Adopcja AI w przedsiębiorstwach

01 · Problem z dowodami

Cztery liczby, jedno słowo

Jeśli zasiadasz w zarządzie w Europie, w ciągu ostatnich sześciu miesięcy pokazano Ci co najmniej dwie z tych liczb — zwykle na tym samym slajdzie, zwykle bez mianowników.

Każda z tych liczb jest uzasadniona na swoich własnych warunkach. Zestawione na jednej osi stają się niespójne. Adopcja nie może wynosić jednocześnie 88% i 20%. Porażka nie może wynosić 95%, skoro połowa amerykańskich firm dobrowolnie płaci za to co miesiąc i odnawia subskrypcję.

Odruchowa reakcja to założenie, że ktoś kłamie, albo że rozbieżność to różnica między Europą a Ameryką. Żadne z tych wyjaśnień nie jest trafne. Cztery liczby różnią się, ponieważ liczą cztery różne populacje robiące cztery różne rzeczy. Jedna pyta, czy AI jest w ogóle używane; druga pyta, czy pilot osiągnął strukturalną produkcję; trzecia zapisuje, czy zapłacono fakturę; czwarta bada rzeczywistą populację europejskich firm. Każda używa innego czasownika, a najtrudniejszy z nich — produkcja — nigdy nie jest zdefiniowany w sposób, który inne badanie mogłoby ponownie wykorzystać.

02 · Problem definicji

Nikt nie definiuje „produkcji”

Oto te same cztery liczby, tym razem z dołączoną rzeczywistą podstawą pomiaru. Ta tabela to pojedynczo najbardziej przydatna rzecz w całym artykule.

Tabela przewija się w bok →

Czytając kolumnę „co faktycznie zostało policzone” od góry do dołu, sprzeczność w dużej mierze się rozpuszcza — więc oto arytmetyka, a nie twierdzenie. 88% McKinseya i 20% Eurostatu to nie konkurencyjne szacunki jednej wielkości. McKinsey ankietuje samodzielnie dobrany panel w większości dużych, w większości zdigitalizowanych organizacji i pyta, czy AI jest używane gdziekolwiek. Eurostat bada całą populację europejskich firm zatrudniających dziesięć lub więcej osób, która w przeważającej mierze składa się z małych firm.

Postawione na tym samym poziomie, rozbieżność kurczy się do czegoś wytłumaczalnego. Ograniczając Eurostat do przedsiębiorstw zatrudniających 250 lub więcej osób — czyli mniej więcej populacji, z której próbkuje McKinsey — europejska adopcja wynosi 55,0%, a nie 20%. Pozostały dystans do 88% to połączenie globalnego, a nie europejskiego zakresu, samodzielnie dobranego panelu respondentów oraz tego, że Europa naprawdę pozostaje w tyle pod tym względem. To różnica stopnia między porównywalnymi rzeczami, nie sprzeczność. Wersja argumentu „20 kontra 88” jest artefaktem porównywania statystyki populacyjnej ze statystyką panelową.

Głębszy problem to brakująca definicja. Wśród źródeł skonsultowanych na potrzeby tego tekstu — wymienionych w pełni na końcu — żadne nie definiuje produkcji w sposób, który inne źródło mogłoby ponownie wykorzystać. Czy workload jest w produkcji, gdy obsługuje zewnętrznych klientów? Gdy ma dyżur on-call? Gdy ma linię budżetową? Gdy finanse mogą przypisać mu koszt? Każde badanie wybiera domyślną odpowiedź, żadne jej nie podaje wprost, a wynikowe wskaźniki są następnie porównywane, jakby były współmierne.

03 · Najczęściej cytowana liczba

Liczba 95% pod lupą

Jedna statystyka dominuje ten temat. Pojawia się w materiałach dla zarządów, deckach dostawców i komentarzach z 2026 roku firm, które mają własne, sprzeczne liczby do sprzedania — porównaliśmy je obok siebie w dużych frameworkach AI firm konsultingowych, porównanych.

