Firma kupuje licencje, uruchamia copilota i po kwartale ogłasza sukces: każdy pracownik oszczędza 40 minut tygodniowo.
Przy stu osobach daje to ponad 3 tysiące godzin rocznie. W arkuszu wygląda znakomicie. Potem przychodzi grudzień i nikt nie potrafi wskazać, gdzie te godziny trafiły, jaki koszt zniknął ani który wynik biznesowy urósł.
Zaoszczędzony czas ma wartość dopiero wtedy, gdy firma potrafi go odebrać z procesu i przypisać do konkretnego wyniku: większej sprzedaży, krótszego terminu realizacji, mniejszej liczby błędów, wyższej przepustowości albo niższego kosztu.
Większość dashboardów mierzy użycie narzędzia. Rachunek wyników potrzebuje czegoś więcej.
Polska: szybka adopcja, nikły ślad w zatrudnieniu
Według badania NBP „Szybki Monitoring" w drugim kwartale 2026 roku z AI korzystało już 42% polskich firm. Pod koniec 2024 roku było to 14%. W ciągu osiemnastu miesięcy wskaźnik urósł trzykrotnie.
Wpływ na zatrudnienie pozostał marginalny. Mniej niż 1% badanych firm zredukowało etaty z powodu AI. W przemyśle zrobiło to 0,1% przedsiębiorstw, w handlu 1,8%, a w transporcie 1,7%. Jednocześnie 35% firm nie rozpoczęło nawet analizy możliwych zastosowań; wśród mikro- i małych przedsiębiorstw odsetek wyniósł 46%.
Zakres badania obejmuje przede wszystkim deklaracje użycia i zatrudnienie. Między tymi wskaźnikami widać ważną lukę: instalacja narzędzia bardzo rzadko prowadzi sama do zmiany struktury pracy.
Jeszcze ciekawszy jest rozjazd między badaniami. Eurostat podawał, że w 2024 roku z AI korzystało 5,9% polskich przedsiębiorstw zatrudniających co najmniej 10 osób. Badanie PARP i Uniwersytetu Jagiellońskiego z 2026 roku wskazało 23% aktywnych użytkowników wśród 1822 pracodawców z 12 branż o wysokim potencjale AI. NBP podał 42%.
Rozpiętość wynosi siedem razy. Każde badanie obejmuje inny moment, próbę i definicję użycia. Właśnie dlatego zdanie „nasza firma używa AI" nie nadaje się na KPI. Czy oznacza jedną licencję, regularną pracę części zespołu, automatyzację procesu czy wynik widoczny w EBIT? Bez progu, częstotliwości i efektu biznesowego wskaźnik adopcji mówi niewiele.
Wartość wycieka na trzech poziomach.
1. Jednostka: podatek od weryfikacji
W sierpniu 2026 roku, pracując nad priorytetyzacją wdrożeń dla 120-osobowej agencji, dodałam do modelu mnożnik weryfikacji. Popularne ICE i RICE pomijają koszt sprawdzenia wyniku, choć przy generatywnej AI potrafi on przesądzić o opłacalności zastosowania.
Mój wzór wygląda tak:
Wynik = (wolumen roczny × oszczędność jednostkowa w minutach) / (wysiłek wdrożenia w osobodniach × mnożnik weryfikacji × mnożnik klasy danych)
Ten wzór ustala kolejność wdrożeń. Finansowy ROI wymaga osobnego rachunku, który opisuję w dalszej części artykułu.
Mnożnik weryfikacji przyjmuje wartość od 1,0 do 3,0. Niska wartość pasuje do zadań, w których wynik można szybko ocenić lub automatycznie przetestować. Wysoka dotyczy treści i decyzji wymagających pełnego czytania, rekonstrukcji źródeł albo zatwierdzenia przez eksperta.
Jeżeli AI skraca przygotowanie analizy z 30 do 10 minut, a kontrola zajmuje kolejne 15, oszczędność wynosi pięć minut. Dashboard śledzący czas wygenerowania pierwszej wersji pokaże dwadzieścia.
