95% wdrożeń AI w firmach nie przynosi mierzalnego zysku. I prawie nigdy nie chodzi o technologię.
Poniższy tekst zacznę od paradoksu produktywności, który powstał w wyniku obserwacji noblisty Roberta Solowa. Zwrócił on uwagę na fakt inwestowania przez firmy miliardów w IT przy czym nie przekładało się to na natychmiastowy wzrost wydajności. Tym samym pojawienie się nowej potężnej technologii przełożyło się na wzrost produktywności dopiero po długim czasie, który nie był spowodowany jakością nowej technologii. Był on spowodowany czasem, który organizacje potrzebowały aby odpowiednio “przebudować” się wokół niej.
Tezą tego krótkiego artykułu jest uogólnienie tej obserwacji: kiedy każdy ma dostęp do tej samej technologii, to sama technologia przestaje różnicować poszczególne organizacje. Różnicuje je zdolność do adaptowania jej, a wąskim gardłem całego procesu jest organizacja, nie zaś technologia.
Zacznę od przeglądu świeżych badań z uznanych uniwersytetów, instytutów badawczych i firm konsultingowych. MIT w badaniu “The GenAI Divide: State of AI in Business 2025” wskazuje, że około 95% pilotaży rozwiązań opartych o sztuczną inteligencję nie ma mierzalnego wpływu na P&L, przy czym pozostałe 5% trafia na produkcję i przynosi wartość organizacjom. Diagnoza w badaniu jest jednoznaczna i potwierdza tezę postawioną na początku tekstu. Przyczyną tego stanu rzeczy leży w organizacji, a dokładniej w “learning gap”, czyli niezdolności do zintegrowania nowych narzędzi z istniejącymi procesami. RAND w 2024 roku opublikowało badania w których sprawdzano przyczyny niepowodzeń projektów opartych o sztuczna inteligencję. Wynika z nich, że ponad 80% projektów związanych ze sztuczną inteligencją upada, dwukrotnie częsciej niż projekty IT bez AI. Przyczyna leży w czynnikach przywódczych i organizacyjnych. W pierwszej kolejności wskazano problem związany ze źle postawionym celem, słabą komunikacją a dopiero później jako przyczyna wskazywane są dane. Gartner w swoim raporcie przewiduje, że do 2027 roku ponad 40% projektów opartych o rozwiązania agentowe zostanie wstrzymane głównie przez wysokie koszty, czy brak kontroli ryzyka. Na koniec raport McKinsey z zeszłego roku, w którym dowodzą, że realny zwrot finansowy przy użyciu sztucznej inteligencji występował u firm które przeprojektowywały procesy “end to end”, a dopiero potem wdrażały nowe technologie. Ten ostatni raport bezpośrednio potwierdza obserwacje Solowa.
Stoi za tym kilka mechanizmów.
Pierwszy z nich to zdolność wchłaniania (absorptive capacity) dostępnej technologii. Dokładniej rzecz ujmując to po prostu zdolność organizacji do rozpoznania wartości nowej, zewnętrznej wiedzy, nauczenia się jej wykorzystania i na koniec umiejętności do komercyjnego zastosowania. Przy czym kluczowe jest posiadanie fundamentu powiązanej wiedzy, bo nie da się jednym wielkim skokiem wszystkiego nadrobić.
Kolejny mechanizm jest związany z aktywami komplementarnymi. Są to zasoby dzięki którym z technologii można zrobić wartość, np. dane, procesy, dystrybucja. W świecie gdzie ta sama technologia jest dostępna dla każdego przewagę daje to co otacza, nie zaś technologia sama w sobie.
Ostatnim mechanizmem, który chcę tutaj opisać jest tzw. j-krzywa produktywności (ang. j-curve). Technologie takie jak sztuczna inteligencja, czy wspomniana wcześniej informatyzacja wymaga dużych inwestycji, m.in. w przeprojektowanie procesów, czy umiejętności pracowników. Te inwestycje w pierwszym okresie w znacznym stopniu obniżają produktywność, a dopiero później ją podnoszą - stąd kształt litery “j”.
Wróćmy jeszcze na chwilę do zamierzchłych czasów. Historyk gospodarczy Paul David pokazał prawidłowość, która jest uderzająco podobna do każdej kolejnej rewolucji technologicznej. Opisał on dostępność w przemyśle silników elektrycznych, które pojawiły się w latach 80. XIX wieku. Wzrost produktywności dzięki temu rodzaju silników wobec dotychczasowych silników parowych została osiągnięta dopiero kilkadziesiąt lat później. Stało się tak ponieważ jednostki parowe zostały wymieniane na elektryczne bez zmiany organizacji procesów. Po prostu stare były usuwane i montowane nowe, elektryczne. Przełom przyszedł dopiero wtedy, kiedy zrozumiano, że można było montować wiele małych silników, zasilających poszczególne maszyny, zamiast jednej centralnej połączonej siecią wałów i pasów transmisyjnych. Efektem tego przeprojektowywanie hale tak, aby budować wokół procesów, a nie napędu. Kupienie technologii i wpięcie jej tak jak w przypadku zastąpienia silnika będzie miało ten sam znikomy efekt.
Jaki z tego wniosek? Organizacje muszą zastanowić się jak przeorganizować proces wokół nowej technologii, a nie zastanawiać się jak wykorzystać technologię pod działające procesy. Tak było z chmurą (m. in. tworzenie efemerycznych procesów, konteneryzacja aplikacji), tak jest ze sztuczną inteligencją i tak będzie z erą kwantową, np. związaną z tym kryptografią postkwantową.
Gdzie leżą granice tezy postawionej na początku? Kiedy technologia jest niedostępna dla każdego, np. konkurencja nie ma dostępu do modelu lub technologii (w ostatnim czasie takim przypadkiem jest Project Glasswing od Anthropic dla wybranych korporacji), oraz gdy ma się unikalne dane które można wykorzystać na korzyść danej organizacji.
Pytanie, które należy sobie postawić to nie czy jest się w posiadaniu najlepszej technologii. Pytaniem właściwym jest gdzie leży wąskie gardło i co zaburza zdolność wchłaniania.
Rolą lidera technologicznego nie jest wybieranie najlepszych narzędzi, lecz budowanie zdolności do bezpiecznego i szybkiego wchłaniania jej w organizacji.
Marcin Szaroszyk 03.06.2026