Czego firmy średniej wielkości nauczyły się o transformacji AI w 2025 roku

„Zwycięzcy wybierali jeden lub dwa rzeczywiste problemy w istniejących przepływach pracy, a nie „sztukę tego, co możliwe”” — powiedział Bhrugu Pange, dyrektor zarządzający ds. rozwiązań AI i technologii cyfrowych w AArete. „Wybierali wąskie gardła, na które ludzie już narzekali, takie jak czas podsumowywania rozmów, generowanie ofert, odpowiadanie na pytania klientów czy wyjątki na fakturach. W większości przypadków występował syndrom „krzesła obrotowego””.

Firmy, które wbudowały AI w narzędzia już używane przez pracowników — Salesforce, platformy centrów kontaktowych i systemy dokumentów — odnotowały wskaźniki adopcji na poziomie 60–80%. Firmy, które uruchomiły samodzielne narzędzia AI, odnotowały zatrzymanie adopcji na poziomie 30–40%.

Ten schemat powtarzał się we wszystkich obszarach działalności. 98% zespołów marketingowych uważało, że AI poprawi wyniki, ale tylko 27% zgłosiło szerokie wykorzystanie tej technologii. Przyczyną tej przepaści nie był sceptycyzm, lecz tarcie.

„Firmy odnoszące sukcesy nie wymagały od pracowników otwierania osobnego okna, aby uzyskać dostęp do AI” — wyjaśnił Pange. „Umieszczały AI wewnątrz narzędzi, z których ludzie już korzystali, rozszerzając istniejące platformy, takie jak Salesforce”.

Firmy, którym się nie powiodło, tworzyły to, co Pange nazywa „chatbotami pozbawionymi kontekstu”, a następnie zastanawiały się, dlaczego nikt z nich nie korzysta. Pod koniec 2025 roku wniosek ten przerodził się w ugruntowaną zasadę: jeśli AI nie jest tam, gdzie wykonywana jest praca, nie zostanie przyjęte.

Nieoczekiwana luka kompetencyjna

Początek 2025 roku przyniósł powszechne założenie: przyjęcie AI będzie przebiegać tak jak wdrażanie wcześniejszych rozwiązań informatycznych dla przedsiębiorstw. Należy kupić odpowiednie narzędzia, przeszkolić ludzi z obsługi interfejsu i mierzyć wskaźniki adopcji. W połowie roku założenie to całkowicie się załamało.

Luka kompetencyjna była widoczna wszędzie. Zespoły obsługi klienta miały AI zdolne do tworzenia projektów odpowiedzi, ale nie potrafiły ocenić, które odpowiedzi należy wysłać. Zespoły sprzedaży miały AI zdolne do podsumowywania transkrypcji rozmów, ale nie potrafiły określić, które wnioski są istotne. Zespoły finansowe miały AI zdolne do generowania prognoz, ale nie potrafiły ocenić, którym założeniom można zaufać.

„Nieprzeszkoleni pracownicy sześć razy częściej twierdzili, że AI obniżyło ich produktywność” — powiedziała Emily Mabie, starsza inżynierka ds. automatyzacji AI w Zapier. „Zespoły, które naprawdę chcą przeprowadzić transformację z wykorzystaniem AI, muszą inwestować w szkolenia”.

Pracownicy musieli nauczyć się, co delegować AI, co zachować dla siebie, jak weryfikować wyniki AI oraz kiedy odrzucać rekomendacje AI. Tych umiejętności nie można było opanować podczas dwugodzinnego szkolenia.

Firmy, którym się udało, traktowały przyjęcie AI jako rozwój umiejętności, a nie wdrożenie oprogramowania. Tworzyły modele praktycznej nauki, w ramach których doświadczeni pracownicy przez wiele miesięcy pracowali obok AI, rozwijając umiejętność oceny sytuacji poprzez powtarzanie zadań. Mierzyły rozwój kompetencji, a nie tylko wykorzystanie narzędzi.

