Sztuczna inteligencja w firmach: prawdziwe zyski tkwią w szczegółach, nie w automatyzacji stanowisk

Sztuczna inteligencja zagościła w firmach zdecydowanie szybciej, niż widać to w ich wynikach finansowych. Najbardziej wymierne efekty jej stosowania nie pojawiają się przy spektakularnym zastępowaniu całych stanowisk pracy, ale w mniej medialnych obszarach: przy szukaniu potrzebnej wiedzy, przygotowywaniu wstępnych wersji dokumentów, wdrażaniu nowych pracowników czy przekazywaniu spraw pomiędzy zespołami.

Według danych za 2025 rok z rozwiązań AI korzystało już 20,2 proc. przedsiębiorstw w krajach OECD - dwa lata wcześniej wskaźnik ten wynosił 8,7 proc. Tempo wdrożeń wciąż jednak silnie zależy od wielkości organizacji: technologię stosowało 52 proc. dużych firm, a wśród małych podmiotów odsetek ten spadał do 17,4 proc. Nie mamy więc do czynienia z przełomem produktywności, lecz z gwałtownym rozprzestrzenianiem się narzędzi, którego skutki rozkładają się bardzo nierówno.

Przepaść między samym korzystaniem z AI a realną wartością biznesową uwidacznia raport McKinsey z 2025 roku. Aż dziewięć na dziesięć badanych organizacji przyznało, że regularnie sięga po AI, ale prawie dwie trzecie z nich nie ruszyło jeszcze ze skalowaniem tej technologii na poziomie całej firmy. Jakikolwiek wpływ na EBIT zauważyło 39 proc. respondentów, a w większości przypadków nie przekraczał on 5 proc. wyniku finansowego. Firmy owszem, wdrożyły narzędzia AI, ale rzadko na nowo zaprojektowały wokół nich swoje procesy.

Czas ucieka między zadaniami

Najbardziej wiarygodne przyrosty efektywności widać tam, gdzie AI pomaga szybciej trafić do właściwej informacji.

W badaniu, które objęło 5179 konsultantów obsługi klienta, asystent oparty na generatywnej AI zwiększył liczbę obsłużonych spraw na godzinę średnio o 14 proc. Wśród pracowników dopiero zaczynających pracę oraz tych radzących sobie słabiej, poprawa wyniosła aż 34 proc. Doświadczeni konsultanci odczuli znacznie mniejszy zysk. AI nie przejęła procesu decyzyjnego - upowszechniła dobre praktyki najlepszych pracowników i skróciła czas, w którym nowi zatrudnieni osiągają pełną wydajność.

W pracy eksperckiej rezultat zależy jednak od charakteru zadania. Konsultanci BCG korzystający z GPT-4 realizowali standardowe zadania analityczne o 25,1 proc. szybciej, wykonywali ich o 12,2 proc. więcej, a ich praca była lepiej oceniana pod względem jakości. Kiedy jednak trafiał do nich problem wykraczający poza kompetencje modelu, ich szansa na podanie poprawnej odpowiedzi spadała o 19 proc. w porównaniu z osobami pracującymi bez wsparcia AI. Gładko sformułowana propozycja modelu przyspiesza pracę tylko do momentu, gdy zaczyna zastępować samodzielną ocenę sytuacji.

Mniej koordynacji, nie mniej ludzi

Inny typ korzyści pokazał eksperyment przeprowadzony w Procter & Gamble, w którym uczestniczyło 776 specjalistów rozwiązujących rzeczywiste problemy związane z rozwojem produktów. Pojedyncza osoba wspierana przez AI osiągała wyniki porównywalne z dwuosobowym zespołem działającym bez tej technologii.

AI zmniejszyła również dystans pomiędzy różnymi funkcjami w organizacji. Osoby zajmujące się badaniami i rozwojem proponowały rozwiązania lepiej dopasowane do realiów rynku, a pracownicy działów komercyjnych zaczęli trafniej uwzględniać ograniczenia techniczne. Sztuczna inteligencja nie wyeliminowała potrzeby współpracy między zespołami - obniżyła koszt tłumaczenia tego samego problemu między ludźmi o odmiennych kompetencjach.

To właśnie w koordynacji kryje się znaczna część cyfrowej nieefektywności firm: w czekaniu na konsultację, poszukiwaniu osoby odpowiedzialnej za informację, ręcznym przepisywaniu danych i poprawianiu dokumentów, których kontekst zgubił się gdzieś między systemami.

AI może też spowalniać pracę

Organizacja METR przeanalizowała doświadczonych programistów pracujących w dobrze znanych im, własnych repozytoriach open source. Z dostępem do narzędzi AI wykonywali zadania średnio o 19 proc. dłużej, mimo że przed testem sami zakładali przyspieszenie o 24 proc. Dodatkowy czas pochłaniało generowanie odpowiedzi przez model, weryfikacja kodu i poprawianie uzyskanych rezultatów. Co znamienne, nawet po zakończeniu zadań uczestnicy wciąż byli przekonani, że AI przyspieszyła ich pracę.

Nowsze obserwacje z 2026 roku wskazują, że obecne modele mogą już częściej realnie wspierać programistów. METR nie podał jednak konkretnej wielkości poprawy, ponieważ na wyniki wpływała selekcja uczestników oraz zmiana sposobu pracy związana z równoczesnym korzystaniem z wielu agentów AI.

Produktywności nie da się zmierzyć liczbą licencji

Wiele wdrożeń zawodzi już na etapie doboru wskaźników. Liczba aktywnych użytkowników, promptów czy uruchomionych agentów mówi o skali konsumpcji technologii, a nie o jej realnej wartości.

Znacznie więcej informacji dają takie miary jak czas realizacji sprawy, liczba potrzebnych poprawek, udział przypadków rozwiązanych już przy pierwszym kontakcie, długość procesu wdrażania nowego pracownika czy liczba przekazań zadania między zespołami. Zgodnie z badaniem McKinsey to przeprojektowanie przepływu pracy było czynnikiem najsilniej powiązanym z wpływem generatywnej AI na EBIT. Mimo to fundamentalną zmianę przynajmniej części swoich procesów zadeklarowało jedynie 21 proc. organizacji korzystających z tej technologii.

Automatyzacja pozostaje chwytliwą narracją, bo łatwo ją zaprezentować i pokazać jako efekt wizualny. Realna produktywność jest znacznie mniej efektowna. Powstaje w momencie, gdy informacja trafia do właściwej osoby wcześniej, sprawa rzadziej wraca do poprawki, a specjalista nie traci godzin na odtwarzanie kontekstu, który firma już wcześniej zdobyła.