Wskaźniki adopcji AI mylą CIO. Future Processing pokazuje, jak mierzyć transformację naprawdę

Jednym z najczęstszych błędów przy wdrażaniu sztucznej inteligencji w organizacji jest wiara, że postęp da się streścić jedną, prostą metryką - nawet gdy ta metryka sama w sobie jest prawdziwa. Future Processing, rozpoczynając własną transformację AI, od razu założyło, że rzetelny pomiar efektów będzie jednym z kluczowych wyzwań. Dlatego firma od początku śledziła poziom adopcji technologii, by nie tylko ocenić własne działania, ale też podzielić się wnioskami z organizacjami, które dopiero zaczynają tę drogę.

Pierwsze ogólnofirmowe badanie, przeprowadzone w 2025 roku, wykazało, że 81% respondentów deklaruje korzystanie z narzędzi AI. Liczba robi wrażenie, jednak ci sami ankietowani ocenili wspólną pracę zespołową z wykorzystaniem AI zaledwie na 34 punkty w stupunktowej skali. Technologia trafiła więc na stanowiska pracy, ale nie zakorzeniła się w sposobie funkcjonowania zespołów. Widać było poprawę efektywności pojedynczych osób, która nie przekładała się na sprawność całych procesów.

Z perspektywy CIO oceniającego wydajność organizacji to różnica fundamentalna. Osoba korzystająca z AI może wykonać swoje zadanie szybciej, ale to wcale nie przyspiesza pracy całego zespołu - wynik i tak czeka na akceptację, a kolejna osoba w łańcuchu, zajęta czymś innym, nie spodziewa się rezultatu tak wcześnie. Utarty sposób wytwarzania oprogramowania nie radzi sobie z nowo powstającymi wąskimi gardłami, przez co zyskany czas okazuje się iluzoryczny. Zarząd widzi rosnącą liczbę aktywnych użytkowników i dobre wskaźniki adopcji, lecz wydajność całego procesu nie nadąża za tymi danymi. Dlatego warto śledzić dalszy los pracy przyspieszonej przez AI, a nie poprzestawać na liczbie osób korzystających z narzędzi.

To właśnie dlatego, wbrew powszechnej narracji rynkowej, w Future Processing świadomie zrezygnowano z celu w stylu „każdy ma korzystać z AI”. Punktem wyjścia stało się pytanie, jakich umiejętności, reguł i nawyków potrzebują zespoły, aby AI weszła na stałe do ich codziennej pracy. W ciągu piętnastu miesięcy zbudowano program obejmujący całą firmę, mierzony na kilku niezależnych poziomach - wyniki te się uzupełniają, ale nie da się ich stosować zamiennie, co samo w sobie jest ważną lekcją dla każdego CIO.

Trzy pojęcia, których nie wolno mylić

Adopcja informuje, kto sięga po AI i jak często. Dojrzałość pokazuje, czy za tym stoją realne kompetencje, zasady i wspólne praktyki zespołowe. Transformacja zaczyna się dopiero, gdy organizacja na nowo projektuje swoje procesy wokół tego nowego sposobu pracy. Można więc osiągnąć wysoki wynik na pierwszym poziomie, nie posuwając się ani o krok w trzecim.

Co pokazały dwa pomiary

Badanie przeprowadzono dwuetapowo. Latem 2025 roku w pierwszej fali ankiety wzięło udział 446 osób, czyli 66% zatrudnionych. Druga fala odbyła się w kwietniu 2026 roku i objęła 480 respondentów, z czego 293 osoby uczestniczyły w obu pomiarach. Pierwszy kwestionariusz liczył około 90 pytań, drugi był krótszy, lecz zachował porównywalny zakres tematyczny. To wynik jednej konkretnej organizacji, oparty na deklaracjach własnych pracowników, a nie próba reprezentatywna dla całego polskiego rynku - samoocena zawsze niesie ze sobą pewien element subiektywności. Efekt ten częściowo ogranicza fakt, że wnioski opierają się głównie na porównaniu zmian między dwiema falami w tej samej firmie, choć i to nie eliminuje różnic w składzie respondentów.