It starts with one signal.

Each week, AI Signal takes one meaningful shift in AI and helps people leaders understand what changed, why it matters, and what to consider next.

Get Free Access

Have an account? Log In

Podatek od złożoności

Podczas gdy niektóre firmy miały trudności z adopcją, inne odkryły, że od początku zbudowały niewłaściwe fundamenty. Raport „Koszt złożoności” firmy Freshworks wykazał, że 20% wydatków organizacji na oprogramowanie było marnowanych na nieudane wdrożenia, niewykorzystywane narzędzia i ukryte koszty.

„Wiele organizacji napotyka bariery związane ze złożonością, które ograniczają produktywność, w tym starsze systemy, niespójne systemy i dane rozproszone w silosach” — powiedział Ashwin Ballal, dyrektor ds. informatycznych w Freshworks. „Wyzwania te prowadzą do zmęczenia pracowników, nieefektywności oraz wycieku przychodów wynikającego z opóźnień i niewykorzystanych możliwości”.

W rezultacie pracownicy tracili średnio 6,7 godziny tygodniowo na poruszanie się po złożonym środowisku narzędzi zamiast wykonywać produktywną pracę, co tworzyło istotne bariery w przyjęciu AI.

W ten sposób powstało błędne koło. Firmy angażowały zewnętrznych dostawców i konsultantów do integracji AI z nieuporządkowanymi stosami technologicznymi, ale te dodatki często powodowały więcej tarcia, niż go usuwały.

Freshworks ustalił, że 12% strat finansowych wynikających z nieefektywności oprogramowania było związanych z niepotrzebnymi konsultantami i wykonawcami.

„Firmy często angażują zewnętrznych dostawców i konsultantów do naprawy starszych systemów, ale te dodatki mogą powodować tarcie zamiast je usuwać” — powiedział Ballal. „Organizacje często płacą dwa razy: raz za złożoną technologię, a następnie za konsultantów, którzy mają sprawić, by działała”.

Firmy średniej wielkości, którym udało się odnieść sukces w 2025 roku, przyjęły inne podejście. Zamiast dodawać AI do istniejącej złożoności, wykorzystały przyjęcie AI jako okazję do uproszczenia środowiska. Konsolidowały nadmiarowe narzędzia. Wybierały funkcje AI wbudowane w platformy, z których już korzystały, zamiast kupować samodzielne produkty.

Wniosek: nie można transformować tego, czym nie można zarządzać. Firmy z prostszymi, bardziej zintegrowanymi stosami technologicznymi szybciej wdrażały AI i osiągały lepsze wyniki.

Pułapka projektów pilotażowych

Przepaść między sukcesem projektu pilotażowego a wdrożeniem produkcyjnym stała się jednym z najbardziej frustrujących schematów w 2025 roku.

„Rzeczywiste rezultaty inwestycji w AI w 2025 roku były znacznie bardziej nierówne, niż sugerowały nagłówkowe wskaźniki adopcji” — powiedział Mabie. „Generatywna AI i projekty pilotażowe były wszędzie na początku roku, ale wśród liderów, których ankietowaliśmy w Zapier, tylko 26% stwierdziło, że większość ich projektów pilotażowych AI trafiła do środowiska produkcyjnego”.

Ten schemat powtarzał się we wszystkich branżach. Działy HR testowały oparte na AI analizowanie życiorysów z doskonałymi wynikami, ale nie potrafiły skłonić menedżerów ds. rekrutacji do korzystania z tego rozwiązania. Zespoły operacyjne testowały AI do predykcyjnego utrzymania ruchu, które działało dokładnie zgodnie z obietnicami, ale nie potrafiły rozszerzyć jego zastosowania poza początkowy zakład.

Udane projekty pilotażowe działały w szczególnych warunkach: przy dodatkowym wsparciu, uwadze liderów, zmotywowanych ochotnikach i zabezpieczonym czasie na naukę. Kiedy firmy próbowały skalować rozwiązania, te warunki znikały.

