Efektywność AI w biznesie - 5 pytań nim zwiększysz budżet na projekty

Przeczytaj także: Polskie firmy regionalnym liderem inwestycji w AI. Co dalej z cyfrową transformacją?

W drugim kwartale 2026 roku 42 proc. polskich przedsiębiorstw deklarowało korzystanie z narzędzi sztucznej inteligencji, wobec jedynie 14 proc. na koniec 2024 roku. Wśród dużych firm odsetek ten sięga nawet 59 proc. Trzykrotny wzrost w półtora roku to tempo, jakiego nie notowano przy żadnej wcześniejszej technologii korporacyjnej. Zdolność organizacji do obserwowania własnych systemów często jednak nie nadąża.

Prognozuje się, że do końca 2027 roku ponad 40 proc. projektów opartych na agentach AI zostanie anulowanych z powodu rosnących kosztów, niejasnej wartości biznesowej albo nieadekwatnej kontroli ryzyka. To pokłosie pytań, na które zarządy nie otrzymały odpowiedzi, zanim podpisano budżet na AI. Wdrażając sztuczną inteligencję, kupujemy silnik, nie poznawszy wcześniej jego możliwości ani ograniczeń. Odpowiedzi na pięć poniższych pytań pozwalają sprawdzić, czy dana inwestycja rzeczywiście się opłaca.

1. Ile kosztuje nas pojedynczy wynik dostarczony przez AI?

Chodzi o koszt jednego zapytania albo jednej obsłużonej sprawy, a nie o cenę licencji czy rachunek za chmurę. Dopóki tego kosztu nie da się przypisać do konkretnej usługi i konkretnego zespołu, budżet AI pozostaje pozycją bez właściciela. Rośnie, ale nikt nie wskaże, która jego część realnie pracuje. Obserwowalność modeli w produkcji pozwala określić koszt pojedynczej transakcji oraz zużycie tokenów przez poszczególne usługi, daje więc wielkość porównywalną z przychodem, który te modele mają wygenerować.

2. Czy oszczędność czasu, którą raportujemy, jest oszczędnością netto?

Blisko 40 proc. czasu zaoszczędzonego dzięki AI wraca do organizacji jako przeglądanie i poprawianie wyników. Badania wskazują też, że pracownik poświęca na „sprzątanie" po AI średnio 4,5 godziny tygodniowo. Zarządy rozliczają zwykle oszczędność brutto, podczas gdy różnica między brutto a netto potrafi stanowić znaczną część marży projektu. Warto więc sprawdzić, czy ktokolwiek w firmie mierzy, ile pracy wraca do poprawki, a nie tylko to, ile jej ubyło na wejściu.

3. Kiedy agent podejmie błędną decyzję, czy odtworzymy, dlaczego do tego doszło?

Halucynacja, która w oknie czatu kończy się złą odpowiedzią, w agencie pracującym na produkcji może doprowadzić do zmiany konfiguracji lub wyłączenia usługi. Blisko 70 proc. decyzji wspieranych przez AI nadal wymaga weryfikacji przez człowieka. To zdrowy odruch, jednak weryfikacja jest możliwa tylko wtedy, gdy istnieje zapis pokazujący, na jakich danych oparła się rekomendacja i jakie zależności system wziął pod uwagę. Firma, która tych danych nie posiada, opiera się wyłącznie na zaufaniu do dostawcy. Droga do autonomii przebiega etapami. Najpierw operacje są wyłącznie zautomatyzowane, następnie mamy do czynienia z nadzorowaną autonomią, w której AI przygotowuje gotowy plan naprawczy, a decyzję o jego uruchomieniu podejmuje ekspert. Pełna autonomia nadal pozostaje horyzontem. Większość organizacji znajduje się dziś między pierwszym a drugim etapem.

4. Czy nasza AI odczytuje przyczyny, czy je zgaduje?

62 proc. organizacji eksperymentuje dziś z agentami AI, ale tylko 23 proc. zdołało wdrożyć je na szerszą skalę w funkcjach biznesowych. Generatywna AI działa probabilistycznie, co bardzo pomaga przy tworzeniu, jednak przeszkadza przy prowadzeniu operacji. Te wymagają fundamentu deterministycznego, czyli silnika, który przyczynę awarii odczytuje z grafu zależności między usługami i komponentami infrastruktury. W Dynatrace tę rolę pełni silnik Davis AI. Nasze wewnętrzne benchmarki pokazują, że gdy agent współpracuje z warstwą deterministyczną, problemy są rozwiązywane do dwunastu razy częściej, trzy razy szybciej i za połowę kosztu w porównaniu z przypadkami nieposiadającymi takiego ugruntowania.

5. Czy wiemy, jak działają nasze rozwiązania?

Firma powinna panować nad tym, co się dzieje w jej systemach. Nowelizacja ustawy o krajowym systemie cyberbezpieczeństwa, wdrażająca NIS2, obejmuje dziesiątki tysięcy podmiotów i przenosi odpowiedzialność osobiście na kierownictwo. W sektorze finansowym analogiczny obowiązek funkcjonuje od stycznia 2025 roku, na mocy DORA. Oba przepisy sprowadzają się do pytania, czy firma potrafi pokazać, kiedy wykryła nieprawidłowość i co z nią zrobiła. Odpowiedź wymaga zbierania danych o działaniu systemów w jednym miejscu i na otwartym standardzie.

Kontrola kluczem do efektywności

Osoba odpowiedzialna za wdrożenie sztucznej inteligencji powinna wiedzieć, co używane w organizacji modele realnie robią oraz ile to realnie kosztuje. Observability daje możliwość zamienienia obiecanego zwrotu z inwestycji na policzalny, który obroni się na posiedzeniu rady nadzorczej i w rozmowie z audytorem. Warto więc zadać pytanie, czy potrafimy pokazać, co dana inwestycja wnosi do naszej organizacji, zanim zapyta o to ktoś z zewnątrz.


Autor: Michał Bojko, R&D Development Director, Dynatrace