Firmy są przekonane, że sztuczna inteligencja przynosi korzyści, choć większość nie potrafi ich policzyć. A to znaczy, że kolejnym etapem rozwoju AI nie będzie wdrażanie większej liczby narzędzi, lecz podporządkowanie ich konkretnym wynikom finansowym i operacyjnym.

Aż 91 proc. przedsiębiorstw z sektora telekomunikacji, mediów, półprzewodników i technologii deklaruje zadowolenie z inwestycji w AI. Jednocześnie tylko jedna trzecia posiada ramy pozwalające zmierzyć ich wartość komercyjną. Tak wynika z badania Economist Enterprise, przygotowanego przy wsparciu HCLTech na podstawie odpowiedzi 202 przedstawicieli kadry zarządzającej z USA i Europy.

Ta różnica jest ważniejsza niż sam poziom deklarowanego entuzjazmu. Pokazuje, że wiele firm uznaje za sukces uruchomienie narzędzia, wzrost jego użycia albo pozytywne opinie pracowników. Żaden z tych wskaźników nie przesądza jednak, czy inwestycja poprawia marżę, przyspiesza sprzedaż, ogranicza odpływ klientów lub obniża koszt obsługi procesu.

Bez takich danych zarząd nie wie, które projekty rozwijać, a które zamknąć. Nie potrafi też porównać inwestycji w AI z modernizacją infrastruktury, rozwojem produktu czy zatrudnieniem nowych pracowników. Technologia może działać poprawnie, a mimo to pozostawać ekonomicznie nieuzasadniona.

Koszt modelu staje się częścią rachunku biznesowego

Problem pogłębia się wraz ze skalą. Koszt pilotażu jest stosunkowo łatwy do kontrolowania. W regularnym użyciu dochodzą wydatki na moc obliczeniową, integrację, dane, licencje, bezpieczeństwo, testowanie i nadzór człowieka. Firma może więc odnotować wzrost produktywności, który po uwzględnieniu całkowitych kosztów nie daje realnego zwrotu.

Najnowsze badanie KPMG z drugiego kwartału 2026 r. wskazuje, że pełną, bieżącą widoczność kosztów działania AI ma tylko 26 proc. organizacji. Firmy dysponujące taką wiedzą pięć razy częściej deklarują potwierdzony zwrot z inwestycji niż przedsiębiorstwa, które nie kontrolują kosztów w podobny sposób.

Nie można zarządzać wartością AI bez mierzenia jej pełnego kosztu. Liczba użytkowników, zapytań lub uruchomionych modeli powinna być traktowana jako informacja techniczna, nie dowód sukcesu.

Każde większe wdrożenie potrzebuje punktu odniesienia sprzed zastosowania AI. Może nim być koszt pojedynczej transakcji, czas obsługi klienta, liczba błędów, konwersja sprzedaży albo czas wprowadzenia produktu na rynek. Dopiero porównanie tych wartości z kosztami systemu pokazuje, czy powstała wartość, czy jedynie dodatkowa warstwa technologii.

Firmy skalują narzędzia szybciej niż zdolność zarządzania nimi

Brak pomiaru nie jest osobnym problemem analitycznym. Zwykle wskazuje na słabość całego modelu operacyjnego. W badaniu Economist Enterprise 62 proc. firm przyznało, że rozwój AI spowalniają trudności integracyjne i dług technologiczny. Bez spójnego przepływu danych trudno zarówno automatyzować proces, jak i ocenić jego wynik.

Podobna luka dotyczy ludzi i odpowiedzialności. Tylko 20 proc. badanych organizacji ma strategię podnoszenia kwalifikacji lub rekrutacji związanej z AI. Zaledwie 17 proc. deklaruje, że przyjęte zasady nadzoru rzeczywiście wpływają na działanie systemów.

Oznacza to, że firmy często kupują technologię, zanim ustalą, kto ma przebudować proces, oceniać wyniki i odpowiadać za błędne decyzje. W takiej strukturze AI pozostaje dodatkiem do dotychczasowej pracy. Może przyspieszać pojedyncze zadania, ale nie zmienia wyniku całej organizacji.

Nadzór nie jest przy tym wyłącznie kwestią zgodności. Od 2 sierpnia 2026 r. w Unii Europejskiej zaczną obowiązywać kolejne przepisy AI Act, w tym wymagania dotyczące przejrzystości niektórych systemów i treści generowanych przez AI. Kontrola sposobu działania modeli staje się więc równocześnie warunkiem skalowania, zarządzania ryzykiem i zgodności regulacyjnej.

Przewagę da zdolność wyboru, a nie liczba wdrożeń

AI zaciera granice pomiędzy telekomunikacją, mediami, producentami układów i dostawcami oprogramowania. Firmy konkurują już nie tylko produktem, lecz także dostępem do danych, relacją z klientem i kontrolą nad cyfrowym ekosystemem. To otwiera nowe źródła przychodów, ale zwiększa również ryzyko finansowania projektów, których wartości nie da się wykazać.

Najważniejszym zadaniem zarządów nie jest więc przyspieszenie każdego wdrożenia. Jest nim stworzenie mechanizmu, który pozwala szybko oddzielić projekty poprawiające wynik od kosztownych eksperymentów.

Industrializacja AI zaczyna się nie od modelu, lecz od mierzalnego problemu biznesowego, właściciela odpowiedzialnego za wynik oraz decyzji, kiedy rozwiązanie skalować, zmienić albo wyłączyć. Firmy, które opanują ten proces, będą mogły inwestować odważniej. Pozostałe mogą rozwijać AI przez lata, nie wiedząc, czy budują przewagę, czy tylko zwiększają koszty.