Skala tego zjawiska jest już mierzalna. W badaniu Sage i IDC specjaliści finansowi poświęcali średnio niemal 13 godzin tygodniowo na odtwarzanie, sprawdzanie i uzasadnianie wyników AI. 48% deklarowało co najmniej 15 godzin, a 19% co najmniej 30 godzin. W badaniu Adaptavist 42% pracowników wiedzy poświęcało na kontrolę więcej czasu, niż oszczędzało dzięki AI, a 52% regularnie poprawiało materiały wygenerowane przez współpracowników. Workday oszacował, że poprawki, przepisywanie i weryfikacja pochłaniają około 37% uzyskanej oszczędności czasu.
Dochodzi koszt przerzucony na odbiorcę. BetterUp i Stanford nazwali niskiej jakości materiały generowane przez AI „workslopem". Jeden taki incydent wymagał średnio około dwóch godzin pracy, a szacowany koszt sięgał 186 dolarów miesięcznie na pracownika.
Czas do pierwszego draftu jest wygodną metryką demonstracyjną. ROI zależy od całkowitego czasu cyklu: przygotowania, kontroli, poprawek, akceptacji i obsługi błędów.
2. Organizacja: brak stanu wyjściowego
Zwrot wymaga punktu odniesienia. Jeżeli przed wdrożeniem firma nie zna czasu procesu, liczby przekazań, poziomu błędów ani kosztu poprawek, później może raportować wyłącznie aktywność.
Stan wyjściowy da się zbudować bez półrocznego projektu analitycznego. Stosuję krótką mapę zadań: sześć pytań i około dziesięciu minut na osobę. Zbieram nazwę zadania, częstotliwość, czas jednostkowy, czas oczekiwania, koszt błędów oraz wymagany poziom kontroli. Kilkaset odpowiedzi grupuję według działu i procesu. Powstaje mapa godzin, z której można wybrać wdrożenia o największym wolumenie i rozsądnym koszcie weryfikacji.
Dopiero po uruchomieniu rozwiązania wracamy do tej samej mapy. Porównujemy pełny cykl przed i po wdrożeniu. Następnie sprawdzamy, czy uwolniona przepustowość skróciła kolejkę, zwiększyła liczbę obsłużonych spraw albo pozwoliła ograniczyć koszt zewnętrzny.
McKinsey zalicza do „AI high performers" zaledwie 6% badanych organizacji: te, które przypisują AI co najmniej 5% EBIT i deklarują znaczącą wartość. W edycji badania The State of AI z 2026 roku prawie trzy czwarte tej grupy fundamentalnie przeprojektowało workflow. Wśród pozostałych organizacji zrobiła to około jedna czwarta.
Polskie dane pokazują podobny problem pomiarowy szerzej niż w AI. Według Banku Gospodarstwa Krajowego cyfryzacja ma wysoki lub bardzo wysoki priorytet dla 64% MŚP. Jednocześnie 91,5% firm nie mierzy rezultatów za pomocą KPI. Brakuje metodyki, która łączy inwestycję z wynikiem.
Wzór: od zaoszczędzonych minut do finansowego ROI
ROI z wdrożenia AI liczę w pięciu krokach.
1. Godziny netto
Zacznij od odjęcia czasu poświęconego na obsługę systemu AI, sprawdzanie jego pracy, poprawki i obsługę wyjątków:
Godziny netto = roczny wolumen zadań × (czas przed AI − czas z AI − czas weryfikacji − czas poprawek) / 60
Roczny wolumen zadań to liczba wykonanych zadań. Wszystkie wartości czasu podajemy w minutach na zadanie.
2. Godziny przechwycone
Część oszczędności netto rozproszy się w ciągu dnia pracy. Zastosuj współczynnik przechwycenia od zera do jednego:
Godziny przechwycone = godziny netto × współczynnik przechwycenia
Współczynnik wynosi 1,0, gdy firma usuwa pracę z grafików, ogranicza nadgodziny lub outsourcing, rezygnuje z planowanej rekrutacji albo zwiększa liczbę wykonanych zadań. Zero oznacza, że koszt, przepustowość i przychód pozostają bez zmian.
