REKLAMA
WAKACJE NA GIEŁDZIE

Sztuczna inteligencja w Polsce. Dogoniliśmy USA, ale firmy wpadły w pułapkę

2026-05-08 07:10
publikacja
2026-05-08 07:10
Dodaj Bankier.pl w Google

Ze sztucznej inteligencji (AI) korzysta w Polsce już 31 proc. osób w wieku produkcyjnym, a tempo wzrostu wprowadzania jest o 70 proc. szybsze od globalnej średniej. Pod tym względem zrównaliśmy się z Niemcami czy USA – wynika z danych Microsoft AI Economy Institute, które „Rzeczpospolita” publikuje jako pierwsza w piątkowym wydaniu.

Sztuczna inteligencja w Polsce. Dogoniliśmy USA, ale firmy wpadły w pułapkę
Sztuczna inteligencja w Polsce. Dogoniliśmy USA, ale firmy wpadły w pułapkę
fot. Shutterstock AI / / Shutterstock

Przekroczenie poziomu 30 proc. pokazuje, że coraz więcej firm wykorzystuje AI w sposób strategiczny – powiedziała „Rz" Iwona Szylar, dyrektor generalna Microsoftu w Polsce.

Jednak jak wskazuje gazeta, za imponującymi statystykami kryje się nieco bardziej skomplikowana rzeczywistość. Na fali boomu przedsiębiorcy masowo wdrażają AI, ale robią to, będąc często kompletnie nieprzygotowanymi. Jak wynika z raportu EFL, połowa badanych ocenia swoje kompetencje jako umiarkowane, a 43 proc. jako niskie.

Czym to skutkuje? „Rz" cytuje badania MIT Media Lab, według których aż 95 proc. przedsiębiorstw nie dostrzega żadnych mierzalnych korzyści z wdrożenia sztucznej inteligencji. Analitycy McKinsey mówią wręcz o paradoksie: rośnie popularność AI, przyspieszają inwestycje, ale „trwały wpływ na wydajność jest trudny do uchwycenia”.

Jak twierdzi Dawid Osiecki, dyrektor zarządzający Accenture Poland, firmy kupują narzędzia licząc, że one się same wdrożą, albo że pracownicy będą ich sprawnie używać, a potem szybko zaraportują, o ile są bardziej efektywni. – A tak się nie stanie, czy w obszarze wdrożeń produkcyjnych, czy nawet w obszarze indywidualnej produktywności – wyjaśniał podczas Europejskiego Kongresu Gospodarczego w Katowicach.

Gazeta wskazuje, że największą zmianą w przemyśle nie jest dziś sama automatyzacja, lecz zdolność organizacji do podejmowania decyzji w oparciu o dane. AI może działać skutecznie wtedy, gdy ma dostęp do dużych, wartościowych zbiorów danych.

Wakacje na giełdzie

Eksperci przekonują, że to strategiczny moment, a o dalszym tempie rozwoju zadecyduje nie tyle dostęp do technologii, ile zdolność biznesu do myślenia o AI w długim horyzoncie - podkreśla „Rzeczpospolita". (PAP)

lm/ jm/

Źródło:PAP
Tematy
Pora na MG HS Hybrid+! Zyskaj rabat aż do 15 000 zł.
Pora na MG HS Hybrid+! Zyskaj rabat aż do 15 000 zł.

Komentarze (1)

dodaj komentarz
zenonn
Używa się słowa „AI” tak, jakby oznaczało jedną rzecz. A dziś „AI” to co najmniej kilka zupełnie różnych klas technologii:

klasyczne ML/statystyka (forecasting, scoring, wykrywanie fraudów),
computer vision,
systemy rekomendacyjne,
generatywne AI,
LLM-y,
agentic AI,
modele multimodalne,
małe modele lokalne/on-
Używa się słowa „AI” tak, jakby oznaczało jedną rzecz. A dziś „AI” to co najmniej kilka zupełnie różnych klas technologii:

klasyczne ML/statystyka (forecasting, scoring, wykrywanie fraudów),
computer vision,
systemy rekomendacyjne,
generatywne AI,
LLM-y,
agentic AI,
modele multimodalne,
małe modele lokalne/on-device,
systemy eksperckie z domieszką AI,
automatyzacja RPA podszywająca się marketingowo pod AI.

I właśnie dlatego teza „po co firmom AI” jest źle postawiona. Prawidłowe pytanie brzmi:

„Który typ AI daje konkretnej firmie przewagę kosztową, jakościową lub operacyjną?”

Bo:

bank potrzebuje innego AI niż fabryka,
software house innego niż logistyka,
e-commerce innego niż kancelaria.
LLM ≠ całe AI

Media koncentrują się na:

OpenAI
,
Anthropic
,
Google Gemini
,
Meta AI / Llama
,
Mistral AI
,

czyli głównie na LLM-ach konwersacyjnych.

