Luka wartości

Rozdział pierwszyTrzy liczby, które opisują całe zjawisko

Najczystszy obraz daje globalne badanie McKinseya: 1719 osób z kadry zarządzającej w 97 krajach, zbierane między 4 maja a 8 czerwca 2026, opublikowane 25 sierpnia 2026.¹

Osiemdziesiąt procent użytkowników zgłasza wzrost własnej produktywności. Trzydzieści siedem procent organizacji przypisuje AI jakikolwiek wpływ na EBIT, i ta liczba nie drgnęła rok do roku, mimo rosnących budżetów. Sześć procent kwalifikuje się jako AI high performers: przypisują AI co najmniej 5% EBIT i opisują wpływ jako istotny. Ten odsetek też jest płaski.

Te liczby nie mówią, że AI nie działa. Mówią, że działa na poziomie jednostki i zatrzymuje się przed poziomem firmy. Między jednym a drugim jest luka, i to luka jest przedmiotem pracy.

Głośniejsza liczba - 95% wdrożeń generatywnej AI bez mierzalnego wpływu na P&L, z raportu MIT NANDA z sierpnia 2025 - mówi to samo mocniej, ale na słabszym materiale: 52 wywiady, 153 ankiety, ponad 300 przeglądów inicjatyw, bez recenzji naukowej, z definicją sukcesu zawężoną do zwrotu w około sześć miesięcy.² Traktuję ją jako sygnał kierunku, nie jako dowód. Do postawienia tezy liczby McKinseya wystarczą.

Rozdział drugiLos odzyskanej godziny

Załóżmy, że pracownik dzięki AI oszczędza godzinę dziennie. To założenie ma pokrycie w badaniach. W analizie 5179 konsultantów obsługi klienta dostęp do asystenta generatywnego podniósł produktywność średnio o 14%, przy 34% u osób najmniej doświadczonych i efekcie bliskim zeru u najlepszych.³ W eksperymencie polowym na 758 konsultantach BCG zadania mieszczące się w zasięgu modelu były wykonywane o 12,2% liczniej i o 25,1% szybciej.⁴

Pytanie brzmi: co dzieje się z tą godziną dalej.

Godzina może zostać przechwycona: zamieniona na większy wolumen, krótszy czas reakcji, niższy koszt jednostkowy, wyższą jakość albo przesunięcie ludzi do zadań o wyższej wartości. Może też zostać rozproszona: wchłonięta przez rozciągnięcie zadania do dostępnego czasu, zużyta przez współpracowników na weryfikację i poprawki, zamieniona na output, którego nikt nie zamawiał, albo po prostu niewidoczna, bo nikt nie zmierzył punktu wyjścia.

Domyślnie dzieje się to drugie.

To nie znaczy: zwiększyć presję albo zwolnić ludzi. Gartner szacuje, że około 80% organizacji raportuje redukcje etatów i że redukcje te nie przekładają się na zwrot z inwestycji.⁵ Cięcie kosztów bez zmiany procesu daje jednorazową ulgę w budżecie, nie trwałą przewagę. Decyzja o przechwyceniu może brzmieć: „obsłużymy o 30% więcej spraw tym samym zespołem” albo „skrócimy czas odpowiedzi z 26 do 8 godzin”. Musi zostać podjęta, zapisana i zmierzona - to jest cała różnica.

Rozdział trzeciDlaczego „czuję, że jest szybciej” nie jest pomiarem

Organizacja METR przeprowadziła randomizowany eksperyment na 16 doświadczonych programistach open source, na 246 realnych zadaniach we własnych repozytoriach, w których mieli średnio pięć lat doświadczenia.

Przed badaniem uczestnicy prognozowali przyspieszenie o 24%. Po wykonaniu pracy oceniali, że byli szybsi o 20%. Pomiar pokazał, że byli wolniejsi o 19%.⁷ Różnica między odczuciem a faktem wyniosła 39 punktów procentowych - u ludzi kompetentnych, zmotywowanych i pracujących na własnym kodzie.

To wynik z jednej domeny i małej próby. Nie należy go uogólniać na całą pracę biurową i nie twierdzę, że AI spowalnia ludzi. Wniosek jest metodologiczny i jest twardy: deklaracja pracownika nie jest danymi o produktywności. Jeśli jedynym źródłem wiedzy o efekcie AI jest ankieta wśród użytkowników, firma nie mierzy efektu. Firma mierzy nastrój.

Ten sam eksperyment na konsultantach BCG pokazał drugą stronę tej monety. Na zadaniu celowo umieszczonym poza zasięgiem modelu konsultanci korzystający z AI byli o 19 punktów procentowych mniej skłonni dojść do poprawnej odpowiedzi - przy odpowiedziach bardziej spójnych i bardziej przekonujących.⁴ Wzrost pewności bez wzrostu trafności to najdroższy efekt, jaki wdrożenie może wywołać, bo koszt ujawnia się dopiero u klienta.

Rozdział czwartyTrzy archetypy przechwytywania wartości

Firmy różnią się nie tym, jakich modeli używają, tylko tym, na którym z trzech poziomów zatrzymały wdrożenie.

Poziom pierwszy to scenariusz najczęstszy: firma daje dostęp do narzędzi, czasem organizuje szkolenie, i na tym kończy. Brakuje pomiaru użycia, wiedzy o realnej oszczędności, powiązania narzędzia z konkretnym procesem i mechanizmu przełożenia oszczędności na KPI. Koszt jest pewny, korzyść - deklarowana.

