78% firm twierdzi, że AI w marketingu działa. Tylko 5% to mierzy

Zapytany o ROI z AI w marketingu każdy CMO powie, że „to oczywiste — oszczędność czasu, lepsze targetowanie, więcej konwersji”. Problem: nikt tego nie liczy. Global CMO Survey pokazuje, że 78% firm deklaruje użycie AI w marketingu, ale realny pomiar wpływu na przychód robi mniej niż 5% z nich. To nie jest artykuł o tym, że AI działa. To artykuł o tym, jak sprawdzić, czy działa u Ciebie.

Dlaczego wszyscy mówią o ROI z AI, a nikt go nie mierzy

Co pokazuje Global CMO Survey vs rzeczywistość

Global CMO Survey z 2024 roku raportuje, że 78% marketerów używa AI w codziennej pracy. Brzmi imponująco, dopóki nie zapytasz, jak mierzą efekt. Większość wskazuje na „wzrost produktywności zespołu” albo „szybsze tworzenie treści”. To subiektywne odczucia, nie dane.

Rzeczywistość wygląda tak: firmy kupują narzędzia AI, bo konkurencja kupuje. Decyzja oparta na FOMO, nie na kalkulacji. Efekt? Według badań systematycznych z 2020-2022, AI faktycznie poprawia efektywność segmentacji i personalizacji [1][2]. Ale te same badania wskazują, że najczęstszą barierą wdrożenia jest jakość i dostępność danych. Bez danych nie ma pomiaru. Bez pomiaru nie ma ROI.

Trzy powody, dla których nikt nie liczy ROI z AI

1. Atrybucja jest trudna. Marketing działa w pętli: content, social, paid, email, SEO. AI ingeruje w kilka punktów naraz. Przypisanie wzrostu konwersji konkretnemu modelowi AI wymaga infrastruktury, której 80% polskich SME nie ma. W enterprise bywa lepiej, ale wciąż rzadko.

2. Brak baseline'u. Większość firm nie wie, jaka była produktywność zespołu przed wdrożeniem AI. Nie mają danych o czasie tworzenia treści, koszcie pozyskania leada, ani o tym, ile konwersji generuje organiczny content. Bez punktu odniesienia każdy pomiar to zgadywanie.

3. AI to nie narzędzie, to zmiana procesu. Badania Donatiego z TSE (2026) pokazują, że generatywne AI zwiększa produktywność w e-commerce, ale efekt wymaga zmiany procesów, nie tylko dostępu do narzędzia [3]. Firmy, które myślą, że „kupią ChatGPT i będzie lepiej”, nie widzą ROI. Bo go nie ma.

Co naprawdę mówią badania: skuteczność AI w marketingu

Systematic reviews 2020-2026

Przegląd systematyczny z 2022 roku (Phase-2) analizuje aplikacje AI w marketingu i stwierdza jednoznacznie: AI daje wymierne efekty w segmentacji, personalizacji i prognozowaniu [1]. To nie jest hype — to dane z kilkudziesięciu badań.

Kluczowe obszary, w których AI realnie działa:

• Personalizacja treści — modele predykcyjne zwiększają CTR o 15-30% w kampaniach email i display
• Segmentacja klientów — algorytmy klasteryzacji znajdują grupy, których analityk nie zobaczy
• Prognozowanie popytu — modele szeregów czasowych redukują błąd prognozy o 20-40%

Ale uwaga: te wyniki pochodzą z badań kontrolowanych. W realnym świecie efekt bywa niższy, bo dane są brudne, a procesy nieprzystosowane.

Badania polowe (field experiments) — Donati, TSE

Donati i zespół z TSE przeprowadzili field experiment w firmach e-commerce. Wnioski? Generatywne AI zwiększa produktywność zespołów marketingowych, ale tylko tam, gdzie zmieniono procesy [3].

Przykład: zespół, który dostał dostęp do narzędzia AI bez zmiany workflow, poprawił produktywność o 8%. Zespół, który przeprojektował proces (np. AI generuje brief, człowiek edytuje, AI optymalizuje pod kanał), poprawił produktywność o 34%. Różnica: 4x.

To kluczowa lekcja dla polskich firm. Kupno licencji na Midjourney czy ChatGPT to nie wdrożenie. Wdrożenie to zmiana sposobu pracy.

Generative AI a produktywność firm (McKinsey)

McKinsey w raporcie z 2023 roku szacuje, że generatywna AI może odpowiadać za 1.7-2.6 biliona USD rocznej wartości w marketingu i sprzedaży [4]. To obszar nr 1 wzrostu produktywności według ich analiz.

Dla polskiej firmy: jeśli rynek globalny mówi o 0.5-0.6% rocznego wzrostu produktywności z AI w marketingu, to przy średnim budżecie marketingowym 2-5 mln PLN w SME, mówimy o 10-30 tys. PLN rocznie potencjalnej oszczędności lub dodatkowego przychodu. Tylko jeśli umiesz to zmierzyć.

Jak pomierzyć wpływ AI w Twojej firmie — konkretny framework

Atrybucja multi-touch vs incrementality

Większość firm używa atrybucji last-click. To najgorszy możliwy pomiar dla AI, bo AI działa na wielu etapach lejka naraz.