Twierdzenie — że około 95% pilotów GenAI w przedsiębiorstwach nie przynosi mierzalnego zwrotu w rachunku zysków i strat — pochodzi z raportu The GenAI Divide: State of AI in Business 2025, opublikowanego przez Project NANDA z MIT w lipcu–sierpniu 2025 roku. Jego baza dowodowa to 52 ustrukturyzowane wywiady, ankieta wśród 153 liderów oraz przegląd ok. 300 publicznych wdrożeń.

• Próba nie udźwignie nagłówka. Pięćdziesiąt dwa wywiady w ciągu sześciomiesięcznego okna to badanie jakościowe. Wspiera hipotezę o mechanizmie. Nie wspiera odsetka populacyjnego cytowanego z dokładnością do dwóch cyfr znaczących.
• „Porażka” jest zdefiniowana szeroko. Raport liczy jako brak zwrotu wszystko poniżej strukturalnego wdrożenia produkcyjnego, co obejmuje też piloty, które zakończyły się słuszną decyzją — dobrze przeprowadzony pilot, który odpowiada „nie, nie warto skalować”, jest sukcesem governance, a nie porażką AI.
• Nie przeszedł recenzji naukowej, a wydawca ma interes komercyjny. NANDA prowadzi płatne korporacyjne członkostwa. Nie oznacza to, że wniosek jest błędny. Oznacza to, że ujęcie tematu nie zostało wytworzone przez stronę bezinteresowną — a to dokładnie ten standard, który raport stosuje wobec dostawców.
• Źródło pierwotne jest dziś trudno dostępne. Na datę migawki tego artykułu oficjalny URL MIT NANDA nie udostępnia już raportu bezpośrednio. Dokument krąży jako zwielokrotniony PDF. Statystyka o takim wpływie powinna być łatwiejsza do sprawdzenia, niż jest w rzeczywistości.

A jednak centralny mechanizm raportu to najciekawsza rzecz, jaką ktokolwiek opublikował w 2025 roku, i nikt go nie cytuje. Argument NANDA dotyczy przepływu pracy, a nie jakości modelu: motorem porażki są narzędzia, które nie zachowują informacji zwrotnej ani się nie adaptują — a w związku z tym, że shadow AI używa ponad 90% firm, podczas gdy oficjalne subskrypcje LLM sięgają blisko 40%. Pracownicy czerpią z AI wartość, której program ich pracodawcy nie przechwytuje.

Ta sama dyscyplina dotyczy dwóch szeroko krążących liczb Gartnera. To, że ponad 40% projektów agentycznej AI zostanie anulowanych do końca 2027 roku, oraz że co najmniej 30% projektów GenAI zostanie porzuconych po proof-of-concept do końca 2025 roku, to obie prognozy — opublikowane odpowiednio w czerwcu 2025 i lipcu 2024 roku. Są rutynowo cytowane, jakby były zaobserwowanymi wynikami.

Ta z końca 2025 roku minęła już swoją datę testu, więc szukaliśmy jej rozliczenia. Nie znaleźliśmy żadnego. Gartner nie opublikował — jak się wydaje — żadnej publicznej oceny, czy jego 30-procentowa prognoza się sprawdziła, a liczba najczęściej przywoływana jako potwierdzenie — „42% firm porzuciło większość swoich inicjatyw AI w 2025 roku” S&P Global Market Intelligence — dotarła do nas tylko za pośrednictwem wtórnych podsumowań; główna strona nie ładowała się na datę naszej migawki, więc również jej nie cytujemy jako faktu.

04 · Dowody, które się utrzymują

Co wytrzymuje krytyczną analizę

Odejmij to, co samodeklarowane, przewidywane i niemożliwe do zweryfikowania, a zostanie mniejszy, ale solidniejszy obraz.

