AI w 2026 roku. Dlaczego więcej wdrożeń wciąż nie oznacza większego ROI?

Sztuczna inteligencja przestała być eksperymentem prowadzonym na marginesie organizacji. Firmy wdrażają ją w kolejnych obszarach, udostępniają pracownikom nowe narzędzia i coraz częściej przechodzą od prostych chatbotów do agentów zdolnych realizować całe sekwencje zadań. Jednocześnie rosną budżety przeznaczane na AI.

Można byłoby więc oczekiwać, że wraz ze skalą wykorzystania technologii równie szybko rosną jej efekty finansowe. Najnowszy raport McKinsey The state of AI in 2026: On the road to ROI pokazuje jednak coś innego. AI bardzo wyraźnie poprawia produktywność pojedynczych pracowników, ale znacznie trudniej przełożyć ten efekt na wynik całej organizacji.

To właśnie ta luka wydaje się dziś jednym z najważniejszych wyzwań związanych z AI. Szczególnie w sektorze finansowym, gdzie potencjał automatyzacji jest ogromny, ale każde rozwiązanie musi jednocześnie wpisywać się w istniejące procesy, architekturę IT, wymagania bezpieczeństwa i regulacje.

Źródło: Raport "The state of AI in 2026"

Dlatego rośnie znaczenie partnera technologicznego, który nie koncentruje się wyłącznie na uruchomieniu kolejnego narzędzia czy zakończeniu projektu. Potrzebny jest partner, który rozumie cele biznesowe organizacji, potrafi rozwijać rozwiązanie wraz z jej potrzebami i pomaga przekładać kolejne możliwości AI na stały, długofalowy wzrost.

Pracownik widzi efekty AI. CFO niekoniecznie

Najciekawszy wniosek z raportu pojawia się, kiedy zestawimy skalę wykorzystania AI z jego efektami. Aż 80% respondentów korzystających z AI twierdzi, że technologia poprawiła ich produktywność. Około połowy deklaruje również, że pomaga im rozwijać nowe kompetencje i podejmować lepsze decyzje.

Na poziomie całej organizacji obraz wygląda jednak inaczej. Tylko 37% organizacji odnotowuje pozytywny wpływ AI na wynik operacyjny. Odsetek ten praktycznie nie zmienił się względem poprzedniego roku, mimo że znacznie więcej organizacji zaczęło skalować AI.

Zaledwie 6% respondentów należy natomiast do grupy określanej przez McKinsey jako „AI high performers”, czyli organizacji, w których AI odpowiada za co najmniej 5% wyniku operacyjnego i jednocześnie przynosi znaczącą wartość biznesową.

Źródło: Raport "The state of AI in 2026"

Powstaje więc luka pomiędzy productivity impact a business impact. Pracownik może przygotować analizę szybciej, sprawniej przeszukać dokumentację albo w kilka minut stworzyć materiał, nad którym wcześniej pracował godzinę. Nie oznacza to jeszcze, że organizacja zwiększyła przychody albo obniżyła koszty.

W banku można wyposażyć doradców w asystenta AI i rzeczywiście skrócić czas potrzebny na znalezienie informacji. Żeby jednak wykazać ROI, trzeba pójść krok dalej. Czy skrócił się cały proces obsługi? Czy doradca może dzięki temu przeprowadzić więcej rozmów? Czy wzrosła konwersja? Czy spadła liczba błędów albo koszt obsługi klienta? Dopiero na tym poziomie indywidualna produktywność zaczyna przekładać się na ekonomię całej organizacji.

Liderzy nie dodają AI do istniejących procesów

Raport pokazuje też, co odróżnia niewielką grupę organizacji osiągających ponadprzeciętne rezultaty. Nie chodzi wyłącznie o większe inwestycje ani o korzystanie z bardziej zaawansowanych modeli. Jedna z największych różnic dotyczy sposobu projektowania procesów.

Prawie trzy czwarte organizacji osiągających największe korzyści z AI deklaruje, że pod wpływem tej technologii gruntownie przebudowuje swoje procesy. Rok wcześniej robiło to 55% firm z tej grupy. Wśród pozostałych organizacji na tak głębokie zmiany decyduje się zaledwie około jednej czwartej. Liderzy są również 3,3 razy bardziej skłonni zakładać, że w ciągu najbliższych trzech lat AI doprowadzi do zasadniczej zmiany sposobu działania ich biznesu.

