78% deklaruje, 5% mierzy. Gdzie reszta gubi pieniądze?

CMO w polskiej firmie zatrudniającej 30 osób dostaje od zespołu raport: „Dzięki AI napisaliśmy 3x więcej postów, wysłaliśmy 2x więcej maili”. Wygląda jak sukces. Tylko że to nie jest miara sukcesu. To miara aktywności. A aktywność i przychód to dwie różne rzeczy. Global CMO Survey mówi, że 78% firm deklaruje używanie AI w marketingu, ale mniej niż 5% realnie mierzy jego wpływ na wyniki [1]. Reszta liczy vanity metrics i myśli, że ma ROI. Nie musicie być data science teamem, żeby to zmienić. Potrzebujecie trzech metryk i jednego testu.

Dlaczego 95% firm nie wie, czy AI działa

Problem nie leży w narzędziach. Leży w tym, co mierzymy. Większość zespołów marketingowych mierzy to, co łatwe: liczbę wygenerowanych grafik, objętość treści, czas wysyłki. To są metryki aktywności. Nie mówią nic o efekcie biznesowym [1].

Badania polowe Donatiego z TSE pokazują coś prostszego: jeśli nie masz pomiaru przed-po, efekt AI jest niewidoczny [2]. To znaczy, że możesz wdrożyć narzędzie za 5000 PLN miesięcznie, zwiększyć produkcję treści o 40%, a przychód nie drgnie. I nie będziesz wiedział dlaczego.

Główna bariera to brak danych do porównania [1]. Firmy nie mają baseline'u. Nie wiedzą, ile kosztowała ich kampania zanim włączyli AI, ile czasu zajmowała produkcja, jaki był CAC. Więc gdy AI przychodzi, nie mają do czego porównać.

Trzy metryki, które działają od pierwszego dnia

Nie potrzebujecie modeli atrybucji wielodotykowej ani uczenia maszynowego. Potrzebujecie trzech liczb, które możecie zebrać w Excelu w 30 minut.

1. CAC i zmiana czasu produkcji

Customer Acquisition Cost to wasza podstawa. Ale nie mierzcie go w skali miesiąca — mierzcie na kampanię. Weźcie ostatnie 3 kampanie przed AI i zapiszcie:

• koszt narzędzi i płatnych mediów
• koszt czasu pracy zespołu (wasze stawki godzinowe)
• liczba pozyskanych klientów

Potem to samo dla 3 kampanii z AI. Różnica w CAC to wasz pierwszy realny wskaźnik.

Do tego dorzućcie czas produkcji jednego assets. Przed AI: godzina na post na LinkedIn. Po AI: 15 minut. To nie jest jeszcze ROI, ale to jest podstawa do kalkulacji. Badania pokazują, że sama automatyzacja bez zmiany procesu nie daje ROI [2]. Musicie wiedzieć, czy skrócony czas idzie w więcej treści, czy w lepszą strategię.

2. Współczynnik konwersji: kampania z AI vs bez

To jest wasz test A/B na poziomie kampanii. Wybierzcie jeden kanał — np. mailing. Przygotujcie dwie wersje:

• kampania A: treści pisane przez człowieka
• kampania B: treści pisane z pomocą AI (generowane i edytowane)

Mierzcie ten sam okres, tę samą listę odbiorców (podzieloną losowo), tę samą ofertę. Współczynnik konwersji (otwarcia, kliknięcia, zakupy) powie wam, czy AI zmienia jakość, czy tylko objętość.

3. Koszt godziny pracy przed i po

To jest najprostsza i najbardziej pomijana metryka. Zapiszcie, ile godzin tygodniowo wasz zespół spędza na produkcji treści, analizie danych, korektach. Po wdrożeniu AI — to samo. Różnica razy stawka godzinowa daje wam oszczędność.

Uwaga: to nie jest jeszcze ROI. To jest oszczędność kosztów. Prawdziwy ROI pojawia się, gdy te zaoszczędzone godziny przekładają się na przychód — np. zespół robi więcej kampanii, testuje więcej wariantów, szybciej reaguje na rynek.

Atrybucja, żeby nie kłamała

Największy grzech polskich SME: atrybucja last-click. Klient kliknął w post na Facebooku, potem wszedł na stronę z maila, potem wrócił z Google i kupił. Last-click przypisze sprzedaż Google. AI, które pisało maila, dostanie zero.

Badania nad modelami atrybucji pokazują, że last-click systematycznie zaniża wpływ kanałów górnych i środkowych lejka [1]. A tam właśnie działa AI — w content marketingu, mailingu, social media.

Rozwiązanie? Nie potrzebujecie modelu MTA (multi-touch attribution). Potrzebujecie baseline'u.

Baseline jako grupa kontrolna

W marketingu B2B w polskich SME nie musicie robić randomizowanych prób klinicznych. Ale musicie mieć okres kontrolny. Wybierzcie jeden kanał — np. LinkedIn. Przez 2 tygodnie nie używajcie AI do postów. Mierzcie zasięg, kliknięcia, leady. Potem 2 tygodnie z AI. Porównajcie.

