Dlaczego Twoja firma tylko mówi o AI/ML i danych, ale z nich nie korzysta? 

Deklaracje kontra rzeczywistość, czyli dlaczego powstało badanie jak firmy naprawdę wykorzystują dane i AI? 

W mediach i raportach branżowych roi się od informacji o tym, że „AI już jest w polskich firmach”. Ale czy faktycznie tak jest? Czy technologia przekłada się na realne usprawnienia i przewagi konkurencyjne? 

Aby to sprawdzić, przebadaliśmy ponad 700 firm w Polsce, analizując: 

• dojrzałość organizacyjną w zakresie danych, 

• realne wykorzystanie technologii AI (nie tylko generatywnej), 

• czynniki kulturowe, strategiczne i finansowe mające wpływ na wdrożenia. 

Cel badania był prosty - ustalić, co decyduje o tym, że jedne firmy faktycznie wykorzystują dane i AI, a inne poprzestają na deklaracjach. 

Polska liderem AI? Tylko na papierze 

W naszym badaniu aż 71% firm zadeklarowało, że korzysta z technologii sztucznej inteligencji. Brzmi obiecująco – ale jak to się ma do danych międzynarodowych? 

Według Eurostatu , Polska znajduje się na przedostatnim miejscu w UE pod względem rzeczywistego wykorzystania technologii AI w przedsiębiorstwach (5,9% firm na koniec 2024, dynamiczny wzrost z 3,67% w 2023 roku). To ogromna różnica między deklaracjami a praktyką. 

Jakie technologie AI faktycznie są wykorzystywane? 

Sztuczna inteligencja (AI) to ogólne określenie technologii, które umożliwiają maszynom analizę danych, rozpoznawanie wzorców i podejmowanie decyzji — w sposób autonomiczny i zautomatyzowany z możliwość douczania się, zbliżony do ludzkiego myślenia. W praktyce obejmuje to m.in. uczenie maszynowe, przetwarzanie języka naturalnego (NLP), analizę obrazu czy systemy ekspertowe. 

Technologie AI zgodnie z definicją Eurostat: 

• Technologie analizujące tekst pisany, które wyodrębniają z niego dane i informacje  
  - text mining, np. analiza opinii klientów lub ocen produktów.  

• Technologie konwertujące język mówiony na format czytelny dla maszyn  
  - rozpoznawanie mowy, np.: automatyczna transkrypcja zapisów rozmów 

•  Technologie generujące język pisany lub mówiony  - generowanie języka naturalnego, technologie tworzące tekst pisany lub mówiony, w tym duże modele językowe (LLM) jak ChatGPT.  

• Technologie identyfikujące obiekty lub osoby na podstawie obrazów  
  - rozpoznawanie obrazów, przetwarzanie obrazów, analiza wideo.  

• Uczenie maszynowe - machine learning, sieci neuornowe, deep learning, algorytmy do analizy danych i generujące rekomendacje, predykcje lub oceny ryzyka (np. systemy scoringowe).  

• Technologie automatyzujące procesy lub wspomagające podejmowanie decyzji - technologie wspierające planowanie np. systemy eksperckie wspomagające decyzje związane właśnie z planowaniem czy logistyką, automatyzacja procesów operacyjnych z wykorzystaniem robotów RPA 

• Technologie umożliwiające maszynom fizyczne poruszanie się poprzez obserwację otoczenia i podejmowanie autonomicznych decyzji  
  - technologie umożliwiające fizyczne przemieszczanie się maszyn na podstawie analizy otoczenia (np. autonomiczne drony). 

W naszym badaniu zapytaliśmy przedstawicieli polskich firm, z jakich konkretnych technologii AI korzystają w swojej organizacji. Najczęściej wskazywane były: 

• generatywna sztuczna inteligencja (genAI), duże modele językowe (LLM) (np. ChatGPT od OpenAI, Gemini od Google, chiński DeepSeek, Perplexity czy Antropic ) – 30,8%, 

• analiza tekstu i wydobywanie informacji (text mining, oceny klientów, opisy produktów) – 29,0%, 

• automatyzacja decyzji biznesowych (systemy eksperckie, planowanie, logistyka) – 23,9%, 

• uczenie maszynowe do analiz i rekomendacji – 20,5%, 

• rozpoznawanie mowy i transkrypcja nagrań – 20,4%, 

• identyfikacja obiektów na obrazach – 17,5%, 

• autonomiczne systemy podejmujące decyzje w ruchu (np. drony) – 10,4%. 

Wyniki pokazują, że AI w polskich firmach kojarzy się głównie z automatyzacją, językiem naturalnym i przetwarzaniem danych tekstowych. Bardziej złożone zastosowania — takie jak autonomiczne maszyny czy analiza obrazu — są nadal rzadkością. 

– Marcin Olender, Director of Public Policy, AI Chamber 

Wyniki pokazują, że w świadomości firm AI to w dużej mierze technologie wspierające sprzedaż, obsługę klienta oraz optymalizację procesów. Znacznie rzadziej wskazywano zaawansowane zastosowania analityczne czy autonomiczne systemy decyzyjne. 

Dane? Tak. Decyzje? Już niekoniecznie. 

Wiele firm deklaruje wykorzystanie danych i AI, ale w praktyce rzadko przekłada się to na realne decyzje i wdrożenia. Z naszego badania wynika, że prawie 90% firm zbiera dane, ale tylko 1/3 z nich wykorzystuje je do podejmowania decyzji. Największymi barierami w wykorzystaniu danych są nie tyle brak technologii, co problemy organizacyjne: 

• Brak kompetencji – zarówno technicznych (np. analiza danych, modelowanie AI), jak i biznesowych (umiejętność zdefiniowania celu i mierników sukcesu). 