„Udane działania wskazywały osobę po stronie biznesowej, która odpowiadała za rezultat” — powiedział Pange. „IT nie było już motorem ani właścicielem, lecz opiekunem wdrożenia AI. Biznes był właścicielem rezultatu”.

Firmy, które skutecznie skalowały rozwiązania, robiły trzy rzeczy inaczej.

1. Dokumentowały nie tylko to, co zrobił zespół pilotażowy, ale także dlaczego to zadziałało, mapując warunki organizacyjne, które umożliwiły sukces.
2. Prowadziły pilotaże z reprezentatywnymi zespołami, w tym z grupami sceptycznymi i niedofinansowanymi, a nie tylko z ochotnikami.
3. Mierzyły gotowość organizacji, a nie tylko gotowość techniczną.

Wniosek: udany projekt pilotażowy dowodzi, że technologia działa. Nie dowodzi jednak, że organizacja jest w stanie ją przyswoić.

Problem nieautoryzowanego AI

Latem osoby zarządzające firmami średniej wielkości musiały zmierzyć się z pracownikami korzystającymi z narzędzi AI, których firma nie zatwierdziła, nie zabezpieczyła, a często nawet nie była świadoma ich użycia. Pracownicy przesyłali dane klientów do ChatGPT, używali konsumenckich narzędzi AI do wrażliwych analiz biznesowych i tworzyli zautomatyzowane przepływy pracy bez przeglądu pod kątem bezpieczeństwa.

Problem nieautoryzowanego AI ujawnił głębszą kwestię: firmy działały zbyt wolno, aby zaspokoić uzasadnione potrzeby pracowników. Pracownicy nie zachowywali się lekkomyślnie — byli produktywni dzięki dostępnym im narzędziom.

Inteligentne firmy reagowały, przyspieszając zatwierdzanie wdrożeń AI, a nie tylko zaostrzając kontrole. Ustanawiały szybkie procesy oceny narzędzi AI zgłaszanych przez pracowników i tworzyły zatwierdzone alternatywy dla typowych zastosowań nieautoryzowanego AI. Mierzyły czas potrzebny na zatwierdzenie narzędzi AI i traktowały opóźnienia jako porażki organizacyjne.

Nieautoryzowane AI było sygnałem niezaspokojonej potrzeby, a nie problemem zgodności, który należy rozwiązać za pomocą polityki. Pod koniec roku organizacje najlepiej radzące sobie z tym zjawiskiem przeszły od reaktywnego zakazu do proaktywnego umożliwiania korzystania z AI.

Kryzys adaptacji kadry zarządzającej

Gdy AI przejmuje rutynowe zadania koordynacyjne, takie jak planowanie, aktualizacje statusu i podstawowa analiza problemów, tradycyjne działania menedżerskie, które zajmowały 40-60% dnia pracy menedżera, nagle znikają. Pozostaje praca, na którą większość menedżerów nigdy nie miała czasu, taka jak coaching, myślenie strategiczne, rozwiązywanie złożonych problemów i rozwój zespołu — umiejętności ujawniające problemy z rozwojem przywództwa.

Najlepsi menedżerowie szybko się dostosowali. Menedżerowie mający trudności czuli się wypierani, kwestionowali swoją wartość i często sprzeciwiali się wdrażaniu AI, ponieważ zagrażało ono ich tożsamości.

Sprowadza się to do wyzwania związanego z rozwojem kadry zarządzającej. Potrzebne są konkretne plany przejściowe dla menedżerów, których role się zmieniają, a także coaching pokazujący, jak pracować inaczej, ponieważ bardzo niewielu liderów ma jasną wizję tego procesu, a niemal nikt nie opanował go w pełni. Organizacje muszą ocenić, czy ich strategia AI uwzględnia te zmiany w zarządzaniu, oraz na nowo zdefiniować oczekiwania, aby nagradzać menedżerów, którzy skutecznie przechodzą do pracy o większej wartości.

