90% inwestuje, 12% mierzy. To jest różnica między zyskiem a wydatkiem.

90% CMO deklaruje wzrost budżetów AI. Tylko 12% potrafi zmierzyć realny wpływ na biznes [1]. Reszta wydaje pieniądze na narzędzia, licząc, że samo posiadanie AI przyniesie zysk. To nie działa. Firmy, które widzą zwrot, różni od reszty jedna rzecz – nie narzędzie, tylko pomiar. Sprawdźmy, jak wygląda ten podział.

Paradoks: 90% inwestuje, 12% mierzy

Comviva Global CMO Survey 2026 to jedno z większych badań pokazujących przepaść między deklaracją a rzeczywistością. Aż 90% CMO na świecie zwiększa budżety na AI. Ale tylko 12% potrafi wskazać konkretne metryki wpływu tych inwestycji na biznes [1]. Reszta – 88% – działa w oparciu o wiarę, nie dane.

Gdy pytamy polskich menedżerów, z którymi współpracujemy, ten odsetek wygląda podobnie. Różnica między firmą mierzącą a deklarującą nie leży w wielkości budżetu ani w tym, czy mają dostęp do najnowszych modeli. Leży w tym, czy potrafią odpowiedzieć na pytanie: „Ile konkretnie zarobiliśmy lub zaoszczędziliśmy dzięki tej konkretnej implementacji?”

Czym różni się firma mierzaca od deklarującej

Firma deklarująca ma dashboardy: liczba promptów, czas użytkowania, liczba wdrożonych narzędzi. Firma mierzaca ma: koszt przed AI vs koszt po AI, przychód na workflow, czas realizacji zadania przed i po.

Różnica to baseline. Bez niego każde porównanie jest iluzją.

Case: firmy, które faktycznie mierzą – co liczą

Wiemy, że pomiar działa. Pytanie – co konkretnie liczą firmy, które widzą zwrot? Trzy źródła dają nam odpowiedź.

Produktywność zespołu – eksperyment Donati/TSE

Field experiments przeprowadzone przez Donati na TSE w 2026 roku pokazują prosty wzór: firmy, które wprowadziły strukturę pomiaru (określiły baseline przed wdrożeniem AI i mierzyły po), notują wyższą produktywność niż grupy kontrolne, które wdrożyły AI bez pomiaru [2].

Efekt jest silniejszy, gdy pomiar jest wykonany przed i po – nie tylko po. To oznacza, że samo narzędzie nie jest kluczem. Kluczem jest wiedza, co było przed nim.

Zwrot per use-case według McKinsey

McKinsey w raporcie z 2023 roku wyliczył, że marketing i sales to obszar nr 1 wzrostu produktywności z generatywnego AI – wartość od 1,7 do 2,6 biliona USD rocznie [4]. To ogromna liczba, ale nie dotyczy wszystkich. Dotyczy tych, którzy potrafią zidentyfikować konkretne procesy do automatyzacji i zmierzyć ich koszt przed i po.

W polskich firmach, które widzieliśmy, najczęściej mierzonym use-case’em jest obsługa klienta: czas pierwszej odpowiedzi, koszt rozmowy, wskaźnik rozwiązania problemu bez eskalacji. Tam różnica między baseline’em a wynikiem po AI jest łatwa do policzenia.

Corporate payoffs – Research Policy 2024

Badanie opublikowane w Research Policy w 2024 roku idzie krok dalej. Pokazuje, że zyski z AI są nierówne. Nie wynikają z samego dostępu do narzędzi, ale z dojrzałości procesów, danych i zdolności organizacyjnych [3]. Innymi słowy: technologia to może 20% sukcesu. Reszta to organizacja, dane i pomiar.

Firmy dojrzałe – które mają już procesy pomiarowe – notują wyższy zwrot. Te, które zaczynają od narzędzia, a nie od procesu, ryzykują, że AI stanie się kolejnym kosztem, a nie inwestycją.

Wzorzec zwycięzców: pomiar przed/po + proces

Z tych trzech badań wyłania się konkretny wzór. Firmy, które widzą zwrot z AI, robią trzy rzeczy:

1. Ustalają baseline przed wdrożeniem – mierzą koszt, czas, jakość dla danego procesu bez AI.
2. Wdrażają AI w jednym, konkretnym use-case’ie – nie w całej firmie naraz.
3. Mierzą ten sam proces po wdrożeniu – i porównują z baseline’em.

To nie jest rocket science. To podstawowa kontrola eksperymentalna. A jednak 88% firm tego nie robi [1].

Program, który wyodrębnia pomiar

W praktyce wygląda to jak osobny program w firmie – nie tylko techniczny, ale procesowy. Ktoś w organizacji musi być odpowiedzialny za to, żeby pomiar był wykonywany konsekwentnie. W mniejszych firmach bywa to CTO lub CMO, w większych – dedykowany zespół data & analytics.

Polskie firmy, które przeszły od deklaracji do pomiaru, często korzystają z tego samego wzoru: zaczynają od jednego procesu, ustalają baseline, wdrażają, mierzą. Jeśli nie widzą różnicy – szukają przyczyny w procesie, nie w narzędziu.

Dlaczego technologia to tylko 20% wyniku

Research Policy 2024 wyjaśnia, że procesy i dane wyjaśniają większość zmienności ROI [3]. To oznacza, że wymiana narzędzia AI na lepsze nie poprawi wyniku, jeśli proces jest chaotyczny, a dane słabej jakości.

Firmy, które kupują najdroższy model, ale nie mają czystych danych ani zdefiniowanych procesów, kończą z niższym zwrotem niż te, które używają tańszego narzędzia, ale mają solidny baseline.

Jak nie wygląda zwycięzca: firmy bez pomiaru

Widzieliśmy też drugą stronę – firmy, które wydały setki tysięcy złotych na AI, a nie potrafią powiedzieć, czy to działa. Ich dashboardy pokazują vanity metrics: liczba wygenerowanych tekstów, liczba użytkowników, czas spędzony w narzędziu. To nie są metryki biznesowe.

Vanity metrics, które oszukują

Liczba promptów nie mówi nic o przychodzie. Czas użytkowania nie mówi nic o oszczędności. Nawet satysfakcja użytkowników bywa złudna – bo narzędzie może być lubiane, ale nie przynosić zysku.

Firmy bez pomiaru często mylą aktywność z efektem. Widzą, że ludzie używają AI, i zakładają, że działa. To pułapka.

Koszt braku baseline’u

Brak baseline’u oznacza, że nie wiesz, czy AI cokolwiek zmieniło. Może być tak, że proces był już optymalny, a AI wprowadziło dodatkowy koszt. Albo że AI działa, ale nie wiesz, w którym momencie.

W praktyce oznacza to decyzje oparte na przeczuciu, a nie na danych. I to jest największy koszt – nie pieniądze wydane na narzędzie, ale pieniądze wydane na narzędzie, które nie wiadomo, czy działa.

Werdykt

Różnica między firmą, która widzi zwrot z AI, a firmą, która tylko wydaje na narzędzia, sprowadza się do jednego: pomiaru. Bez baseline’u i procesu pomiarowego każde wdrożenie jest loterią. Z pomiarem – nawet jeśli wynik jest negatywny – wiesz, co poprawić.

Zacznij od tego: wybierz jeden proces, zmierz go bez AI, wdróż AI, zmierz go ponownie. Jeśli nie widzisz różnicy – nie chodzi o narzędzie. Chodzi o proces.

Źródła

[1] Comviva Global CMO Survey 2026: https://www.businesswire.com/news/home/20260615005710/en/Comviva-Global-CMO-Survey-2026

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

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

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