Czy AI poprawi wyniki firmy, która nie uporządkowała danych?

Niemal dziewięciu na dziesięciu liderów danych trafiło na błędne wyniki AI, a prawie połowa badanych przez EY polskich firm jest rozczarowana wdrożeniami. Sprawdziliśmy, co stoi za tym rozdźwiękiem i od czego zacząć przed kolejnym projektem.

Obietnica brzmi prosto: firma kupuje narzędzie AI, podłącza je do swoich systemów i od tej pory szybciej analizuje, trafniej prognozuje i rzadziej się myli. Badania z ostatnich dwóch lat pokazują, że ten scenariusz sprawdza się rzadziej, niż zakładają budżety. Najczęściej zawodzi nie model, tylko dane, na których pracuje, i procesy, w które się go wstawia.

Liczby, które studzą entuzjazm

Raport „State of Data and Analytics” przygotował Salesforce, producent narzędzi analitycznych i systemów CRM (do zarządzania relacjami z klientami). Firma ma więc interes w tym, by klienci inwestowali w porządkowanie danych, i do jej liczb trzeba podchodzić ostrożnie. Obraz jest jednak wyraźny: 89 proc. liderów danych w organizacjach, które używają AI produkcyjnie, zetknęło się z niedokładnymi lub mylącymi wynikami. Tylko 49 proc. firm uważa się za w pełni przygotowane do analityki opartej na AI.

Najsłabiej wypadają fundamenty. Pod względem jakości danych gotowych jest 47 proc. organizacji, integracji systemów 46 proc., a aktualności informacji 45 proc. Zaledwie 19 proc. firm zasila analizy AI danymi z jednego systemu, a dla 32 proc. rozproszenie baz jest główną przeszkodą. Jednocześnie 95 proc. dyrektorów finansowych uznaje użycie AI w analizie danych za ryzykowne, bo obawia się błędnych wyników i wycieku wrażliwych informacji.

Problem jest starszy niż AI. W badaniu Onestream 47 proc. dyrektorów finansowych przyznało, że w ciągu roku podjęło błędną decyzję na podstawie niedokładnych lub niekompletnych danych finansowych. W 72 proc. tych przypadków strata wyniosła co najmniej 500 tys. dol., czyli ponad 1,8 mln zł. AI może takie błędy powielać, tylko szybciej.

Inne badania mówią to samo, choć z innej strony

Gartner, firma analityczna niezwiązana z Salesforce, prognozował w lutym 2025 roku, że do końca 2026 roku organizacje porzucą 60 proc. projektów AI pozbawionych danych przygotowanych pod AI. To wciąż prognoza, którą da się rozliczyć dopiero za kilka miesięcy. W badaniu tej samej firmy 63 proc. organizacji nie miało albo nie było pewnych, czy ma odpowiednie praktyki zarządzania danymi pod AI.

Raport MIT Media Lab (Project NANDA) z lipca 2025 roku patrzy z innej strony. Według niego 95 proc. pilotaży generatywnej AI nie przyniosło mierzalnego zwrotu finansowego. Autorzy przypisują to nie jakości modeli ani regulacjom, tylko sposobowi wdrażania: słabemu dopasowaniu narzędzi do codziennej pracy zespołów. Salesforce mówi więc o danych, MIT o procesach. To dwa różne pomiary, ale prowadzą do podobnego wniosku.

W Polsce podobny obraz daje raport EY z kwietnia 2026 roku, oparty na badaniu 497 średnich i dużych firm. EY sprzedaje usługi wdrożeniowe AI, co warto mieć na uwadze. Niemal połowa firm (49 proc.) jest rozczarowana wdrożeniami, a 17 proc. z dzisiejszą wiedzą nie podjęłoby tej decyzji. Mniej więcej co dziesiąta firma deklaruje, że jej dane są w pełni przygotowane do zaawansowanych modeli, a 26 proc. nie wie, jakie dane w ogóle ma. Mimo to 77 proc. chce w ciągu 18 miesięcy zwiększyć wydatki na AI.

