeśli nie spełni założeń.

Nie każda firma potrzebuje własnego zespołu badawczego. Każda, która chce korzystać z AI w procesach wpływających na klientów, finanse lub bezpieczeństwo, potrzebuje jednak ludzi zdolnych ocenić dane, ryzyko, integrację i wynik biznesowy. Bez tego liczba testów będzie rosła szybciej niż liczba rozwiązań, które rzeczywiście pracują.

Jak interpretować przywołane badania

Dane PwC dotyczą 187 dużych przedsiębiorstw zatrudniających co najmniej 250 osób. Nie opisują więc bezpośrednio sytuacji mikrofirm oraz sektora małych i średnich przedsiębiorstw. Z kolei raport Linux Foundation ma charakter globalny i opiera się na odpowiedziach osób związanych z zatrudnianiem i rozwojem kadr technologicznych. Wyniki pokazują kierunek zmian, ale nie powinny być automatycznie przenoszone na każdą branżę i każdą organizację.

Mimo tych ograniczeń oba badania prowadzą do podobnego wniosku. Barierą nie jest już dostęp do narzędzi AI. Problemem staje się zdolność do bezpiecznego, opłacalnego i powtarzalnego wykorzystania ich w realnych procesach przedsiębiorstwa.

 

 

Pobierz ebook "Wielki ranking agencji marketingowych 2026 roku i e-book o trendach w promocji w sieci"