Niektórzy menedżerowie nie dokonają tej zmiany. Liderzy mogą poradzić sobie z tym na kilka sposobów, w tym poprzez przygotowanie się na redukcję średniego szczebla zarządzania w miarę spłaszczania struktur organizacyjnych.

• Twórz ścieżki kariery dla specjalistów dla menedżerów, którzy wyróżniają się w pracy, której AI nie potrafi wykonywać, ale mają trudności z nowym modelem zarządzania.
• Zapewniaj intensywny coaching, ale bądź gotów podjąć trudną decyzję, że niektórzy menedżerowie po prostu nie są odpowiedni do pełnienia roli w erze AI.

Nie zadziała udawanie, że rola się nie zmieniła. Organizacje, które wdrożyły AI, ale pozostawiły te same oczekiwania wobec kadry zarządzającej, kończyły z menedżerami wykonującymi zbędną pracę tylko po to, aby wypełnić czas.

Przełom w architekturze zaufania

Nieoczekiwanym sukcesem 2025 roku okazały się firmy, które systematycznie budowały zaufanie do AI, zamiast mieć nadzieję, że pracownicy po prostu je zaakceptują.

Firma ADP wdrożyła „model 5P” we wszystkich inicjatywach związanych z AI:

• Cel (dlaczego używamy tutaj AI)
• Ludzie (kto uczestniczy w podejmowaniu decyzji)
• Proces (jak to działa)
• Wyniki (jak mierzymy sukces)
• Ochrona (jakie istnieją zabezpieczenia).

Organizacje korzystające ze ustrukturyzowanych ram budowania zaufania osiągały poziom adopcji AI wynoszący 60–80%, w porównaniu z 30–40% w przypadku organizacji polegających na nieformalnym budowaniu zaufania.

„Człowiek w pętli został uznany za najważniejszy priorytet w zakresie zarządzania przez 71% liderów” — powiedział Mabie.

Zaufanie nie pojawia się naturalnie dzięki dobrej technologii. Wymaga celowego zaprojektowania. Przed wdrożeniem firmy muszą odpowiedzieć na konkretne pytania, takie jak:

• Dlaczego używamy AI do tego zadania?
• Kto sprawuje nadzór?
• Jak system podejmuje decyzje?
• Co się dzieje, gdy popełnia błąd?
• Jakie istnieją zabezpieczenia?

Organizacje, które udzieliły wyraźnych odpowiedzi na te pytania — w dokumentacji, podczas szkoleń i w bieżącej komunikacji — szybciej zbudowały zaufanie i dłużej je utrzymały.

Ukryta spirala kosztów

Koszty wykraczają daleko poza zmarnowane budżety na oprogramowanie.

Jeden poważny incydent może zahamować adopcję na wiele miesięcy. Utrata zaufania stała się ukrytym podatkiem nakładanym na przyszłe inicjatywy.

„AI może przyspieszyć przygotowanie pierwszej wersji, ale jeśli nie przeprojektujesz procesu weryfikacji, stworzysz nowy problem” — powiedział Pange. „Zespoły spędzają teraz czas na sprawdzaniu i poprawianiu. Nazywamy to «podatkiem od weryfikacji»”. To obciążenie psychiczne przyczynia się do problemów pracowników z oceną sytuacji, gdy próbują oni zachować równowagę między pomocą AI a krytycznym myśleniem.

Cynizm pracowników pojawił się jako kolejny ukryty koszt. Gdy kierownictwo przedstawiało możliwości AI w przesadnie optymistyczny sposób, a jednocześnie niedostatecznie inwestowało w szkolenia i przeprojektowanie przepływów pracy, pracownicy sprzeciwiali się adopcji. Co gorsza, korzystali z niezatwierdzonych narzędzi AI, tworząc problem nieautoryzowanego AI, który pochłaniał zasoby związane z bezpieczeństwem i zgodnością.

