Artykuły AI
Tylko 16% firm widzi wysoką, mierzalną wartość z AI. HBR proponuje trzy warstwy pomiaru, które oddzielają wkład człowieka, systemu i pracy wspólnej.
6 lipca 2026 Harvard Business Review opublikował artykuł, w którym Randy Bean, Erik Strauss i Randeep Singh stawiają prostą tezę: klasyczne miary wyników, produktywność, realizacja celów i efektywność, przestają działać w pracy wspieranej przez AI. Pracownik, który szybko klika przez podpowiedzi modelu, wygląda na wydajnego, a osoba, która weryfikuje założenia i wychwytuje błędy AI, wygląda na wolniejszą, choć wnosi więcej wartości. Autorzy proponują trzy warstwy pomiaru, oddzielające wkład człowieka, wyniki samego systemu i efekt pracy wspólnej. To temat, który dla firm sprowadza się do jednego pytania: dlaczego AI często nie widać w wynikach i jak zmierzyć jej realny efekt.
W artykule z 6 lipca 2026 Harvard Business Review opisuje problem, który zna coraz więcej zarządów. Firmy wdrażają AI i jednocześnie oceniają ludzi tymi samymi wskaźnikami co wcześniej, opartymi na produktywności i tempie pracy. W efekcie pomiar premiuje szybkie korzystanie z modelu, a nie jakość wyniku. Osoba, która przyjmuje odpowiedź AI bez sprawdzenia, wypada lepiej w statystykach niż osoba, która tę odpowiedź weryfikuje i poprawia, mimo że to ta druga chroni firmę przed błędem.
Autorzy, Randy Bean, Erik Strauss i Randeep Singh, proponują trzy warstwy pomiaru. Pierwsza opisuje wkład człowieka, w tym ocenę, wiedzę kontekstową i wychwytywanie błędów. Druga opisuje wyniki samego systemu AI i agentów, na przykład trafność i powtarzalność. Trzecia opisuje efekt pracy wspólnej człowiek plus AI, czyli realny wynik procesu, który powstaje z połączenia obu. Sens jest taki, żeby nie mylić trzech różnych rzeczy w jednej liczbie.
Kontekst daje badanie Harvard Business Review Analytic Services z marca 2026, przeprowadzone na 385 decydentach z firm, które eksplorują, pilotują lub aktywnie używają AI. Tylko 16% raportuje wysoką, mierzalną wartość z inwestycji w AI. Pozostali opisują efekt jako umiarkowany (33%), niewielki (36%) lub bez mierzalnej wartości (8%). Jednocześnie 71% firm, które wpięły AI w swoje procesy, uzyskuje wartość istotną lub umiarkowaną. Firmy najczęściej widzą poprawę w produktywności (około 64%) i efektywności operacyjnej (około 58%), a wyraźnie rzadziej w nowych przychodach i twardym ROI.
Ten obraz jest spójny z szerszymi danymi. Deloitte w raporcie The State of AI in the Enterprise 2026 podaje, że dwie trzecie firm raportuje już zyski w produktywności i efektywności, ale tylko jedna trzecia głęboko transformuje działanie wokół AI, kolejna jedna trzecia przeprojektowuje wybrane procesy, a ostatnia jedna trzecia korzysta powierzchownie. McKinsey w swoim badaniu stanu AI wskazuje, że istotną wartość realizuje niewielki odsetek firm, a różnicę robi przeprojektowanie pracy, a nie sam dostęp do modelu.
Wniosek jest niewygodny: AI może być intensywnie używana, a wynik finansowy i tak się nie poprawi, jeśli firma nie mierzy właściwych rzeczy. Luka między adopcją a zwrotem, którą Harvard Business Review opisywał już w lutym 2026 w tekście o ROI z AI, w dużej części bierze się z pomiaru. Kiedy jedynym wskaźnikiem jest liczba zapytań do narzędzia albo subiektywne poczucie, że jest szybciej, nie da się odróżnić realnej wartości od samej aktywności.
