Najbardziej mylące we wdrażaniu AI w firmie jest przekonanie, że postęp da się opisać jedną liczbą, nawet jeśli ta liczba jest całkowicie prawdziwa. Kiedy zaczynaliśmy własną transformację AI w Future Processing, zakładaliśmy, że rzetelny pomiar jej efektów będzie jednym z największych wyzwań biznesowych. Dlatego od początku szczegółowo mierzyliśmy – i nadal regularnie mierzymy – poziom adopcji AI. Chcieliśmy oceniać skuteczność własnych działań, ale też podzielić się wynikami z organizacjami, które są na wcześniejszym etapie tej drogi.
W pierwszym ogólnofirmowym badaniu, przeprowadzonym w 2025 roku, 81% respondentów zadeklarowało, że korzysta z narzędzi sztucznej inteligencji. Brzmi jak solidny wynik. Jednocześnie ci sami badani ocenili wspólne korzystanie z AI w zespołach na 34 punkty w skali do 100. Technologia była więc obecna na stanowiskach pracy, ale znacznie słabiej zakorzeniona w sposobie działania organizacji. Widzieliśmy mikroefektywność, która nie przekładała się na efektywność procesów.
Dla CIO, który ocenia wydajność całej organizacji, to różnica zasadnicza. Pracownik, który z pomocą AI wykonuje swoje zadanie szybciej, wcale nie musi przyspieszać pracy zespołu. Jego wynik nadal czeka, aż zespół go wykorzysta i zaakceptuje. Osoba odpowiedzialna za kolejny krok zajmuje się czymś innym, bo nie spodziewała się rezultatu tak szybko. Dotychczasowy, sprawdzony sposób wytwarzania oprogramowania nie radzi sobie z nowymi wąskimi gardłami. Oszczędność czasu okazuje się więc pozorna. Zarząd widzi rosnącą liczbę użytkowników i atrakcyjne wskaźniki adopcji, ale wydajność procesu za nimi nie nadąża. Dlatego warto sprawdzać, co dzieje się dalej z pracą przyspieszoną przez AI, zamiast poprzestawać na liczbie aktywnych użytkowników.
Właśnie z tego powodu, wbrew rynkowej narracji, w naszej transformacji świadomie unikaliśmy celu w rodzaju „wszyscy mają korzystać z AI”. Zaczęliśmy od pytania, jakie umiejętności, reguły i praktyki muszą pojawić się w zespołach, aby AI stała się elementem powtarzalnej pracy. W ciągu piętnastu miesięcy zbudowaliśmy program obejmujący całą firmę i mierzyliśmy go na kilku poziomach. Te wyniki się uzupełniają, ale nie są wymienne – i to również ważna lekcja dla CIO.
Trzy pojęcia, których nie wolno mylić
Adopcja mówi, kto używa AI i jak często. Dojrzałość opisuje, czy za tym używaniem stoją kompetencje, reguły i wspólne praktyki. Transformacja zaczyna się dopiero wtedy, gdy organizacja przeprojektowuje procesy wokół nowego sposobu pracy. Można osiągnąć wysoki wynik w pierwszym obszarze, nie robiąc postępów w trzecim.
Co pokazały dwa pomiary
Badanie przeprowadziliśmy w dwóch etapach. Latem 2025 roku w pierwszej fali ankiety wzięło udział 446 osób, co stanowiło 66% pracowników. Drugą falę zrealizowaliśmy w kwietniu 2026 roku, obejmując nią 480 respondentów. W obu etapach uczestniczyły 293 osoby. Pierwszy kwestionariusz zawierał około 90 pytań, natomiast drugi był krótszy, ale zachował porównywalny zakres tematyczny. To pomiar jednej organizacji, oparty na deklaracjach pracowników, a nie próba reprezentatywna dla polskiego rynku. Samoocena zawsze niesie element subiektywności. Częściowo ograniczamy ten efekt, bo wnioski opieramy przede wszystkim na zmianie między dwiema falami badania w tej samej firmie – choć takie porównanie nie eliminuje różnic w składzie respondentów.
