Dlaczego 94% firm nie zarabia na AI — obserwacje z wdrożeń i dane McKinsey

TL;DR: McKinsey w raporcie State of AI (listopad 2025, n=1 933) wykazał, że wyniki wdrożenia AI przekraczają próg realnego wpływu na biznes tylko u 6% organizacji. Pozostałe 94% firm używa AI, ale nie zarabia na nim. Kiedy analizuję projekty wdrożeniowe u swoich klientów, widzę te same wzorce, które McKinsey opisuje danymi — i te same powtarzające się błędy. W tym artykule pokazuję, co odróżnia liderów od maruderów i dlaczego to rzadko kwestia budżetu, a prawie zawsze kwestia podejścia.

Ile firm naprawdę osiąga wyniki wdrożenia AI?

Liczby są jednoznaczne. McKinsey w raporcie State of AI 2025 (listopad 2025, n=1 933 respondentów) wykazał, że spośród niemal 2 000 przebadanych organizacji zaledwie 109 — niespełna 6% — raportuje, iż ponad 5% ich wyniku operacyjnego (EBIT) pochodzi z AI. Tylko 39% firm w ogóle odnotowuje jakikolwiek wpływ AI na wynik finansowy. [Raport branżowy] (McKinsey, 2025).

Deloitte potwierdza ten obraz w raporcie State of AI in Enterprise (sierpień–wrzesień 2025, n=3 235, 24 kraje): 66% organizacji osiągnęło wzrost produktywności dzięki AI, ale tylko 20% zwiększyło dzięki niemu przychody. Innymi słowy — firmy oszczędzają czas, ale rzadko przekładają to na wzrost. [Raport branżowy] (Deloitte, 2025).

W mojej praktyce obserwuję, że wyniki wdrożenia AI rozczarowują przede wszystkim tam, gdzie firma oczekiwała cudu od narzędzia. AI nie jest magicznym lekiem — jest nową infrastrukturą, która przynosi zwrot tylko wtedy, gdy zostaje wpięta w konkretny proces biznesowy z mierzalnym celem i odpowiedzialnym właścicielem po stronie biznesu.

Czym jest „luka skalowania” i dlaczego dotyka większości firm?

McKinsey nazywa to scaling gap — przepaścią między deklarowanym stosowaniem AI a jego wpływem na całą organizację. Schemat, który widzę u klientów, jest zawsze podobny:

1. Firma uruchamia pilota AI w jednym dziale — najczęściej IT lub marketingu.
2. Pilot daje widoczne rezultaty. Entuzjazm w zarządzie rośnie.
3. Firma ogłasza, że „wdraża AI”.
4. Po 12 miesiącach brak mierzalnych zmian w wynikach finansowych.
5. Projekt trwa bez celu albo trafia do szuflady.

Deloitte raportuje, że 37% firm stosuje AI wyłącznie powierzchownie — bez żadnych zmian w procesach. [Raport branżowy] (Deloitte, 2025). To kluczowa obserwacja: AI wdrożone „obok” istniejących procesów nie zmienia wyników finansowych. Zmienia je dopiero wtedy, gdy cały proces jest przeprojektowany wokół AI.

Luka skalowania wynika z trzech źródeł, które widzę regularnie: brak zaangażowania kierownictwa na poziomie decyzyjnym, brak KPI powiązanych bezpośrednio z wynikiem finansowym oraz zarządzanie wdrożeniem AI jak projektem IT zamiast jak zmianą biznesową.

Co robią inaczej firmy z wynikami wdrożenia AI powyżej normy?

McKinsey wyróżnia grupę „high performers” — to te 6% organizacji, które rzeczywiście zarabiają na AI. Dane jednoznacznie wskazują, co je odróżnia od reszty rynku:

• Silne zaangażowanie kierownictwa. High performers są trzykrotnie bardziej skłonni do raportowania silnego zaangażowania senior liderów. Blisko 30% firm z tej grupy ma CEO bezpośrednio odpowiedzialnego za zarządzanie AI — dwukrotnie więcej niż rok wcześniej. [Raport branżowy] (McKinsey, 2025).
• Duże zakłady budżetowe. Ponad jedna trzecia high performers przeznacza ponad 20% budżetu cyfrowego na AI. To czyni je pięciokrotnie bardziej skłonnymi do „dużego zakładu” na AI niż przeciętna firma w badaniu.
• Przeprojektowanie procesów, nie doklejenie narzędzia. High performers redesignują całe workflow’y wokół AI, zamiast doklejać AI do istniejących schematów pracy.
• Mierzenie wyników finansowych, nie aktywności. Definiują i śledzą wskaźniki powiązane z biznesem — marżę, retencję, czas cyklu — a nie „liczbę użytkowników Copilota”.