Poziom drugi zaczyna się w momencie, w którym AI przestaje być narzędziem pracownika, a staje się elementem procesu: firma mierzy czas obsługi, wolumen, koszt jednostkowy i jakość przed wdrożeniem i po nim, i definiuje nowy standard wydajności. Tu wartość po raz pierwszy pojawia się w metrykach, a nie w opiniach.

Poziom trzeci oznacza zmianę modelu operacyjnego: przeprojektowanie procesów, zmianę ról, inny podział pracy między ludzi i agentów. Nie jest obowiązkowy i rzadko bywa dobrym punktem startu. Ale to on koreluje z wynikiem finansowym: wśród firm raportujących istotny wpływ AI na EBIT blisko trzy czwarte przeprojektowało przebieg pracy, wobec jednej czwartej w pozostałej grupie.¹

Kolejność ma znaczenie i jest odwrotna do intuicji. Nie „wdrożymy AI, potem zobaczymy, co da się usprawnić”, tylko „zdecydujemy, jak ma wyglądać proces, i dopiero wtedy wstawimy w niego AI”.

Rozdział piątyKrzywa J: dlaczego pierwszy rok wygląda na porażkę

Zjawisko, w którym nowa technologia ogólnego przeznaczenia najpierw obniża mierzoną produktywność, a dopiero potem ją podnosi, opisali Brynjolfsson, Rock i Syverson jako krzywą J produktywności.

Mechanizm jest prosty. Nakład na technologię jest widoczny natychmiast: faktura za licencje, koszt integracji. Nakład komplementarny - przeprojektowanie procesów, nowe role, uporządkowanie danych, kontrola jakości, szkolenia - jest ponoszony wcześnie, jest wielokrotnie większy i nie jest księgowany jako aktywo. Dla wcześniejszej fali informatyzacji autorzy szacowali, że kapitał organizacyjny towarzyszący inwestycji w IT bywa nawet dziesięciokrotnie większy od samej inwestycji.⁸

Praktyczna konsekwencja: w pierwszym okresie zmierzony efekt bywa ujemny i to jest normalne, a nie dowód porażki. Druga konsekwencja jest mniej wygodna. Firma, która buduje kapitał organizacyjny, i firma, która kupiła licencje i czeka, wyglądają w tym momencie identycznie. Obie pokazują koszt bez efektu. Rozróżnia je wyłącznie to, czy nakład komplementarny jest w ogóle ponoszony.

Dlatego pytanie kontrolne po sześciu miesiącach nie brzmi „ile zaoszczędziliśmy”. Brzmi: co konkretnie zmieniliśmy w przebiegu pracy i czy mamy bazę porównawczą, żeby to policzyć.

Rozdział szóstyProgram: jeden proces, cztery ruchy

Nie trzeba przebudowywać firmy. Trzeba doprowadzić jeden proces do końca, łącznie z pomiarem, i dopiero potem skalować to, co się obroniło.

Rozdział siódmyArytmetyka, którą można pokazać dyrektorowi finansowemu

Model wyjściowy nie musi być skomplikowany:

I tu rachunek się zatrzymuje, bo 180 000 złotych to na razie liczba na slajdzie. Zamienia się w pieniądze dopiero wtedy, gdy firma wybierze, na co konkretnie idzie 5 200 odzyskanych godzin. To jest ósmy wiersz z tabeli 1 i to jest miejsce, w którym większość projektów AI kończy się bez wyniku: nie dlatego, że oszczędność nie powstała, tylko dlatego, że nikt jej nie zagospodarował.

Rozdział ósmyKto powinien się tym zająć teraz

Nie każda firma musi dziś przebudowywać model operacyjny. Presja rośnie jednak najszybciej tam, gdzie duża część pracy polega na przetwarzaniu informacji przy komputerze: dokumenty, zapytania klientów, oferty, dane, treści, powtarzalne czynności w systemach. Im mniej fizycznego komponentu, tym szybciej AI wpływa na koszt, czas i wolumen.

Presja rośnie też z drugiej strony - od kosztów i od rozczarowań. Gartner prognozuje, że ponad 40% projektów opartych na agentach AI zostanie anulowanych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej i niedostatecznej kontroli ryzyka.⁹ Jednocześnie jedna na pięć firm już dziś ogranicza użycie AI ze względu na koszty operacyjne.¹ Okno, w którym „eksperymentujemy” jest wystarczającym uzasadnieniem wydatku, zamyka się.

Firmy, które nauczą się mierzyć i przechwytywać tę wartość wcześniej, będą działać szybciej i taniej. Te, które zatrzymają się na zakupie licencji, po jakimś czasie uznają, że AI nie działa. Problemem nie będzie technologia. Problemem będzie brak procesu, brak miary i brak decyzji, co ma się zmienić.

KonkluzjaZacznij od procesu i pomiaru, nie od licencji

Zwrot z inwestycji w AI nie jest funkcją jakości modelu. Jest funkcją trzech decyzji, które zapadają przed wdrożeniem: który proces, jaka baza porównawcza, co robimy z odzyskanym czasem. Firmy, które te decyzje podjęły, znajdują się dziś w grupie sześciu procent. Firmy, które ich nie podjęły, mają narzędzia, koszty i zadowolonych użytkowników - i rachunek wyników, w którym nic z tego nie widać.

AI nie jest magią. Przynosi wartość wtedy, gdy organizacja wie, gdzie ją zastosować, jak zmierzyć efekt i jak przełożyć produktywność jednostki na wynik całości.