Sporo pokazało nam porównanie obu fal. W drugim pomiarze ocena wspólnego korzystania z AI w zespole wzrosła z 34 do 52,7 punktu. Codzienne korzystanie z technologii w całej firmie się podwoiło. Zauważyliśmy też, że częstsza zespołowa praktyka AI współwystępowała z wyższą oceną jej wkładu w powodzenie projektu (korelacja r = 0,42), nawet po uwzględnieniu korzystania z narzędzi przez poszczególne osoby. Nie jest to dowód na przyczynowość ani obiektywny pomiar sukcesu projektów. Pokazuje jednak, dlaczego samo liczenie licencji to za mało.
Istotna jest kolejność zdarzeń. Obie ankiety zrealizowaliśmy przed wprowadzeniem nowych wspólnych standardów transformacji delivery. Wzrost z 34 do 52,7 punktu nie jest więc miarą skuteczności tych późniejszych standardów. Mówi o zmianie umiejętności i zachowań obserwowanej w czasie rozwijania programu, a nie o zamkniętym rachunku korzyści biznesowych.
Co rzeczywiście zmieniliśmy
Pierwsze decyzje nie dotyczyły wyboru narzędzi ani konkretnego modelu językowego. Zarząd nadał adopcji AI status programu obejmującego całą firmę: z celami, budżetem, odpowiedzialnością za poszczególne obszary i regularnym przeglądem postępów. Nie ustaliliśmy na starcie arbitralnej liczby godzin, które technologia miałaby „odzyskać”. Ustaliliśmy cel kompetencyjny: ludzie mają umieć korzystać z AI według rozpoznawalnego, wspólnego sposobu pracy.
Drugim krokiem był katalog narzędzi i dostęp do nich bez tworzenia szarej strefy. Wprowadziliśmy centralne finansowanie i jedną ścieżkę akceptacji. Przyjęty KPI zakładał decyzję o dostępie w ciągu najwyżej dwóch dni roboczych. Równocześnie z uruchomieniem oficjalnej ścieżki opublikowaliśmy pierwszą politykę wykorzystania AI. Określała, jakie dane można przetwarzać, do kogo należą wyniki i kto odpowiada za korzystanie z narzędzi. Nie chcieliśmy procedury tak powolnej, że ludzie zaczną pracować na prywatnych kontach.
Trzeci krok okazał się najbardziej pracochłonny. Dostęp do narzędzia nie tworzy sam z siebie kompetencji zespołu. Budując strategię, uznaliśmy, że w obszarze kompetencji potrzebujemy przyspieszonej ewolucji, a nie rewolucji. W delivery opisaliśmy więc oczekiwane umiejętności AI dla poszczególnych ról i włączyliśmy je do celów. Architekt potrzebuje innych praktyk niż tester czy analityk. Wspólnym mianownikiem pozostają ocena jakości wyniku, praca na właściwych danych, eksperymentowanie i umiejętność przekazania sprawdzonej metody innym.
Zamiast budować odrębną organizację „od AI”, wsparliśmy osoby już pracujące w projektach. W programie AI-Boosted Delivery działa około 35 AI Masterów – doświadczonych specjalistów, którzy mają wyznaczony czas na rozwój metod i wspieranie zespołów. W każdym projekcie funkcjonuje AI Champion, który dba o stosowanie wypracowanego standardu. Obie funkcje istnieją obok dotychczasowych ról, a nie zamiast nich. Dzięki temu wiedza nie zamyka się w centralnym zespole i może przejść do codziennej praktyki projektów.
Od eksperymentu do metody, z której skorzysta następny zespół
Najłatwiej pochwalić się efektownym pokazem działania AI. Najtrudniej sprawić, aby kolejny zespół osiągnął podobny rezultat bez pomocy autora pomysłu. Dlatego wprowadziliśmy otwarty rejestr eksperymentów, obejmujący nie tylko delivery, lecz także inne obszary firmy. Dziś zawiera ponad 250 prób, wiele z nich nieudanych. To celowe: rejestr samych sukcesów nie pokazuje, czego organizacja naprawdę się nauczyła. Bez przyzwolenia na porażki nie ma postępu.
Eksperymenty trzeba jednak systemowo filtrować. W Future Processing sama prezentacja rozwiązania i wpis do rejestru nie wystarczą, by nazwać je standardem. Pomysłodawca musi udokumentować efekt, powiązane ryzyka i warunki zastosowania, a metodę sprawdzić w więcej niż jednym projekcie dla klienta. Na koniec ocenia ją komisja złożona z pozostałych AI Masterów. Dopiero po tej weryfikacji metoda trafia do biblioteki rozwiązań gotowych do ponownego wykorzystania. W toku transformacji liczba zatwierdzonych metod delivery wzrosła z sześciu do osiemnastu.