Kiedy przeprowadzam audyt AI u klienta, pierwsze pytanie brzmi: „Kto w zarządzie jest właścicielem tego projektu i co ma na swojej tablicy KPI?”. Jeśli nikt nie potrafi odpowiedzieć — wiem już, że wdrożenie będzie miało problem ze skalowaniem, niezależnie od jakości samego rozwiązania technicznego.

6 pułapek, które blokują wyniki wdrożenia AI

Na podstawie swoich projektów i zbieżnych danych z raportów McKinsey, Deloitte i Gartnera identyfikuję sześć powtarzalnych pułapek, które blokują wyniki wdrożenia AI w polskich firmach:

1. Pilot jako cel, nie punkt startowy. Firma kończy pilota i świętuje sukces, ale nie ma planu skalowania. Za pół roku pilot umiera po cichu.
2. Brak właściciela po stronie biznesu. Wdrożenie AI jest projektem IT. IT nie ma mandatu do zmiany procesów sprzedaży, obsługi klienta ani finansów. Projekt stoi w miejscu.
3. KPI produktywności zamiast KPI biznesowych. Mierzymy „czas zaoszczędzony” albo „liczbę promptów”. Nie mierzymy marży, czasu do decyzji ani retencji klienta.
4. Ignorowanie jakości danych. McKinsey raportuje, że 40% organizacji wskazuje problemy z jakością i ilością danych jako główną barierę wdrożenia. Bez dobrego zarządzania danymi AI działa losowo. [Raport branżowy] (McKinsey, 2025).
5. Niedoinwestowanie w ludzi. Deloitte wskazuje „niewystarczające umiejętności pracowników” jako główną barierę wdrożeń. Kupujemy licencje, ale nie szkolimy ludzi z korzystania z AI w kontekście ich konkretnych ról i procesów.
6. Niedocenianie zmiany kulturowej. AI to nie tylko nowe narzędzie — to zmiana tego, jak ludzie pracują, podejmują decyzje i ze sobą współpracują. Firmy, które traktują to jak instalację oprogramowania, regularnie zawodzą.

Jak wyglądają wdrożenia AI, które zmieniają wynik finansowy?

Poniższa tabela porządkuje główne różnice między wdrożeniem, które zmienia wynik finansowy, a wdrożeniem, które zmienia tylko narzędzia — na podstawie obserwacji własnych i danych z raportów. Zestawiam te wzorce, bo są decydujące dla wyników wdrożenia AI w każdej organizacji, niezależnie od branży i rozmiaru firmy:

Wymiar	Wdrożenie bez wyników	Wdrożenie z wynikami AI
Właściciel projektu	Dział IT / CTO	CEO / COO z KPI finansowym
Zakres zmiany	Nowe narzędzie obok starych procesów	Przeprojektowanie procesu wokół AI
Metryki sukcesu	„Czas zaoszczędzony”, „liczba użytkowników”	Marża, retencja, czas cyklu sprzedaży
Budżet na szkolenia	Minimalny lub brak	Strukturalny program zmiany kompetencji
Zarządzanie danymi	Reaktywne — naprawiamy, gdy coś nie działa	Proaktywne — data governance przed wdrożeniem
Horyzont czasowy	Pilot w 1–2 działach bez planu rozszerzenia	Mierzony ROI i skalowanie co 6–12 miesięcy

McKinsey szacuje potencjał ekonomiczny AI na 2,6–4,4 bln USD rocznie w 63 zastosowaniach biznesowych — głównie w obsłudze klienta, marketingu i sprzedaży, inżynierii oprogramowania oraz R&D. [Raport branżowy] (McKinsey, 2025). Ten potencjał jest realny. Ale wymaga zupełnie innego podejścia niż „wdrożymy Copilota i zobaczymy”.

Kiedy wyniki wdrożenia AI stają się widoczne — ramy czasowe

Jedno z pierwszych pytań, które słyszę od klientów, brzmi: „Ile czasu minie, zanim zobaczymy efekty?”. Odpowiedź jest mniej optymistyczna, niż wiele firm zakłada.

Gartner w Agentic AI Pulse 2026 raportuje, że zaledwie 41% wdrożeń agentów AI osiąga dodatni ROI w ciągu 12 miesięcy. 19% wdrożeń nigdy nie dochodzi do zwrotu z inwestycji. [Raport branżowy] (Gartner, cytowane za Landbase, 2026). To dane dla najbardziej zaawansowanych, agentycznych wdrożeń — dla prostszych wdrożeń generatywnego AI czas zwrotu bywa krótszy, ale i wyniki skromniejsze.

W mojej praktyce obserwuję następujące fazy:

• 0–3 miesiące: widoczna poprawa produktywności w pilotowanych obszarach, wysoki entuzjazm zespołu.
• 3–9 miesięcy: faza krytyczna — albo przeprojektowujemy procesy i skalujemy, albo projekt utyka. Tu większość wdrożeń traci impet.
• 9–18 miesięcy: pierwsze wyniki finansowe widoczne w P&L, jeśli projekt był prowadzony prawidłowo.
• 18+ miesięcy: skalowanie na kolejne obszary, budowanie trwałej przewagi operacyjnej.