Zestawienie obu fal przyniosło sporo informacji. Ocena wspólnej pracy zespołowej z AI wzrosła z 34 do 52,7 punktu. Codzienne korzystanie z technologii w całej firmie podwoiło się. Zaobserwowano też, że częstsza zespołowa praktyka AI współwystępowała z wyższą oceną jej wkładu w sukces projektu (korelacja r = 0,42), nawet po uwzględnieniu indywidualnego korzystania z narzędzi przez poszczególne osoby. Nie jest to dowód przyczynowości ani obiektywna miara sukcesu projektów, ale pokazuje, dlaczego samo liczenie licencji to za mało.

Istotna jest też kolejność zdarzeń. Obie ankiety przeprowadzono jeszcze przed wdrożeniem nowych, wspólnych standardów transformacji delivery. Wzrost z 34 do 52,7 punktu nie jest zatem miarą skuteczności tych późniejszych standardów - mówi o zmianie umiejętności i zachowań obserwowanej w trakcie rozwijania programu, a nie o zamkniętym bilansie korzyści biznesowych.

Co rzeczywiście zmieniliśmy

Pierwsze decyzje nie dotyczyły wyboru narzędzi ani konkretnego modelu językowego. Zarząd nadał adopcji AI rangę programu ogólnofirmowego: z celami, budżetem, odpowiedzialnością za poszczególne obszary i regularnym przeglądem postępów. Zamiast arbitralnej liczby godzin, które technologia miałaby „odzyskać”, ustalono cel kompetencyjny - pracownicy mają umieć korzystać z AI według rozpoznawalnego, wspólnego sposobu pracy.

Drugim krokiem było stworzenie katalogu narzędzi i dostępu do nich bez tworzenia szarej strefy. Wprowadzono centralne finansowanie i jedną ścieżkę akceptacji, a przyjęty KPI zakładał podjęcie decyzji o dostępie w ciągu maksymalnie dwóch dni roboczych. Równolegle z uruchomieniem oficjalnej ścieżki opublikowano pierwszą politykę wykorzystania AI, określającą, jakie dane wolno przetwarzać, do kogo należą wyniki i kto odpowiada za korzystanie z narzędzi. Celem było uniknięcie sytuacji, w której zbyt wolna procedura skłoni ludzi do pracy na prywatnych kontach.

Trzeci krok okazał się najbardziej czasochłonny. Sam dostęp do narzędzia nie buduje kompetencji zespołu. W Future Processing uznano, że w tym obszarze potrzebna jest przyspieszona ewolucja, a nie rewolucja. W delivery opisano więc oczekiwane umiejętności AI dla poszczególnych ról i włączono je do celów pracowniczych. Architekt potrzebuje innych praktyk niż tester czy analityk, ale wspólnym mianownikiem pozostają: ocena jakości wyniku, praca na właściwych danych, eksperymentowanie oraz umiejętność przekazania sprawdzonej metody innym.

Zamiast tworzyć odrębną organizację „od AI”, postawiono na wsparcie osób już działających w projektach. W programie AI-Boosted Delivery pracuje około 35 AI Masterów - doświadczonych specjalistów z wyznaczonym czasem na rozwijanie metod i wspieranie zespołów. W każdym projekcie funkcjonuje też AI Champion, czuwający nad stosowaniem wypracowanego standardu. Obie funkcje istnieją obok dotychczasowych ról, nie zamiast nich, dzięki czemu wiedza nie zamyka się w centralnym zespole, lecz przenika do codziennej praktyki projektowej.

Od eksperymentu do metody, z której skorzysta następny zespół

Najprościej jest zaprezentować efektowny pokaz możliwości AI. Dużo trudniej sprawić, by kolejny zespół osiągnął podobny rezultat bez udziału autora pierwotnego pomysłu. Dlatego stworzono otwarty rejestr eksperymentów, obejmujący nie tylko delivery, ale też inne obszary firmy. Dziś zawiera on ponad 250 prób, z których wiele zakończyło się niepowodzeniem - i jest to celowe, bo rejestr samych sukcesów nie pokazuje, czego organizacja naprawdę się nauczyła. Bez przyzwolenia na porażki nie ma postępu.