3. Roczna korzyść biznesowa
Roczna korzyść = unikniony koszt pracy i wydatków zewnętrznych + dodatkowa marża kontrybucyjna + unikniony koszt błędów + oszczędność z wycofanych narzędzi
Odzyskane godziny można wycenić stawką godzinową, gdy zmniejszają wydatki gotówkowe: nadgodziny, pracę tymczasową, outsourcing albo planowane dodatkowe etaty. Gdy uwolniona przepustowość trafia do sprzedaży lub obsługi klienta, użyj dodatkowej marży kontrybucyjnej z wyższego wolumenu. Policzenie tych samych godzin stawką godzinową i dodanie do tego marży, którą wygenerowały, zawyżyłoby wynik.
4. Całkowity koszt posiadania
TCO w pierwszym roku = jednorazowy koszt wdrożenia + roczny koszt utrzymania
Koszt jednorazowy obejmuje rozpoznanie, mapowanie procesów, integrację, testy, migrację, szkolenia i zarządzanie zmianą. Koszt utrzymania to licencje, zużycie API, monitoring, wsparcie, governance, bezpieczeństwo i dalszy rozwój.
Jeżeli czas weryfikacji został już odjęty w godzinach netto, nie powinien pojawić się ponownie w TCO.
5. ROI i okres zwrotu
ROI w pierwszym roku = (roczna korzyść − TCO w pierwszym roku) / TCO w pierwszym roku × 100%
Okres zwrotu w miesiącach = jednorazowy koszt wdrożenia / ((roczna korzyść − roczny koszt utrzymania) / 12)
Co zostaje z 40 minut
Załóżmy, że 100 pracowników deklaruje oszczędność 40 minut tygodniowo przez 46 tygodni roboczych. Wynik brutto to 3067 godzin.
Weryfikacja i poprawki pochłaniają 37%, zostają 1932 godziny.
Współczynnik przechwycenia wynosi 0,6, co daje firmie 1159 godzin do wykorzystania.
300 godzin ogranicza pracę zleconą na zewnątrz i nadgodziny o 36 000 zł.
Pozostała przepustowość generuje 60 000 zł dodatkowej marży kontrybucyjnej.
Mniej błędów i wycofane narzędzia dodają 30 000 zł.
Roczna korzyść wynosi 126 000 zł. Jednorazowy koszt wdrożenia to 50 000 zł, a roczny koszt utrzymania 60 000 zł.
ROI w pierwszym roku = (126 000 − 110 000) / 110 000 = 14,5%
Okres zwrotu = 50 000 / ((126 000 − 60 000) / 12) = 9,1 miesiąca
Pierwszy arkusz pokazywał 3067 zaoszczędzonych godzin. Rachunek finansowy daje 16 000 zł zwrotu w pierwszym roku. Ta liczba przetrwa rozmowę z dyrektorem finansowym.
3. Zarząd: konflikt z obecnym modelem przychodowym
Najtrudniejsze wdrożenia często leżą w miejscu, które dziś przynosi firmie najwięcej pieniędzy.
Warto zadać zarządowi jedno pytanie: co jest naszym „search ads"? Google stworzył architekturę Transformer, fundament nowoczesnej sztucznej inteligencji, jaką dziś znamy. Miał inteligentnego chatbota i algorytmy, ale nie wypuścił produktu, by chronić przychód z reklam w wyszukiwarce, słynnych „search ads".
Która linia przychodu istnieje dzięki temu, że klient nie ma łatwego dostępu do odpowiedzi, nie może obsłużyć się sam albo płaci za czas pracy?
Właśnie tam pojawia się najsilniejszy opór. Organizacja ogranicza skalę nawet przy sprawnej technologii i kompetentnym zespole, ponieważ pełne wykorzystanie uderzyłoby w obecny przychód.
Chegg zbudował biznes na płatnym dostępie do pomocy w nauce. Generatywna AI oraz odpowiedzi wyświetlane bezpośrednio w wyszukiwarce osłabiły oba filary. W maju 2025 roku firma zwolniła 22% pracowników, a w październiku kolejne 45%. Od szczytu z 2021 roku akcje straciły około 99% wartości.