Firmy, które oczekują ROI z AI w ciągu kwartału, robią sobie krzywdę podwójnie: rezygnują za wcześnie i nigdy nie dowiadują się, co mogłoby być.

Jak mierzyć wyniki wdrożenia AI we własnej firmie?

Najgorsza pułapka pomiarowa, którą widzę regularnie, to mierzenie aktywności zamiast wyników. „Mamy 200 użytkowników Copilota” to aktywność. „Skróciliśmy czas przygotowania oferty o 35%, co pozwoliło obsłużyć 12% więcej klientów przy tym samym zespole” — to wynik finansowy.

Stosuję prosty framework trzech pytań przed każdym wdrożeniem AI:

1. Jaki konkretny proces zmieniam? — z właścicielem po stronie biznesu i mierzalną bazą.
2. Jak dziś mierzę wyniki tego procesu? — bez metryki bazowej nie ocenię poprawy.
3. Co musi się stać, żeby to wdrożenie było sukcesem finansowym? — konkretna liczba, data, odpowiedzialna osoba.

Bez odpowiedzi na te trzy pytania każde wdrożenie AI jest grą losową. Z odpowiedziami — masz fundament projektu, który ma szansę trafić do elitarnej grupy 6% firm osiągających realne wyniki wdrożenia AI.

Najczęściej zadawane pytania (FAQ)

Dlaczego większość firm nie osiąga wyników z AI mimo deklarowanego wdrożenia?

Główne przyczyny to brak zaangażowania kierownictwa, brak przeprojektowania procesów wokół AI oraz mierzenie aktywności zamiast wyników biznesowych. McKinsey wskazuje, że firmy z wynikami AI trzykrotnie częściej mają silne zaangażowanie senior liderów. Samo kupienie licencji bez zmiany procesów i kultury organizacyjnej nie przynosi wyników finansowych. (McKinsey, 2025).

Ile czasu mija, zanim wdrożenie AI przyniesie wyniki finansowe?

Pierwsze wyniki finansowe widoczne są zazwyczaj po 9–18 miesiącach od startu prawidłowo prowadzonego wdrożenia. Gartner raportuje, że tylko 41% wdrożeń agentów AI osiąga dodatni ROI w ciągu 12 miesięcy. Poprawa produktywności jest szybsza — widoczna już po 1–3 miesiącach — ale to nie to samo co wpływ na wynik operacyjny. (Gartner, 2026).

Co odróżnia firmy, które zarabiają na AI, od reszty rynku?

Trzy kluczowe czynniki: CEO lub COO jest bezpośrednim właścicielem projektu z KPI finansowym; firma przeprojektowuje procesy wokół AI zamiast doklejać AI do starych schematów; firma inwestuje strukturalnie w kompetencje pracowników, nie tylko w licencje. McKinsey potwierdza te wzorce danymi z niemal 2 000 organizacji. (McKinsey, 2025).

Czy małe i średnie firmy mogą osiągnąć realne wyniki z AI?

Tak — i często łatwiej niż duże, bo mają krótsze ścieżki decyzyjne i mniej wewnętrznej biurokracji. Klucz to wybranie jednego konkretnego procesu z mierzalnym wynikiem, wdrożenie AI w tym obszarze do końca, zmierzenie efektu i dopiero wtedy przejście dalej. Rozproszenie na wiele pilotów bez skalowania jest pułapką tak samo dla MŚP, jak i dla korporacji.

O mnie

Michał Pisańczuk — przez ponad 20 lat łączę technologię z biznesem: od architektury systemów IT po strategie cyfrowej transformacji. Od 4 lat specjalizuję się w AI — wdrożeniach modeli LLM, audytach gotowości i szkoleniach dla firm. Jako CEO i CTO w PCSiD prowadzę projekty wdrożeniowe dla przedsiębiorstw i instytucji publicznych. Edukuję też na YouTube — tłumaczę AI bez technicznego żargonu, żeby menedżerowie i właściciele firm podejmowali lepsze decyzje.

Źródła

1. McKinsey & Company (2025, listopad). The State of AI in 2025: Agents, innovation, and transformation. McKinsey & Company. https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai [dostęp: 2026-05-11]
2. Deloitte (2025). The State of AI in the Enterprise — raport 2026. Deloitte CE. https://www.deloitte.com/ce/en/issues/generative-ai/state-of-ai-in-enterprise.html [dostęp: 2026-05-11]
3. Gartner (2026). Agentic AI Pulse 2026. Gartner Inc. Cytowane za: Landbase (2026). 39 Agentic AI Statistics Every GTM Leader Should Know in 2026. https://www.landbase.com/blog/agentic-ai-statistics [dostęp: 2026-05-11]