Eksperymenty podlegają jednak systemowej selekcji. Sama prezentacja rozwiązania i wpis do rejestru nie wystarczą, aby nazwać je standardem. Pomysłodawca musi udokumentować efekt, powiązane ryzyka i warunki stosowania, a metodę przetestować w więcej niż jednym projekcie klienckim. Ostateczną ocenę wydaje komisja złożona z pozostałych AI Masterów, a dopiero po pozytywnej weryfikacji metoda trafia do biblioteki rozwiązań gotowych do ponownego użycia. W trakcie transformacji liczba zatwierdzonych metod delivery wzrosła z sześciu do osiemnastu.

To miara niezależna od wyników ankiet - nie mówi, ilu pracowników uważa AI za przydatną, lecz ile konkretnych sposobów pracy przeszło przyjęte kryteria ponownego wykorzystania. Dlatego oba rodzaje pomiarów powinny trafiać do zarządu obok siebie, a nie być zredukowane do jednego wskaźnika „dojrzałości AI”.

Co kwartał oceniana jest też dojrzałość centrów kompetencyjnych w pięciostopniowej skali opartej na obserwowalnych zachowaniach. W trzech dotychczasowych pomiarach wynik obszaru „ludzie” wzrósł z 2,56 do 2,89, a obszaru procesów wspieranych przez AI - z 2,11 do 2,56. To zupełnie inna skala niż ankietowa ocena zespołowego korzystania z AI, a zamienne traktowanie tych liczb tworzyłoby pozorną precyzję tam, gdzie w rzeczywistości mierzy się różne zjawiska.

Co po badaniach?

Badania stanowią fundament decyzji napędzających całą zmianę. Dzięki systemowemu podejściu Future Processing mogło w kontrolowany sposób wdrażać kolejne inicjatywy, rozwijać przyspieszony przez AI playbook dostarczania rozwiązań klientom, a nawet zbudować platformę AI-native Delivery Engine, za pomocą której AI potrafi autonomicznie dostarczać nawet całe elementy rozwiązań produkcyjnych. Zakres tej autonomii ustalany jest indywidualnie dla każdego projektu, wraz z zasadami weryfikacji wyników przez ludzi.

Badania pokazały jednak coś jeszcze: o efektywności decyduje nie tylko to, co się robi, ale też jak się to robi i jak kaskaduje się działania, aby wzrost wydajności kumulował się w skali całej organizacji.

Pięć decyzji, które CIO może podjąć teraz

1. Zbudować punkt odniesienia przed kolejnym zakupem - badanie powinno oddzielać indywidualne korzystanie z AI od wspólnej pracy zespołu, a datę drugiego pomiaru warto ustalić od razu, bo jedna ankieta pokazuje stan, a dwie zaczynają pokazywać kierunek.
2. Połączyć dostęp z jasnymi zasadami - zatwierdzona ścieżka musi działać szybko, a polityka być na tyle prosta, by dało się jej realnie używać w codziennej pracy, bo długa procedura akceptacji wypycha ludzi na prywatne konta, a wtedy organizacja widzi tylko część faktycznego korzystania z AI.
3. Wpisać kompetencje w konkretne role - ogólne szkolenie nie zastąpi ustalenia, co analityk, architekt, tester czy lider zespołu ma umieć zrobić z AI i jak rozpoznać wynik odpowiedniej jakości.
4. Wyznaczyć właściciela drogi od eksperymentu do standardu - potrzebne są jasne kryteria oceny efektu i ryzyka oraz osoba pilnująca, aby sprawdzona metoda wyszła poza zespół, w którym powstała.
5. Mierzyć przepływ pracy, a nie pojedynczą czynność - szybsze generowanie kodu nie musi oznaczać krótszego cyklu dostarczenia funkcjonalności, bo tempo całego procesu nadal wyznaczają przeglądy, testy, decyzje klienta i odbiór.

Po piętnastu miesiącach Future Processing potrafi wykazać zmianę praktyk zespołowych, wzrost ocen dojrzałości i rozwój biblioteki metod wykorzystywanych w projektach. Nie dysponuje natomiast jedną potwierdzoną liczbą opisującą finansowy zwrot z inwestycji w skali całej firmy - taki rachunek wymaga pełnego okresu funkcjonowania w nowym modelu pracy.

To nie jest słabość pomiaru. To jego uczciwa granica. CIO potrzebuje liczb, które pomagają podjąć kolejną decyzję – a nie liczby, która ma za wszelką cenę potwierdzić słuszność poprzedniej.

Mike Zamarski, doradca ds. strategii AI w Future Processing