To zmienia sposób myślenia o projektach AI. Pierwszym etapem adopcji było szukanie miejsc, w których model można dołączyć do istniejącego procesu. Powstały chatboty, generatory treści, narzędzia do podsumowywania dokumentów i agenty wspierające pojedyncze zadania. Takie rozwiązania mogą przynosić wartość, ale zazwyczaj optymalizują fragment procesu.

Kolejny etap polega na zadaniu trudniejszego pytania. Jak zaprojektowalibyśmy ten proces dzisiaj, gdybyśmy od początku zakładali, że część pracy może wykonywać AI?

W sektorze finansowym może to oznaczać przeprojektowanie całej ścieżki pracy doradcy, obsługi dokumentów, onboardingu klienta czy procesów operacyjnych. AI nie jest wtedy dodatkiem do istniejącego systemu. Staje się jednym z elementów nowego sposobu realizacji procesu.

Od chatbotów do agentów AI

Ta zmiana jest szczególnie istotna w kontekście agentic AI. McKinsey definiuje agentów jako systemy bazujące na bazowych modelach, które potrafią autonomicznie planować i wykonywać wiele kolejnych kroków w ramach workflow.

Różnica względem klasycznego chatbota jest zasadnicza. Chatbot przede wszystkim odpowiada. Agent wspiera człowieka w wykonaniu określonego zadania. Może natomiast otrzymać cel, zaplanować działania, korzystać z dostępnych źródeł danych i narzędzi oraz wykonać kolejne kroki procesu.

Dla instytucji finansowych szczególnie interesujące wydają się agenci wspierający pracowników. Doradca nie potrzebuje kolejnego okna, w którym może porozmawiać z modelem językowym. Potrzebuje rozwiązania, które rozumie kontekst jego pracy. Może przygotować informacje przed spotkaniem, odnaleźć właściwe materiały produktowe, zebrać dane z kilku źródeł, przygotować podsumowanie rozmowy i wskazać kolejny krok wynikający z procesu.

W takim modelu człowiek nie znika z procesu. Zmienia się natomiast podział pracy między człowiekiem a technologią. AI przejmuje coraz większą część wyszukiwania, analizy i przygotowania informacji, podczas gdy pracownik zachowuje kontrolę nad działaniami wymagającymi odpowiedzialności, oceny sytuacji czy kontaktu z klientem.

Taki nadzór ludzki staje się również twardym wymogiem prawnym. W przypadku Systemów Wysokiego Ryzyka na operatorach spoczywają surowe obowiązki dotyczące zarządzania ryzykiem modelu, jakości danych, przejrzystości i wyjaśnialności algorytmów oraz aktywnej eliminacji stronniczości. Standardy te przestały być jedynie zestawem dobrych praktyk i stały się bezwzględnymi wymogami prawnymi. Ich zignorowanie może skutkować wysokimi karami finansowymi, wstrzymaniem działania systemu oraz poważnymi stratami wizerunkowymi dla organizacji.

Wraz ze skalą pojawia się „tokenomics”

Efektem przechodzenia od eksperymentów do produkcji są koszty. W niewielkim pilotażu liczba wykorzystanych tokenów rzadko jest najważniejszym elementem rachunku ekonomicznego. Przy tysiącach użytkowników i milionach wykonywanych operacji sytuacja się zmienia.

20% respondentów deklaruje już, że koszty operacyjne związane z AI doprowadziły do ograniczenia jego wykorzystania. Co ciekawe, w instytucjach finansowych odsetek ten jest wyższy i wynosi 24%.

McKinsey opisuje w tym kontekście rosnące zainteresowanie CFO i Chief AI Officers „tokenomics”. Koszt pojedynczego tokena może spadać, ale jednocześnie szybko rośnie liczba tokenów konsumowanych przez bardziej zaawansowane procesy, zwłaszcza wykorzystujące agentów i złożone rozumowanie.

Koszt AI staje się parametrem architektonicznym. Nie każdy krok procesu wymaga najlepszego dostępnego modelu. Nie każda operacja potrzebuje rozbudowanego kontekstu i wieloetapowego rozumowania. Projektując rozwiązanie na dużą skalę, trzeba kontrolować nie tylko jakość odpowiedzi, ale również koszt wykonania pojedynczego procesu i jego zmianę wraz ze wzrostem liczby użytkowników.