Liczba Ramp zasługuje na więcej uwagi, niż zwykle dostaje. Pochodzi z danych z kart korporacyjnych i rejestrów wydatków, a nie z pytania kadry kierowniczej, co sądzi. Ktoś w firmie podjął decyzję zakupową, a finanse rozliczyły fakturę. Przekroczyła 50% po raz pierwszy w marcu 2026 roku, w górę z ok. 35% rok wcześniej. Jest wąska — tylko USA, własna baza klientów Ramp, a płatna subskrypcja dowodzi zakupu, nie wartości — ale nikt jej nie samodeklarował, co czyni ją tutaj wyjątkową.

Spośród literatury o porażkach, badanie RAND z 2024 roku jest metodologicznie najuczciwsze. Zbudowane na 65 częściowo ustrukturyzowanych wywiadach z data scientistami i inżynierami z administracji publicznej i biznesu, wskazuje porażkę projektów AI powyżej 80% — mniej więcej dwukrotność wskaźnika dla projektów IT niezwiązanych z AI. Co kluczowe, 84% respondentów z branży wskazało jako główną przyczynę problemy wynikające z przywództwa, a nie technologię — co jest problemem strategii i przywództwa przebranym za problem technologiczny. To wciąż badanie jakościowe i tak należy je czytać, ale nazywa swoją próbę, podaje swoją metodę, a jego wniosek wskazuje na coś, co kontrolują menedżerowie.

Jest też liczba, która powinna zatrzymać zarząd w połowie zdania. Z badania BCG wśród 1 803 dyrektorów szczebla C w 19 krajach: 60% firm nie definiuje ani nie monitoruje żadnego finansowego KPI dla wartości AI. Zbudowanie tego instrumentu to osobna dyscyplina — ta, którą prowadzimy jako wdrożenie KPI. Zanim dojdzie do jakiejkolwiek dyskusji o tym, czy AI się opłaca, większość organizacji nie zbudowała instrumentu, który by im to powiedział.

Każda liczba w tym artykule, oceniona

Wielkość to zła oś. To, co wygenerowało liczbę, decyduje o tym, co ta liczba może wesprzeć. Statystyki oficjalne i zapisy transakcji to dowody. Ankiety wśród kadry kierowniczej to percepcja. Prognozy nie są ani jednym, ani drugim.

Tabela przewija się w bok →

Wydrukowana i trzymana obok kolejnego decku o AI, który Ci pokażą, ta tabela stanowi większość wartości tego artykułu.

05 · Obraz Europy

Co mówią własne liczby Europy

Niemal każda statystyka w globalnej debacie o adopcji AI pochodzi z amerykanocentrycznej ankiety dostawcy lub firmy doradczej. Europa ma coś lepszego, a niemal nikt tego nie cytuje: oficjalny urząd statystyczny, który mierzy rzeczywistą populację, a nie panel.

Liczby Eurostatu za 2025 rok, opublikowane 11 grudnia 2025, obejmują przedsiębiorstwa zatrudniające dziesięć lub więcej osób we wszystkich 27 państwach członkowskich. I zawierają podział wg wielkości, który niemal każde cytowanie tych danych pomija.

Zatrzymaj się przy tym, bo to dokładnie ten błąd, przed którym ostrzega ten artykuł, a własne dane Europy ułatwiają jego popełnienie. Jeśli prowadzisz firmę zatrudniającą ponad 250 osób, wskaźnik adopcji wśród Twoich rówieśników wynosi 55%, nie 20%. Mniej więcej połowa Twoich konkurentów już gdzieś w firmie używa AI. Szeroko cytowana europejska liczba opisuje gospodarkę zdominowaną przez małe firmy, a czytanie jej jako własnego benchmarku powie Ci, że jesteś do przodu, podczas gdy w rzeczywistości jesteś w tyle.

Dane Eurostatu mówią jeszcze dwie rzeczy, obie przeciwstawne narracji dostawców.