Dla firmy planującej lub prowadzącej wdrożenie oznacza to zmianę kolejności. Zanim dobierzesz narzędzie, ustal, co dokładnie ma się poprawić w konkretnym procesie i po czym to poznasz. Jeśli 71% firm wpinających AI w procesy uzyskuje wartość, a tylko 16% widzi wysoką mierzalną wartość ogółem, to różnica leży w dyscyplinie pomiaru i integracji, a nie w samym modelu. Pomiar przestaje być formalnością na koniec projektu, staje się częścią jego projektu od pierwszego dnia.
Problem biznesowy: asystent AI odpowiada na zgłoszenia szybciej, ale zarząd nie wie, czy klienci są bardziej zadowoleni, czy tylko szybciej dostają błędną odpowiedź.
Możliwe rozwiązanie AI: asystent obsługujący powtarzalne zgłoszenia z eskalacją trudnych spraw do człowieka, mierzony jednocześnie tempem i jakością.
Dane i procesy do wdrożenia: punkt odniesienia sprzed wdrożenia (czas pierwszej odpowiedzi, odsetek rozwiązań bez ponownego kontaktu), historia zgłoszeń, jasne reguły eskalacji i przegląd próbki odpowiedzi.
Potencjalny efekt: krótszy czas odpowiedzi przy utrzymanej lub wyższej jakości, widoczny w spadku ponownych kontaktów w tej samej sprawie.
Ryzyko i ograniczenie: skupienie się wyłącznie na czasie obsługi ukrywa spadek jakości. Miara tempa musi iść w parze z miarą jakości i odsetkiem spraw eskalowanych.
Problem biznesowy: analitycy generują raporty i podsumowania z pomocą AI szybciej, ale rośnie ryzyko, że błąd w danych lub w interpretacji przejdzie dalej niezauważony.
Możliwe rozwiązanie AI: asystent przygotowujący wstępne analizy i podsumowania, z człowiekiem w roli weryfikatora założeń i wyników.
Dane i procesy do wdrożenia: rozdzielenie pomiaru na trzy warstwy według ram HBR, czyli wynik samego modelu, wkład weryfikującego człowieka i jakość finalnego raportu, oraz rejestr wychwyconych błędów.
Potencjalny efekt: szybsze przygotowanie materiałów przy zachowaniu kontroli nad poprawnością, z jawnie docenioną pracą osób wychwytujących błędy.
Ryzyko i ograniczenie: jeśli premiujesz tylko tempo, zespół przestaje weryfikować wyniki. Wartość wnosi kontrola jakości, więc ona też musi być mierzona i doceniana.
Problem biznesowy: AI przyspiesza odczyt faktur i dopasowanie zamówień, ale bez punktu odniesienia nikt nie potrafi powiedzieć, ile firma realnie zaoszczędziła.
Możliwe rozwiązanie AI: automatyczny odczyt danych z dokumentów i dopasowanie do zamówień z akceptacją człowieka przy operacjach powyżej ustalonego progu.
Dane i procesy do wdrożenia: zmierzony stan sprzed wdrożenia (czas obsługi dokumentu, odsetek błędów, koszt na dokument), ustrukturyzowane dane księgowe i ścieżka zatwierdzania.
Potencjalny efekt: policzalny spadek czasu i błędów na dokument, przeliczony na koszt procesu, a nie tylko wrażenie, że jest szybciej.
Ryzyko i ograniczenie: pominięcie kosztu weryfikacji i integracji zawyża zwrot. Do rachunku trzeba wliczyć czas zespołu na kontrolę wyników.
Problem biznesowy: handlowcy szybciej przygotowują oferty z pomocą AI, ale liczba ofert rośnie bez wzrostu sprzedaży, więc wartość jest niejasna.
Możliwe rozwiązanie AI: asystent przygotowujący wstępne wersje ofert z firmowych materiałów, do weryfikacji i podpisu handlowca.
Dane i procesy do wdrożenia: miary wpływu zamiast miar aktywności, czyli skrócenie cyklu sprzedaży i współczynnik konwersji, a nie sama liczba wygenerowanych ofert, oparte na aktualnych cennikach i regułach rabatowych.