To kolejny powód, dla którego ROI powinno być projektowane przed skalowaniem rozwiązania, a nie liczone dopiero po jego wdrożeniu.

Sektor finansowy nie zamierza jednak ograniczać inwestycji

Rosnące koszty i nadal ograniczony wpływ na wynik operacyjny nie zmniejszają zainteresowania AI. 60% respondentów spodziewa się wzrostu inwestycji w ciągu kolejnego roku. Bankowość i inne instytucje finansowe należą do sektorów, w których takie oczekiwania pojawiają się najczęściej. Z danych przedstawionych przez McKinsey wynika, że wzrostu wydatków spodziewa się 67% respondentów z instytucji finansowych.

To sugeruje, że wchodzimy w kolejny etap rynku. Problemem nie będzie brak inicjatyw AI, lecz wybór tych, które rzeczywiście warto skalować. Liczba projektów pilotażowych przestaje być dobrym miernikiem dojrzałości organizacji. Ważniejsza staje się zdolność do szybkiego weryfikowania hipotez biznesowych, zatrzymywania projektów bez perspektyw i rozwijania tych, dla których można wykazać wpływ na przychody, koszty, czas realizacji procesu, jakość obsługi lub poziom ryzyka.

W finansach jest to szczególnie ważne. Koszt nieudanego wdrożenia AI nie kończy się tutaj na budżecie technologicznym. Dochodzą kwestie bezpieczeństwa, zgodności regulacyjnej, reputacji i odpowiedzialności za działanie systemu.

Bez kontroli ryzyka nie ma skalowania AI

Można byłoby zakładać, że organizacje najszybciej rozwijające AI osiągają przewagę dzięki bardziej liberalnemu podejściu do ryzyka. Dane McKinsey pokazują odwrotną zależność. AI high performers aktywnie zarządzają większą liczbą kategorii ryzyka niż pozostałe organizacje. Częściej zajmują się między innymi podatnościami technicznymi związanymi z AI oraz ryzykiem nieautoryzowanych lub niezamierzonych działań systemów.

To szczególnie istotny wniosek dla banków, TFI i ubezpieczycieli. Compliance, cybersecurity i governance nie mogą być kontrolą wykonywaną dopiero przed uruchomieniem gotowego rozwiązania. Powinny być elementem jego projektu od początku.

Oznacza to konieczność określenia, z jakich danych może korzystać AI, jakie operacje może wykonywać samodzielnie, gdzie wymagane jest human in the loop, w jaki sposób rejestrowane są działania systemu i kto odpowiada za poszczególne decyzje. Im bardziej przechodzimy od AI generującej odpowiedzi do agentów wykonujących działania, tym ważniejsze stają się właśnie te mechanizmy.

Paradoksalnie dobrze zaprojektowane ograniczenia nie muszą więc spowalniać adopcji. Mogą być warunkiem przejścia z pilotażu do bezpiecznego wykorzystania AI na dużą skalę.

Technologia przyspiesza szybciej niż organizacja

Jeśli połączyć wszystkie wyniki raportu, wyłania się dość spójny obraz. Największą barierą dla kolejnego etapu AI coraz rzadziej jest jakość samego modelu. Problem przesuwa się w stronę organizacji.

McKinsey pokazuje, że najszybciej wdrażające zmiany częściej przebudowują procesy, mierzą wpływ inicjatyw AI, określają zasady human in the loop, aktywnie zarządzają kosztami, angażują najwyższe kierownictwo i prowadzą strategiczne planowanie kompetencji.

Nie jest więc przypadkiem, że autorzy raportu wskazują zdolność organizacji do absorpcji zmiany jako coraz ważniejsze ograniczenie adopcji. Technologia może zmieniać się co kilka miesięcy. Procesy, struktury odpowiedzialności, kompetencje i architektura dużego banku zmieniają się znacznie wolniej.

To również tłumaczy lukę pomiędzy 80% respondentów dostrzegających wzrost własnej produktywności a 37% organizacji deklarujących wpływ AI na wyniki. Pierwszy efekt można osiągnąć, dając pracownikowi dobre narzędzie. Drugi wymaga zmiany sposobu działania firmy.