• Rozpiętość między krajami jest ogromna. Na szczycie Dania 42,0%, Finlandia 37,8% i Szwecja 35,0%; na dole Rumunia 5,2%, Polska 8,4% i Bułgaria 8,5%. Ośmiokrotna różnica między państwami członkowskimi oznacza, że „europejska adopcja AI” jako pojedyncza liczba jest w planowaniu niemal bezużyteczna. Działamy z Warszawy, więc fakt, że Polska zajmuje drugie miejsce od końca, to coś, wokół czego planujemy, a nie coś, z czym się spieramy; szerszy kontekst znajdziesz w naszym przeglądzie polskiej gospodarki na 2026 rok.
• Bariery nie są tymi, które podkreśla literatura dostawców. Zobacz wykres poniżej.

Ta ostatnia linijka ma znaczenie dla każdego, kto kupuje usługi AI w Europie. Dominującym blokerem nie jest sceptycyzm co do wartości — tylko jedna firma na pięć powiedziała, że AI byłoby nieprzydatne. Chodzi o to, że firmy nie mają ludzi, którzy wiedzieliby, jak to zrobić — z przewagą blisko dwudziestu punktów nad kolejnym powodem. Luk kompetencyjnych nie zamyka się, kupując platformę, co jest całym argumentem za seniorskim wsparciem interim zamiast licencji i budżetu szkoleniowego.

06 · Przyczyny, nie objawy

Dlaczego adopcja utyka

Nigdzie indziej literatura nie jest tak zgodna, jak tutaj.

Dane McKinsey o barierach z listopada 2025 roku wskazują obawy regulacyjne i prawne na poziomie 44–48%, ryzyko AI (w tym bias i IP) na poziomie 44–47%, zarządzanie zmianą i silosy organizacyjne na poziomie 39–40%, przestarzałą technologię na poziomie 30–33% oraz luki strategiczne na poziomie 28–32%. Osobno, 51% respondentów zgłosiło co najmniej jeden negatywny wynik związany z AI, przy czym najczęstsza była niedokładność, na poziomie 30%.

Wywiady RAND wskazują na przywództwo. Dane populacyjne Eurostatu wskazują na kompetencje. Ustalenie BCG wskazuje na brak finansowego KPI. Czytane razem, obraz jest spójny i niepochlebny: ograniczeniem są zdolności organizacyjne i uwaga kadry zarządzającej, nie jakość modelu.

To moment, w którym większość treści doradczych produkuje model dojrzałości i zaprasza Cię do zlokalizowania siebie na nim. My tego nie zrobimy, a powód jest prosty: model dojrzałości mówi Ci, gdzie siedzisz względem krzywej, którą narysował ktoś inny, i generuje niepokój zamiast decyzji. Trzy rzeczy, które faktycznie wspierają dowody, są węższe i bardziej przyziemne.

07 · Co jest naprawdę nowe

Co naprawdę zmieniło się w 2026 roku

Trzy rzeczy zmieniły się na tyle, że powinno to zmienić plan napisany w 2025 roku. Kilka innych jest marketowanych jako zmiana, choć nią nie są.

Koszt inferencji się załamał, i jest to udokumentowane

Stanford HAI AI Index, opublikowany 13 kwietnia 2026 roku, podaje, że ceny inferencji LLM spadały w medianie o mniej więcej 50-krotność rocznie w różnych klasach możliwości, przyspieszając do ok. 200-krotności rocznie dla niektórych klas od stycznia 2024 roku. To najlepiej udokumentowane twierdzenie o kosztach w tej dziedzinie. Nie oznacza to, że rachunki maleją — zużycie rosło szybciej niż spadała cena jednostkowa, dlatego pomiar kosztów ma coraz większe, nie mniejsze, znaczenie.

Agenci przeszli z demo do wdrożenia, nierówno

Badanie McKinsey z listopada 2025 roku pokazuje, że 62% organizacji eksperymentuje z agentami AI, a 23% skaluje je w co najmniej jednej funkcji. To realna zmiana względem 2024 roku. To też obszar, w którym marketing najbardziej wyprzedza dowody — szeroko krążące twierdzenie, że „88% pilotów agentów nie awansuje do produkcji”, prowadzi wyłącznie do witryn agregatorów SEO bez żadnego stojącego za nim badania, i go nie cytujemy. Decyzja build-versus-buy dotycząca platform agentowych jest właściwie omówiona w naszym playbooku platform agentowych.