Badanie populacji w czasie rzeczywistym przeprowadzone przez Bank Rezerwy Federalnej w St. Louis wykazało, że do sierpnia 2025 roku około połowa dorosłych mieszkańców USA deklarowała korzystanie z generatywnej AI, a ponad jedna trzecia używała jej w pracy. W badaniu oszacowano oszczędność czasu odpowiadającą około 1,6% całkowitego czasu pracy, a także potencjalny wzrost produktywności sięgający 1,3% od momentu uruchomienia ChatGPT.

Jednak korzyści te były rozłożone nierównomiernie.

„Podczas gdy jedna firma utknęła w otchłani projektów pilotażowych, inna po cichu poprawia poziom obsługi, przepustowość sprzedaży lub czas trwania cykli operacyjnych” — powiedział Pange. „A ta przewaga wynikająca z przyrostowych usprawnień i zdobywanych doświadczeń zaczyna się kumulować”.

Zmiana dojrzałości pomiaru

Jedną z najwyraźniejszych ewolucji w 2025 roku był sposób, w jaki firmy mierzyły sukces AI.

„Na początku roku sukces definiowano poprzez uruchamianie projektów pilotażowych i potwierdzanie wykonalności” — powiedział Mabie. „Z czasem liderzy zaczęli mierzyć biegłość w korzystaniu z AI oraz zwrot z inwestycji na podstawie wyników biznesowych”.

Fakt, że większość liderów mierzy zwrot z inwestycji, odzwierciedla szerszy poziom dojrzałości. Pytanie „Jakie to fajne?” zostało zastąpione pytaniem „Jaki jest kluczowy wskaźnik efektywności i gdzie znajduje się poziom bazowy?”.

Przejście od mierzenia wskaźników adopcji do mierzenia wpływu na biznes obejmuje nie tylko sprawdzanie, czy pracownicy korzystają z narzędzi AI, lecz także tego, czy narzędzia te poprawiają jakość decyzji, skracają czas trwania cykli lub uwalniają zasoby na pracę o większej wartości.

Najbardziej zaawansowane organizacje mierzyły zarówno wzrost efektywności, jak i rozwój kompetencji. Chciały wiedzieć, czy AI sprawia, że pracownicy działają szybciej i lepiej, uznając, że dojrzałość AI wymaga kompleksowej oceny.

More Articles

• Problemy z premią za umiejętności AI: dlaczego wyższe wynagrodzenie za kompetencje AI może przynieść odwrotny skutek

Przebudzenie w zakresie alokacji zasobów

Być może najważniejsza lekcja z 2025 roku jest taka, że reguła 70–20–10 dotycząca inwestycji w AI okazała się trafna, a większość firm alokowała środki w odwrotnej kolejności.

Reguła potwierdzona w wielu badaniach: 70% inwestycji w transformację AI powinno być przeznaczane na ludzi i zmiany procesowe, 20% na infrastrukturę i integrację, a 10% na algorytmy i modele.

Większość firm średniej wielkości przeznaczała 60–70% środków na technologię i gorączkowo szukała finansowania na działania związane ze zmianą organizacyjną.

Oznacza to finansowanie ról związanych z zarządzaniem zmianą, chronienie czasu na naukę i adaptację, inwestowanie w programy coachingowe wspomagane przez AI, strategie komunikacji i struktury wsparcia organizacyjnego.

Firmy, które utrzymały inwestycje skoncentrowane na technologii, obserwowały zahamowanie swoich inicjatyw AI, niezależnie od stopnia zaawansowania technologii. Dobre algorytmy we współpracy z nieprzygotowanymi organizacjami za każdym razem osiągały gorsze wyniki niż przeciętne algorytmy we współpracy z gotowymi organizacjami.

Czego wymaga rok 2026

Wnioski z 2025 roku wskazują na kilka jasnych priorytetów dla firm średniej wielkości wchodzących w rok 2026.