To nie jest idealne — sezonowość, inne kampanie, zmiany w algorytmie — ale daje wam punkt odniesienia. Badania pokazują, że firmy, które mierzą przed-po, widzą 3x większy zwrot z AI niż te, które tego nie robią [4]. Różnicę robi nie narzędzie, tylko proces pomiaru.

Krok po kroku: test AI w jednym kanale

Zróbcie to w 7 dni. Nie więcej. Im dłużej czekacie, tym więcej szumu w danych.

Krok 1: Wybierz kanał i okres testowy

Jeden kanał. Jeden typ treści. Np. maile transakcyjne albo posty na LinkedIn. Okres: 2 tygodnie przed, 2 tygodnie po. To wystarczy, żeby zobaczyć różnicę w otwarciach i kliknięciach.

McKinsey radzi budować pomiar od pojedynczych przypadków użycia, a nie od holistycznego ROI [3]. Mniejszy skok, ale realny. Wiecie, co działa, zanim wydacie pieniądze na skalowanie.

Krok 2: Zapisz, zanim włączysz narzędzie

Zanim dotkniecie jakiegokolwiek narzędzia AI, zapiszcie:

• obecny czas produkcji jednego assets (w minutach)
• koszt narzędzi, których używacie teraz
• współczynnik konwersji dla tego kanału (z ostatnich 4 tygodni)
• liczba leadów / sprzedaży z tego kanału

Bez tego nie będziecie mieli baseline'u. A bez baseline'u nie ma pomiaru [4].

Krok 3: Włącz AI i mierz

Uruchomcie narzędzie. Piszcie treści z AI. Ale nie puszczajcie ich bez edycji — to nie jest test automatyzacji, tylko test wspomagania. Edytujcie, poprawiajcie, dodawajcie kontekst.

Po 2 tygodniach porównajcie:

• czas produkcji (spadł? o ile?)
• współczynnik konwersji (wzrósł? spadł? bez zmian?)
• koszt kampanii (narzędzie + czas vs poprzedni koszt)

Kiedy uznać wynik za prawdziwy

Jeśli różnica w konwersji jest mniejsza niż 10% — to może być szum. Jeśli różnica jest większa niż 20% i utrzymuje się przez 2 tygodnie — to jest sygnał. Powtórzcie test w innym kanale, żeby potwierdzić.

Badania Donatiego pokazują, że efekt AI wymaga zmiany procesów, nie tylko automatyzacji [2]. Jeśli test wykaże wzrost konwersji, ale spadek jakości (więcej kliknięć, mniej zakupów) — znaczy, że AI generuje treści, które klikają, ale nie sprzedają. To też jest wynik.

Ograniczenia takiego testu

Ten framework nie jest idealny. Oto co może pójść źle.

Sezonowość. Test robicie w lutym, a wasza branża ma sezon w marcu. Różnica w konwersji może wynikać z kalendarza, nie z AI. Rozwiązanie: powtórzcie test w innym okresie.

Mała próbka. Jeśli generujecie 10 leadów miesięcznie, różnica 2 leadów to 20%. Ale to może być przypadek. Potrzebujecie większej próbki albo dłuższego okresu.

Efekt nowości. Zespół może być bardziej zaangażowany, bo testujecie nowe narzędzie. To daje fałszywie pozytywny wynik. Rozwiązanie: testujcie przez 4 tygodnie, nie 2.

Brak grupy kontrolnej. W idealnym świecie mielibyście połowę klientów obsługiwaną przez AI, połowę bez. W SME to rzadko możliwe. Ale możecie zrobić test A/B na liście mailingowej — połowa dostaje treści z AI, połowa bez.

Halucynacje i błędy. AI generuje treści, które wyglądają dobrze, ale mogą zawierać błędy merytoryczne. W marketingu B2B jeden błąd w danych może zniszczyć zaufanie. Testujcie jakość, nie tylko ilość.

Co dalej

Zróbcie ten test w przyszłym tygodniu. Wybierzcie jeden kanał, zapiszcie baseline, włączcie AI na 2 tygodnie, porównajcie. To kosztuje was 2 godziny roboty, a daje odpowiedź, czy AI w waszym marketingu działa, czy tylko robi hałas.

Jeśli test wykaże wzrost — skalujcie na kolejny kanał. Jeśli nie — zmieńcie narzędzie albo proces. Ale przynajmniej będziecie wiedzieć.

W Aion Automation testujemy takie podejście u klientów od miesięcy. W 8 na 10 przypadków różnicę robi nie samo narzędzie, tylko to, że ktoś w ogóle zaczął mierzyć.

Źródła

[1] AI marketing effectiveness metrics (2020-2026) — Frontiers in Psychology. Link: https://www.frontiersin.org/journals/psychology

[2] Generative AI and Firm Productivity: Field Experiments (Donati, TSE 2026). Link: https://www.tse-fr.eu/sites/default/files/TSE/documents/conf/2026/digital/paper_-_donati_-_generative_ai_and_firm_productivity.pdf

[3] McKinsey - generative AI agents series: a strategic rationale. Link: https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/a-generative-ai-agents-series-a-strategic-rationale

[4] What drives the corporate payoffs of using generative AI (Research Policy, 2024). Link: https://www.sciencedirect.com/science/article/abs/pii/S0954349X24001413