Potencjalny efekt: krótszy czas przygotowania oferty przełożony na krótszy cykl sprzedaży i wyższą konwersję, a nie tylko na większy wolumen dokumentów.
Ryzyko i ograniczenie: liczenie samej liczby ofert myli aktywność z wynikiem. Nieaktualne dane cenowe dodatkowo psują jakość, więc źródło potrzebuje właściciela.
Zacznij od jednego procesu i zdefiniuj, co ma się w nim poprawić. Wybierz obszar z wyraźnym właścicielem i celem, na przykład obsługę zgłoszeń albo obieg faktur, i zapisz, która wielkość ma spaść lub wzrosnąć.
Zmierz punkt odniesienia przed wdrożeniem. Bez zapisanego stanu wyjściowego, czyli czasu, kosztu i poziomu błędów, późniejszy efekt jest tylko wrażeniem. Ten pomiar jest tani, jeśli zrobisz go przed startem, i niemożliwy do odtworzenia później.
Rozdziel pomiar na warstwy zgodnie z ramami HBR. Osobno patrz na wynik samego narzędzia, osobno na wkład człowieka, który weryfikuje i poprawia, i osobno na finalny wynik procesu. Dzięki temu nie ukarzesz osób, które chronią firmę przed błędem AI.
Licz koszt całkowity, nie tylko licencję. Do rachunku wejdą integracja, utrzymanie danych i czas zespołu na kontrolę wyników. Dopiero pełny koszt zestawiony z policzonym efektem pokazuje realny zwrot.
Mierz jakość i bezpieczeństwo, nie tylko tempo. Dodaj wskaźnik jakości, na przykład odsetek wyników wymagających poprawki, i pilnuj, gdzie kończy się autonomia narzędzia. Model dobierz na końcu, bo to najłatwiejszy do wymiany element.
Bezpieczeństwo danych: dane wrażliwe trafiające do narzędzi AI wymagają jasnych reguł, kontroli dostępu i wiedzy, gdzie oraz jak są przetwarzane. Pomiar wartości nie może przesłonić pomiaru ryzyka.
Shadow AI: pracownicy używający prywatnych narzędzi bez wiedzy firmy tworzą lukę w bezpieczeństwie i zniekształcają pomiar, bo część efektów powstaje poza kontrolą. Lepiej udostępnić zatwierdzone narzędzie z zasadami niż udawać, że problemu nie ma.
Koszty i zawyżony zwrot: pominięcie kosztu integracji, utrzymania danych i czasu na weryfikację zawyża ROI. Rachunek bez tych pozycji prowadzi do rozczarowania po kilku miesiącach.
Mylenie aktywności z wartością: liczba zapytań do modelu albo liczba wygenerowanych dokumentów mówi tylko, że narzędzie jest używane. Wartość widać dopiero w wyniku procesu powiązanym z celem biznesowym.
Brak właściciela procesu i kontroli jakości: bez osoby odpowiedzialnej za wynik i za przegląd jakości AI potrafi podać błędną odpowiedź w przekonującej formie, a firma tego nie zauważy, dopóki nie zrobi się szkoda.
AI często nie pojawia się w wynikach firmy nie dlatego, że nie działa, tylko dlatego, że mierzymy ją starymi wskaźnikami. Harvard Business Review pokazuje 6 lipca 2026, że klasyczne miary produktywności premiują szybkie korzystanie z modelu zamiast jakości wyniku, i proponuje rozdzielenie pomiaru na wkład człowieka, wyniki systemu i efekt pracy wspólnej. Dane to potwierdzają: tylko 16% firm widzi wysoką mierzalną wartość, ale 71% tych, które wpięły AI w procesy, wartość uzyskuje. Dla firmy wniosek jest praktyczny. Zdefiniuj, co ma się poprawić, zmierz stan wyjściowy przed startem, licz pełny koszt i jakość, a nie samą aktywność, i dobierz model na końcu. Wartość AI trzeba zaprojektować i zmierzyć na poziomie procesu, bo sama się nie policzy.