Europejski zegar regulacyjny przesunął się

Digital Omnibus zresetował harmonogram wysokiego ryzyka, jak powyżej. Praktyczny efekt to raczej realokacja niż odroczenie: prace klasyfikacyjne i zgodnościowe dla systemów z Załącznika III mają mniej więcej dwa lata więcej czasu, niż zakładała większość planów z 2025 roku, podczas gdy obowiązki GPAI obowiązują od sierpnia 2025 roku i to one stanowią bliższą ekspozycję dla każdego, kto buduje na modelu podstawowym. Programy zaplanowane w 2025 roku często mają to odwrócone.

08 · Praktyka

Jak czytać to jako nabywca

Jeśli jesteś CEO, CIO, członkiem zarządu lub operating partnerem w funduszu PE, użytecznym wynikiem tego wszystkiego jest krótka lista pytań, które przebijają się przez pitch szybciej niż jakiekolwiek RFP.

Tabela przewija się w bok →

I jeszcze dwie rzeczy o stanie tej dziedziny, obie są raczej lukami niż ustaleniami:

• Nie znaleźliśmy audytowanego badania. Wśród źródeł poniżej nie znaleźliśmy międzybranżowej atrybucji EBITDA do wydatków na AI, zweryfikowanej na podstawie księgi głównej. Jeśli takie istnieje, chętnie je zobaczymy; do tego czasu każda znaleziona przez nas liczba „zrealizowanej wartości” to percepcja kadry zarządzającej, bez względu na wielkość próby.
• Wskaźniki nie są porównywalne. Ponieważ żadne z tych źródeł nie definiuje produkcji spójnie, ich odsetki adopcji i porażki nie mogą zostać umieszczone na wspólnej osi — co nikomu nie przeszkodziło w robieniu dokładnie tego.

09 · My

Gdzie pasuje Consulting Huber

Jesteśmy dwoma seniorskimi operatorami. Nie sprzedajemy platformy AI i nie mamy przychodu licencyjnego uzależnionego od odpowiedzi, co jest jedynym powodem, by ufać choćby słowu z powyższego tekstu — nie mieliśmy nic do zyskania na tym, żeby wygrała konkretna liczba.

Ograniczamy też zaangażowania do czterech na kwartał. To polityka, nie wynik, i tak należy ją czytać: dzięki temu ludzie, którzy zaplanowali pracę, pozostają tymi, którzy ją wykonują. Każde zaangażowanie ma nazwany czas trwania i pisemne kryterium wyjścia, co jest jednocześnie zobowiązaniem komercyjnym i metodologicznym — praca, która nie potrafi powiedzieć, kiedy się kończy, nie potrafi powiedzieć, po co była. To, co faktycznie dostarczyliśmy, z dołączonymi liczbami i oznaczonymi jako poufne częściami poufnymi, znajduje się w czterech zaangażowaniach, prawdziwe liczby. Oceń to, a nie ten akapit.

Jeśli chcesz zgłębić konkretną część tego tematu:

• Kryzys pomiaru AI — ile faktycznie kosztuje AI w przedsiębiorstwie i jak zinstrumentować koszt na wynik.
• Playbook tworzenia wartości z AI — cztery dźwignie wartości i 90-dniowy wzorzec od pilota do zmierzonego wpływu.
• Warstwa dostarczania pod AI — organizacyjne warunki wstępne, na konkretnym przykładzie.
• Agenci AI w przedsiębiorstwie: zbudować, kupić czy open source — decyzja platformowa, wraz z kalkulatorem kosztu wyjścia.
• Przewodnik operatora po AI Act — poziomy ryzyka, zrewidowane terminy i plan 90-dniowy.