Banki spółdzielcze: najpierw porządek, potem automatyzacja

Dobrą ilustracją tej zależności była debata na Forum Liderów Banków Spółdzielczych 2026, opisana przez ITwiz. Sektor jest pod presją: w pierwszym półroczu 2026 roku jego zysk spadł o około 30 proc. rok do roku, mocniej niż w bankach komercyjnych. Mimo to przedstawiciele zrzeszeń nie zaczynali od sztucznej inteligencji, tylko od danych.

Skalę pokazał na przykładzie: przy migracji sześciu milionów rekordów bank poprawił ponad 110 tys. błędów. Małgorzata Matejkowska, prezes Kujawsko-Dobrzyńskiego Banku Spółdzielczego, mówiła, że jej bank porządkuje dane od trzech i pół roku, a sztuczna inteligencja nie musi mieć kompletnie czystych danych, tylko „czyste dane priorytetowe”. Proste procesy, takie jak pilnowanie ważności dowodów osobistych klientów, bank automatyzuje zwykłym robotem, bez dużego modelu językowego.

SGB-Bank wprowadza AI punktowo. Automatyczne porządkowanie zgłoszeń w serwisie IT i kilka podobnych miniprojektów dało według wiceprezesa Błażeja Miki około 800 tys. zł oszczędności rocznie i równowartość siedmiu albo ośmiu etatów. Zbigniew Forenc z ZUI Novum zwracał uwagę, że banki mają aplikacje mobilne, ale brakuje im systemów obiegu spraw, więc wniosek klienta po stronie banku często znów staje się papierem. Marcin Konopka z Berg System dodał, że zamknięte systemy główne bez dostępu do API (interfejsu, przez który inne programy korzystają z danych systemu) blokują nawet gotowe narzędzia.

Trzeba pamiętać, że to relacja z jednej konferencji, a część mówców to dostawcy IT, którzy sprzedają rozwiązania dla banków. Ich oceny są głosem praktyków, nie neutralnych badaczy. Kolejność działań, którą opisali, zgadza się jednak z tym, co pokazują Gartner, MIT i EY.

Pilotaż, który odkłada decyzję

Agnieszka Bochacka z GE HealthCare i Robert Pławiak z ProService Finteco w tekście dla ITwiz opisują inną pułapkę. Pilotaż pozwala ręcznie poprawić dane, zawęzić zakres i nie rozstrzygać, kto odpowie za rozwiązanie po odejściu zespołu projektowego. Demonstracja dowodzi, że narzędzie umie wykonać zadanie, ale nie że firma może na nim polegać. Automatyzacja źle zaprojektowanego procesu oznacza według nich szybsze wykonywanie pracy, której w ogóle nie powinno być.

Naszym zdaniem to najważniejsza lekcja z zestawienia tych materiałów. AI nie jest dźwignią, która sama podnosi wyniki. Wzmacnia to, co już jest w firmie: porządek albo bałagan.

Od czego zacząć przed kolejnym projektem AI

Zanim menedżer zatwierdzi następny budżet, przydaje się kilka pytań. Opieramy je na liście Bochackiej i Pławiaka oraz na doświadczeniach banków z forum.

• Jaki problem biznesowy rozwiązujemy i ile kosztuje pozostawienie go bez zmian?
• Które dane są dla tego zastosowania priorytetowe i kto odpowiada za ich jakość?
• Czy systemy, z których AI ma czerpać dane, da się ze sobą połączyć?
• Z jakich czynności, raportów lub akceptacji zrezygnujemy, gdy rozwiązanie zacznie działać?
• Jak zmierzymy efekt i kiedy zdecydujemy o skalowaniu albo zamknięciu projektu?

Mniejsze firmy nie muszą zaczynać od hurtowni danych. Przykład Kujawsko-Dobrzyńskiego Banku Spółdzielczego pokazuje, że prosta automatyzacja dobrze opisanego procesu daje efekt szybciej niż model językowy postawiony na chaosie. Najlepszą miarę zaproponował Błażej Mika: liczy się nie liczba wdrożeń na papierze, tylko to, kto z narzędzia naprawdę korzysta.