Wyobraź sobie salę konferencyjną w środę rano. Zarząd właśnie obejrzał prezentację o "transformacyjnym potencjale sztucznej inteligencji", ktoś wspomniał słowo "synergia" trzy razy w jednym zdaniu, a na koniec padła decyzja: zaczynamy od marketingu, bo tam jest najwięcej entuzjazmu i najładniejsze demo od dostawcy. Sześć miesięcy później projekt wisi w fazie pilotażu, dane są rozrzucone po czterech systemach, a nikt nie potrafi powiedzieć, czy AI w ogóle coś poprawiło, bo nikt wcześniej nie zmierzył punktu wyjścia. Brzmi znajomo? Według sierpniowej edycji The Enterprise AI Benchmark Report od PYMNTS Intelligence, to nie jest pech — to jest wzorzec. I to dość powszechny.

Entuzjazm to nie strategia

Raport stawia tezę, która powinna być oczywista, a mimo to regularnie ginie w korporacyjnym zgiełku: AI skaluje się nie tam, gdzie jest budżet ani gdzie zarząd najbardziej się jara, tylko tam, gdzie firma ma już porządek w danych, jasno przypisaną odpowiedzialność za proces i sposób na zmierzenie efektu. To brzmi mało seksownie w porównaniu do sloganów o "rewolucji napędzanej sztuczną inteligencją", ale ma tę zaletę, że jest prawdziwe i poparte liczbami, a nie tylko entuzjazmem prezesa, który wrócił z konferencji.

Firmy inwestują w AI masowo — to żadna nowość. Problem w tym, że inwestycja i wdrożenie to dwie różne rzeczy, o czym pisaliśmy już wcześniej. Nowość jest taka, że raport pokazuje wreszcie konkretnie, gdzie ten rozdźwięk między pieniędzmi a realnym działaniem znika — i dlaczego akurat tam.

Liczby, które warto zapamiętać

PYMNTS Intelligence policzył, jaki odsetek firm w poszczególnych branżach osiągnął głębokie wdrożenie AI w funkcjach związanych z danymi i technologią — czyli nie pojedynczy chatbot na infolinii, tylko realną integrację w procesach decyzyjnych. Wyniki są dość bezlitosne dla mitu "zacznijmy od najciekawszego obszaru":

  • Finanse: 95% głębokiego wdrożenia w funkcjach data/tech
  • Ochrona zdrowia: 84%
  • Media: 81%

Co łączy te trzy branże? Żadna z nich nie jest szczególnie modna w kontekście AI-hype'u — nikt nie robi TikToka o tym, jak bank wdraża model scoringowy. Ale wszystkie trzy od lat funkcjonują w reżimie regulacyjnym, który wymusił dyscyplinę danych na długo przed tym, zanim ktokolwiek usłyszał o dużych modelach językowych. Finanse mają audyty i sprawozdawczość. Zdrowie ma dokumentację medyczną i standardy interoperacyjności. Media mają systemy zarządzania treścią i pomiary zaangażowania odbiorców liczone od lat w konkretnych wskaźnikach. Innymi słowy — nie zaczęły od AI. Zaczęły od porządku, a AI przyszło później i miało się na czym oprzeć.

Checklista zamiast wróżenia z fusów

Tu leży praktyczna wartość raportu dla kogoś, kto zarządza średnią lub dużą firmą i musi zdecydować, od którego działu zacząć. Zamiast pytać "gdzie AI zrobi najlepsze wrażenie na inwestorach", warto zapytać, który obszar realnie spełnia trzy warunki:

  • Dane są uporządkowane i dostępne — nie leżą w piętnastu arkuszach Excela, z których każdy ma inną wersję prawdy.
  • Właściciel procesu jest jasno określony — istnieje konkretna osoba lub zespół odpowiedzialny za wynik, a nie rozproszona odpowiedzialność między trzema departamentami, które się wzajemnie obwiniają.
  • Wyniki da się zmierzyć liczbowo — czas obsługi, wskaźnik błędów, koszt jednostkowy, cokolwiek konkretnego, nie "poprawa doświadczenia klienta" jako mgliste uczucie.

Jeśli dział spełnia wszystkie trzy warunki — to jest twój kandydat do startu, nawet jeśli brzmi nudno, jak księgowość albo logistyka magazynowa. Jeśli spełnia jeden albo żaden — to jest kandydat do pilotażu za rok, po tym jak ktoś w końcu posprząta dane. Sprzedaż i marketing bywają kuszące, bo tam efekty AI są widowiskowe i łatwo się nimi chwalić na LinkedInie, ale to często właśnie te obszary mają najbardziej rozproszone dane i najmniej jasną odpowiedzialność za wynik końcowy.

Regulacja jako niespodziewany sojusznik

Jest w tym pewna ironia, którą trudno pominąć: branże najbardziej "obciążone" regulacjami — finanse, zdrowie — okazują się liderami skalowania AI, a nie maruderami, jak sugerowałaby intuicja narzekających na biurokrację menedżerów. RODO, wymogi sprawozdawcze, standardy dokumentacji medycznej — to wszystko brzmi jak przeszkoda, dopóki nie zauważysz, że przy okazji wymusiło strukturę danych, bez której żaden model AI nie ma czego się nauczyć. AI Act, który coraz mocniej wchodzi w życie w Europie, działa podobnie — firmy, które już teraz traktują go jako pretekst do uporządkowania procesów i dokumentacji, będą miały łatwiejszy start niż te, które czekają, aż ktoś je do tego zmusi.

Od czego więc zacząć w poniedziałek

Zanim ktokolwiek w firmie napisze kolejny slajd z hasłem "AI-first strategy", warto zrobić coś dużo mniej efektownego: przejść przez wszystkie działy i sprawdzić, gdzie dane są czyste, kto faktycznie odpowiada za proces i czy ktokolwiek potrafi podać liczbę, która się zmieni po wdrożeniu. Ten dział, niezależnie od tego, jak nudno brzmi na papierze, jest waszym najlepszym punktem startu. Reszta — łącznie z tym błyszczącym, "obiecującym" obszarem, który tak bardzo chce pokochać zarząd — może poczekać, aż dorobi się takiej samej dyscypliny. Nudne wygrywa. Zawsze wygrywało, tylko wcześniej nie miało tak dobrego PR-owca jak sztuczna inteligencja.