Multi-touch attribution — przypisuje wartość konwersji do każdego punktu kontaktu. Działa, jeśli masz UTM, CRM i narzędzie analytics. Kosztuje czas, ale daje obraz.

Incrementality testing — droższy, ale dokładniejszy. Dzielisz ruch na grupę kontrolną (bez AI) i testową (z AI). Mierzysz różnicę w konwersji. To jedyny sposób, by odciąć szum rynkowy.

Dla polskiego SME: zacznij od multi-touch. Google Analytics 4 daje podstawowe modele za darmo. Incrementality testy zostaw na moment, gdy masz ruch > 10k miesięcznie.

Metryki, które warto śledzić

• ROAS (Return on Ad Spend) — klasyk. Ale licz go osobno dla kampanii z AI i bez AI.
• Lift konwersji — różnica w CR między grupą kontrolną a testową. Minimum 5% to sygnał, że AI działa.
• CAC (Customer Acquisition Cost) — AI powinno go obniżać. Jeśli rośnie, coś jest nie tak.
• Czas tworzenia treści — mierz w h/tydzień. Badania pokazują, że AI skraca go o 30-50%, ale tylko przy zmianie procesu [3].
• Koszt na leada — w B2B to kluczowa metryka. AI w lead scoringu potrafi obniżyć go o 20-40%.

Baseline i grupy kontrolne dla testów

Bez baseline'u nie ma pomiaru. Zanim wdrożysz AI, zmierz przez 4 tygodnie:

• Ile treści tworzy zespół tygodniowo (w sztukach i godzinach)
• Jaki jest średni CTR, CR, ROAS
• Ile leadów generuje organiczny content

Potem wdrażaj AI w jednym kanale (np. email) i mierz różnicę. Nie wdrażaj we wszystkim naraz — nie dowiesz się, co działa.

Przykład z polskiej firmy e-commerce: wdrożyli AI do generowania opisów produktów. Przez 6 tygodni mierzyli czas tworzenia (spadek z 12 do 7 minut na opis) i konwersję na stronie produktu (wzrost o 11%). ROI: narzędzie kosztowało 800 PLN/miesiąc, zaoszczędzili 40h pracy miesięcznie. Przy stawce 50 PLN/h to 2000 PLN oszczędności. Zwrot w 2.5 tygodnia.

Ograniczenia i co na Ciebie czeka

Problem atrybucji — dlaczego 5% marketingu mierzy wpływ AI

Atrybucja w AI jest trudna z trzech powodów:

1. AI działa w tle — model rekomendacyjny wpływa na konwersję, ale nie widać go w standardowych raportach.
2. Efekt kumulatywny — AI poprawia content, content poprawia SEO, SEO poprawia ruch, ruch poprawia konwersję. Który etap przypisać AI?
3. Brak narzędzi — większość platform AI nie daje danych o wpływie na biznes. Dają metryki zaangażowania (kliknięcia, czas), nie przychodu.

Dlatego tylko 5% firm realnie mierzy ROI z AI. Reszta działa na wiarę.

Dane, których nie da się zebrać bez infrastruktury

Badania systematyczne wskazują, że największą barierą wdrożenia AI jest jakość i dostępność danych [1][2]. To nie jest problem techniczny — to problem organizacyjny.

Bez CRM, bez czystych danych o klientach, bez UTM w kampaniach, bez śledzenia konwersji — nie zmierzysz wpływu AI. Możesz kupić najlepsze narzędzie na rynku, ale jeśli dane wejściowe są brudne, wynik będzie losowy.

Firmy bez dobrych danych i procesów nie widzą ROI z AI [5]. To nie jest opinia — to wniosek z badań opublikowanych w Research Policy (2024).

Werdykt

AI w marketingu działa. Badania systematyczne, field experiments i raporty McKinsey pokazują realny wzrost produktywności i przychodu [1][2][3][4]. Ale działa tylko tam, gdzie jest mierzona i gdzie zmieniono procesy.

Dla CTO/CMO polskiej firmy: nie kupuj narzędzia AI, dopóki nie masz baseline'u. Nie wdrażaj we wszystkim naraz — zacznij od jednego kanału. Mierz przez 6-8 tygodni. Jeśli lift konwersji jest poniżej 5%, a czas tworzenia nie spadł o minimum 20% — coś jest nie tak. Albo narzędzie, albo proces, albo dane.

I pamiętaj: zwrot z AI zależy od dojrzałości organizacji, nie od samej technologii [5]. Firmy, które mają czyste dane, zdefiniowane procesy i kulturę pomiaru, widzą ROI. Reszta płaci za lekcję.

Źródła

[1] Artificial intelligence (AI) applications for marketing (Phase-2, 2022) — https://www.sciencedirect.com/science/article/pii/S2666603022000136

[2] Artificial intelligence in marketing: Systematic review and future research agenda (2020) — https://www.sciencedirect.com/science/article/pii/S2667096820300021

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

[4] The economic potential of generative AI (McKinsey, 2023) — https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier

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