Tymczasem w praktyce biznesowej największą wartość często generują:

modele predykcyjne,
OCR + vision AI,
detekcja anomalii,
optymalizacja procesów,
AI embedded w ERP/CRM,
wyspecjalizowane modele branżowe.

Przykład:
firma produkcyjna może mieć większy ROI z systemu wykrywania wad na kamerach niż z „chatbota AI”.

„Dogoniliśmy USA” — to bardzo wątpliwa teza

Jeżeli artykuł sugeruje, że Polska „dogoniła USA” w AI, to trzeba doprecyzować:

w czym dokładnie?
liczbie wdrożeń?
liczbie promptów?
adopcji ChatGPT?
inwestycjach?
patentach?
modelach foundation?
mocy obliczeniowej?
półprzewodnikach?
talent pool?

Bo w sensie infrastrukturalnym i kapitałowym Europa — a szczególnie Polska — jest daleko za USA i Chinami.

USA mają:

hyperscalerów,
własne GPU,
gigantyczne centra danych,
fundusze VC,
dostęp do compute,
ekosystem foundation models,
integrację AI z Big Tech.

Polska natomiast głównie:

konsumuje cudze modele,
integruje API,
robi outsourcing wdrożeń,
buduje nakładki aplikacyjne.

To nie znaczy, że nic nie umiemy. Mamy mocnych specjalistów i kilka bardzo dobrych firm, np. ElevenLabs
, ale systemowo jesteśmy raczej użytkownikiem AI niż producentem infrastruktury AI.

„Firmy wpadły w pułapkę”

Tu artykuł prawdopodobnie ma częściowo rację.

Wiele firm:

kupuje „AI”, bo zarząd chce mieć AI,
nie ma danych,
nie ma procesów,
nie ma KPI,
nie wie, gdzie jest ROI,
wdraża copilota do wszystkiego,
myli demo z produkcją.

To przypomina trochę:

blockchain 2018,
metaverse 2021,
„big data” 2015.

Dzisiaj ogromna liczba projektów AI kończy się:

pilotem,
prezentacją,
chatbotem HR,
notatnikiem spotkań,
generowaniem slajdów.

A nie realnym wzrostem produktywności.

Pojawiają się nawet analizy mówiące o wysokim odsetku nieudanych wdrożeń AI.

Jednocześnie nie oznacza to, że AI jest „bańką bez wartości”. Raczej:

rynek przeszacowuje krótkoterminowe efekty,
a niedoszacowuje długoterminowej zmiany infrastrukturalnej.
Największe nieporozumienie: AI jako „zamiennik człowieka”

W praktyce biznesowej AI najczęściej:

nie zastępuje całych zawodów,
tylko kompresuje liczbę osób potrzebnych do wykonania pracy.

Czyli:

10 osób → 4 osoby + AI,
junior → senior + AI,
software house → mniej prostych zleceń,
support → mniej pierwszej linii.

To już widać w SaaS i usługach IT.

Ale równolegle rośnie zapotrzebowanie na:

integratorów AI,
data engineering,
governance,
bezpieczeństwo modeli,
AI ops,
ludzi nadzorujących agentów AI.
Firmy często nie potrzebują „AI”

I to jest chyba najważniejszy punkt.

Bardzo wiele firm:

nie potrzebuje LLM,
nie potrzebuje agenta,
nie potrzebuje generowania obrazków,
nie potrzebuje „AI strategy”.

Potrzebują:

lepszego ERP,
uporządkowanych danych,
automatyzacji workflow,
integracji systemów,
sensownego CRM,
digitalizacji dokumentów.

Często:
dobrze zaprojektowany system regułowy daje większą wartość niż „AI”.

Dlatego obecnie mamy dużo „AI washingu”:

zwykła automatyzacja sprzedawana jako AI,
chatbot nazwany agentem,
search engine nazwany copiloterem,
OCR nazwany generative AI.
Podsumowanie

Tezy artykułu są częściowo trafne, ale:

mieszają różne klasy technologii,
utożsamiają AI z LLM,
ignorują różnicę między producentem a konsumentem AI,
przeceniają poziom „dogonienia USA”,
niedostatecznie rozróżniają realny ROI od marketingu.

Najbardziej sensowne spojrzenie na AI w firmach dziś brzmi:

AI nie jest jednym produktem ani jedną technologią.
To nowa warstwa infrastrukturalna informatyki — ale użyteczna tylko wtedy, gdy rozwiązuje konkretny problem biznesowy lepiej niż klasyczne oprogramowanie.

Powiązane: Sztuczna inteligencja

Polecane

Najnowsze

Popularne

Ważne linki