BigLaw pokazuje łagodniejszą wersję tego samego napięcia. AI skraca research, analizę dokumentów i przygotowanie pierwszych wersji pism. Model godzinowy nadal wynagradza liczbę rozliczonych godzin. Według rankingu Am Law 100 magazynu The American Lawyer w 2025 roku łączny przychód stu największych kancelarii wzrósł o 13% do 178,95 mld dolarów, a średnia stawka godzinowa według raportu Brightflag o 8,3% do 1145 dolarów. Bodźce sprzyjają przejęciu części zysku produktywności przez kancelarię. Klient nie zawsze dostaje krótszy rachunek.
Podobne napięcie rośnie w SaaS. Agent wykonujący pracę kilku użytkowników może zmniejszyć liczbę potrzebnych licencji. Dostawca rozliczający się za fotel ma więc powód, by dodawać funkcje AI, a jednocześnie chronić konstrukcję opartą na liczbie użytkowników. To spowalnia projektowanie procesów agent-first.
Największy potencjał AI często znajduje się tam, gdzie pełne wdrożenie wymaga zmiany sposobu zarabiania. Decyzja staje się wtedy polityczna.
Jak liczyć ROI, który ma szansę trafić do P&L
Zmierz stan wyjściowy w godzinach. Zrób to przed zakupem licencji i wyborem dostawcy. Zapisz także kolejki, błędy, poprawki i przekazania między osobami.
Dodaj koszt weryfikacji do modelu wyboru zastosowań. Powinien wpływać na priorytet wdrożenia już na etapie business case'u.
Mierz cały cykl. Pomiar zaczyna się od zlecenia zadania i kończy po akceptacji wyniku gotowego do użycia. Pierwszy draft jest tylko jednym z etapów.
Sprawdź proces zagrażający własnej linii przychodu. Jego analiza ujawni realną wartość AI oraz bariery, których nie pokaże warsztat technologiczny.
Wyznacz właściciela odzyskanych godzin. Jeszcze przed wdrożeniem ustal, ile czasu ma zostać uwolnione, kto go odbierze i do jakiego wyniku go przypisze.
Odzyskany czas pozostawiony w kalendarzach szybko rozpływa się między spotkaniami, skrzynką odbiorczą i dodatkowymi zadaniami. Jego wartość pojawia się po przypisaniu do przepustowości, kosztu albo przychodu. Tę wartość należy wpisać do kalkulatora ROI.
W ROI and Shine stosujemy tę metodę w diagnozie AI, mapowaniu procesów, wdrożeniu i pomiarze po uruchomieniu. Zarząd dostaje business case oparty na danych operacyjnych, a zespół wdrożeniowy jasny cel do dowiezienia.
Źródła
- Narodowy Bank Polski, badanie „Szybki Monitoring", II kwartał 2026, za Polską Agencją Prasową (PAP)
- Eurostat, wykorzystanie sztucznej inteligencji w przedsiębiorstwach, dane za 2024 rok
- Polska Agencja Rozwoju Przedsiębiorczości (PARP) i Uniwersytet Jagielloński, badanie 1822 pracodawców z 12 branż, 2026
- Sage i IDC, badanie specjalistów finansowych i weryfikacji wyników AI
- Adaptavist, badanie pracowników wiedzy i czasu poświęcanego na kontrolę wyników AI
- Workday, badanie czasu oszczędzanego przez AI i traconego na poprawki
- BetterUp Labs i Stanford Social Media Lab, badanie zjawiska „workslop"
- McKinsey, The State of AI 2026
- Bank Gospodarstwa Krajowego (BGK), badanie priorytetów cyfryzacji i pomiaru KPI w polskich MŚP
- Reuters, Forbes i komunikaty spółki Chegg o redukcjach zatrudnienia w 2025 roku i kursie akcji
- The American Lawyer, ranking Am Law 100 za wyniki 2025 roku
- Brightflag, raport „Hourly Rates in Am Law 100 Firms: 2025 Edition"