• Niska jakość danych – braki, błędy, niespójność, brak aktualizacji. 

• Brak strategii i wsparcia zarządczego – wiele projektów nie jest osadzonych w szerszym planie transformacji organizacji. 

• Niewystarczające budżety – AI i data science są postrzegane jako koszt, a nie jako inwestycja w wartość. 

• Braki w narzędziach i odpowiedniej infrastruktury - wynikające z niedostatecznych budżetów 

• Niedostateczna edukacja i komunikacja wewnętrzna – brak wspólnego języka pomiędzy zespołami technicznymi i biznesowymi utrudnia realizację projektów. 

„Ograniczone wykorzystanie danych w procesach decyzyjnych oraz niski poziom kompetencji cyfrowych spowalniają transformację organizacji w kierunku większej efektywności i innowacyjności. Zaledwie 33,6% firm podejmuje decyzje na podstawie danych, a jedynie 27,5% pracowników posiada odpowiednie umiejętności do ich pełnego wykorzystania.” 

– Andrzej Dulka, Prezes Polskiej Izby Informatyki i Telekomunikacji (PIIT) 

Warto podkreślić: problemem nie jest brak technologii. To brak gotowości organizacyjnej – odpowiednich procesów, narzędzi, ról i mindsetu, który pozwala wyciągać realną wartość z danych. 

Jak przejść od deklaracji do działania? 

1. Zacznij od konkretnego przypadku.
   Wybierz pilotażowy obszar, w którym już dziś masz dostęp do danych i możesz zrealizować projekt z jasno określonym celem biznesowym.  
2. Zadbaj o jakość danych.
   Bez dobrze opisanych, ustandaryzowanych i aktualnych danych nawet najlepsze algorytmy nie przyniosą oczekiwanych rezultatów.
3. Buduj mocne business case’y. 
   Każdy projekt powinien jasno definiować, jaki problem rozwiązuje, jakie przynosi oszczędności lub korzyści operacyjne i jak będzie mierzona jego skuteczność. 
4. Zabezpiecz wsparcie kadry zarządzającej.
   Inicjatywy związane z danymi i AI potrzebują silnego sponsora – najlepiej osoby z zarządu, która rozumie potencjał tych działań i ma wpływ na budżet i priorytety.  
5. Pozwól na niepowodzenia, stwórz miejsce do eksperymentowania.
   Projekty data science i wdrożenia AI często mają charakter badawczo-rozwojowy. Nawet jeśli początkowo obrane podejście wydaje się trafne, w praktyce może się okazać niewykonalne produkcyjnie. Taka wiedza również ma wartość — pozwala zrozumieć, co działa, a co nie i unikać podobnych błędów w przyszłości.   

„Wyniki badania wyraźnie wskazują, że proces przekształcania polskich firm w organizacje data-driven zajmuje średnio od trzech do czterech lat. Małe i średnie przedsiębiorstwa są bardziej zwinne i osiągają ten etap szybciej niż duże firmy. W dużych firmach wprowadzanie zmian wymaga synchronizacji działań na wielu poziomach hierarchii, co często wiąże się z koniecznością dostosowywania starszych systemów IT do nowych standardów analitycznych oraz przełamywania oporu kulturowego.” 

– Eliza Kruczkowska, Dyrektorka Departamentu Rozwoju Innowacji, Polski Fundusz Rozwoju (PFR) 

Podsumowanie: AI to nie narzędzie, to podejście 

Badanie „Ocena dojrzałości polskich firm w obszarze analizy danych i AI” pokazuje wyraźnie: technologia nie jest największym problemem. Polskie firmy często mają dostęp do narzędzi, danych i nawet deklarują wdrożenie sztucznej inteligencji – ale nie przekłada się to na realne korzyści biznesowe. 

Dlaczego? Bo AI to nie tylko zestaw algorytmów. To sposób myślenia i działania w organizacji. 

Aby zbudować wartość na danych i AI, firmy muszą: 

• Zadbać o strategię – AI nie może być projektem wyizolowanym. Powinno wspierać konkretne cele biznesowe, a nie być dodatkiem „na próbę”. 

• Zabezpieczyć zaangażowanie zarządu – transformacja wymaga sponsora, który rozumie potencjał danych i ma realny wpływ na decyzje strategiczne. 

• Zainwestować w kompetencje – zarówno techniczne (data science, modelowanie, integracja), jak i biznesowe (umiejętność stawiania hipotez, pracy z metrykami, iterowania rozwiązań). 

• Poprawić jakość danych – bez uporządkowanych, aktualnych i dostępnych danych żadna technologia nie zadziała skutecznie. 

• Wdrażać w oparciu o MVP i iterację – firmy, które osiągają sukcesy w AI, nie czekają na „perfekcyjny projekt”. Działają małymi krokami, testując i skalując to, co działa. 

Jak podsumował Andrzej Dulka, Prezes PIIT: „Ograniczone wykorzystanie danych w procesach decyzyjnych oraz niski poziom kompetencji cyfrowych spowalniają transformację organizacji w kierunku większej efektywności i innowacyjności.” 

To ostatni dzwonek, by nie zostać w tyle. AI nie stanie się przewagą konkurencyjną samą z siebie – to ludzie, procesy i decyzje przesądzają o tym, czy organizacja naprawdę z niej skorzysta. 

AI nie może być modnym dodatkiem ani wyizolowanym eksperymentem. To proces wymagający świadomych decyzji, współpracy i konsekwentnego działania. 

Chcesz dowiedzieć się więcej?