• Włącz AI do istniejących przepływów pracy. Przepaść w zakresie integracji z przepływami pracy będzie się tylko powiększać. Przestań uruchamiać autonomiczne narzędzia AI i zacznij ulepszać platformy, z których pracownicy już korzystają.

• Inwestuj w szkolenia przed technologią. Ustalenie firmy Zapier, że nieprzeszkoleni pracownicy 6 razy częściej twierdzą, że AI obniża ich produktywność, powinno przerazić każdego dyrektora planującego inwestycje w AI. Luki kompetencyjnej nie da się zamknąć za pomocą licencji na oprogramowanie.
• Upraszczaj przed dodawaniem złożoności. Firmy z rozdrobnionymi stosami technologicznymi będą miały trudności ze skutecznym wdrażaniem AI. „Organizacje, które współpracują z liderami rynku oprogramowania, aktywnie usuwającymi elementy ze stosu technologicznego, integrującymi AI ze swoimi systemami i zastępującymi rozrost technologiczny ujednoliconymi systemami, zyskają przewagę konkurencyjną” — powiedział Ballal.
• Buduj zarządzanie, które umożliwia, zamiast blokować. Zarządzanie z udziałem człowieka w pętli zostało uznane za najwyższy priorytet przez 71% liderów. Jednak zarządzanie, które spowalnia wdrażanie do granic możliwości, tworzy nieformalnie używane rozwiązania AI. Celem jest zwięzły model zarządzania, który zapewnia bezpieczeństwo szybkiego działania.
• Rozwijaj możliwości orkiestracji. „Więcej zespołów średniej wielkości przyjmie orkiestrację AI” — powiedział Mabie. „Ponieważ zespoły średniej wielkości nie mają zasobów, by całkowicie przebudowywać platformy i zespoły, będą wykorzystywać i łączyć istniejące narzędzia za pomocą orkiestracji AI”.

Dane firmy Zapier pokazują, że 25% liderów spodziewa się osiągnąć pełnoskalową orkiestrację AI do 2026 roku, podczas gdy 43% przewiduje prowadzenie agentowych przepływów pracy w różnych funkcjach. Mając to na uwadze, warto:

• Wyraźnie przeprojektuj role menedżerskie. AI zmienia zakres obowiązków menedżerów. Uznaj tę zmianę, wesprzyj transformację i zaakceptuj, że niektórzy menedżerowie sobie z nią nie poradzą.
• Przebuduj ścieżki kariery na erę AI. Tradycyjne ścieżki awansu przestają działać. Firmy potrzebują nowych modeli rozwoju pracowników w sytuacji, gdy AI przejmuje zadania, które wcześniej miały charakter rozwojowy.
• Systematycznie buduj zaufanie. Ramy budowania zaufania działają. Nieformalne budowanie zaufania — nie. W przypadku każdego wdrożenia AI wyraźnie odpowiedz na pięć pytań P: Cel, Ludzie, Proces, Wyniki, Ochrona.
• Przeznacz budżety ponownie, aby odzwierciedlały zasadę 70-20-10. Większość wartości AI pochodzi ze zmiany organizacyjnej. Większość budżetów na AI trafia do technologii. Skoryguj tę rozbieżność albo zaakceptuj niższe zwroty.
• Mierz wyniki biznesowe, a nie wskaźniki technologiczne. Śledź jakość decyzji, skrócenie czasu realizacji i rozwój kompetencji — nie tylko wykorzystanie systemu.

„Niektóre trendy, które prawdopodobnie osłabną, to jednorazowe eksperymenty, modele automatyzacji przeznaczone wyłącznie dla programistów oraz myślenie o „AI jako funkcji”” — powiedział Mabie.

Podział między liderami a maruderami nie dotyczy tego, kto ma AI. Chodzi o to, kto wyciągnął wnioski z jej wdrażania. Ta luka w uczeniu się będzie się powiększać, gdy decyzje dotyczące AI w 2026 roku zdecydują, które firmy nadrobią zaległości, a które pozostaną jeszcze bardziej w tyle.