To miara odrębna od wyników ankiet. Nie mówi, ilu pracowników uważa AI za użyteczną. Pokazuje, ile konkretnych sposobów pracy przeszło przez przyjęte kryteria ponownego użycia. Dlatego oba rodzaje pomiarów powinny trafiać do zarządu obok siebie, a nie być sprowadzane do jednego wskaźnika „dojrzałości AI”.
Dodatkowo co kwartał oceniamy dojrzałość centrów kompetencyjnych w pięciostopniowej skali, opartej na zachowaniach, które da się zaobserwować. W trzech dotychczasowych pomiarach wynik obszaru „ludzie” wzrósł z 2,56 do 2,89, a obszaru procesów wspieranych przez AI – z 2,11 do 2,56. To inna skala niż ankietowa ocena zespołowego korzystania z AI. Zamienne używanie tych liczb stworzyłoby pozór precyzji tam, gdzie mierzymy różne zjawiska.
Co po badaniach?
Badania traktujemy jako fundament decyzji, który napędza całą naszą zmianę. Dzięki systemowemu podejściu mogliśmy w kontrolowany sposób wdrażać kolejne inicjatywy, rozbudowywać przyspieszony przez AI playbook dostarczania rozwiązań klientom, a nawet zbudować platformę AI-native Delivery Engine, za pomocą której AI może autonomicznie dostarczać nawet całe elementy rozwiązań produkcyjnych. Zakres tej autonomii ustalamy dla każdego projektu, razem z zasadami weryfikacji wyników przez ludzi.
Badania pokazały nam jednak coś jeszcze. O efektywności nie decyduje wyłącznie to, co robimy, lecz także to, jak to robimy i jak kaskadujemy działania, aby wzrost wydajności kumulował się w skali całej organizacji.
Pięć decyzji, które CIO może podjąć teraz
Po pierwsze: zbudować punkt odniesienia przed kolejnym zakupem. Badanie powinno oddzielać indywidualne korzystanie z AI od wspólnej pracy zespołu. Datę drugiego pomiaru warto ustalić od razu: jedna ankieta pokazuje stan, dwie zaczynają pokazywać kierunek.
Po drugie: połączyć dostęp z zasadami. Zatwierdzona ścieżka musi być szybka, a polityka na tyle prosta, by dało się jej używać w codziennej pracy. Długa procedura akceptacji wypycha ludzi na prywatne konta – a wtedy organizacja mierzy tylko tę część korzystania z AI, którą widzi.
Po trzecie: wpisać kompetencje w konkretne role. Ogólne szkolenie nie zastąpi ustalenia, co analityk, architekt, tester czy lider zespołu ma umieć zrobić z AI i jak rozpoznać wynik właściwej jakości.
Po czwarte: wyznaczyć właściciela drogi od eksperymentu do standardu. Potrzebne są jasne kryteria oceny efektu i ryzyka oraz osoba, która dopilnuje, aby sprawdzona metoda wyszła poza zespół, w którym powstała.
Po piąte: mierzyć przepływ pracy, a nie pojedynczą czynność. Szybsze generowanie kodu nie musi oznaczać krótszego cyklu dostarczenia funkcjonalności. Tempo całego procesu nadal wyznaczają przeglądy, testy, decyzje klienta i odbiór.
Po piętnastu miesiącach potrafimy wykazać zmianę praktyk zespołowych, wzrost ocen dojrzałości i rozwój biblioteki metod wykorzystywanych w projektach. Nie mamy natomiast jednej potwierdzonej liczby opisującej finansowy zwrot z inwestycji w skali całej firmy. Taki rachunek wymaga pełnego okresu pracy w nowym modelu.
To nie jest słabość pomiaru. To jego uczciwa granica. CIO potrzebuje liczb, które pomagają podjąć kolejną decyzję – a nie liczby, która ma za wszelką cenę potwierdzić słuszność poprzedniej.
Mike Zamarski, doradca ds. strategii AI w Future Processing, twórca czteroetapowego Modelu Odporności Organizacyjnej w kontekście AI
