AI w polskich firmach: Entuzjazm jest, brakuje strategii i kompetencji

REKLAMA

Entuzjazm zderza się z rzeczywistością: Twarde dane o adopcji AI

Pięć kluczowych barier hamujących polską rewolucję AI

1. Wszechobecny deficyt kompetencji: To najczęściej wskazywany hamulec rozwoju, zarówno w kontekście analizy danych, jak i wdrażania AI. Problem jest wielowymiarowy. Z jednej strony brakuje wyspecjalizowanych kadr technicznych – data scientistów, inżynierów AI, ekspertów od uczenia maszynowego. Z drugiej, i być może nawet ważniejszej, strony obserwujemy niskie kompetencje cyfrowe i analityczne wśród „zwykłych” pracowników biznesowych oraz kadry zarządzającej. Raport przypomina alarmujące dane Eurostatu: w 2023 roku tylko 44,3% Polaków posiadało podstawowe lub wyższe umiejętności cyfrowe (przy celu UE na 2030 rok wynoszącym 80%). Ten ogólnospołeczny problem bezpośrednio rzutuje na firmy. Aż trzy czwarte pracowników (75%) nie potrafi jednoznacznie ocenić kompetencji swojej organizacji w obszarze danych i analityki. Brakuje fundamentalnego zrozumienia, jak interpretować dane, jak zadawać właściwe pytania i jak wykorzystać potencjał AI w codziennych zadaniach. Co więcej, badanie ujawnia znaczącą lukę w percepcji między różnymi szczeblami organizacji. Menedżerowie i kadra wyższego szczebla często znacznie optymistyczniej oceniają poziom wykorzystania danych i kompetencji, niż ma to miejsce w odczuciu pracowników operacyjnych. Ta dysproporcja może prowadzić do nierealistycznych oczekiwań i frustracji. W kontekście samych projektów AI, brak kompetencji w zespołach biznesowych (wskazany jako bariera przez 18,9% respondentów) i technicznych (16,5%) jest jednym z najpoważniejszych ograniczeń.
   
   
2. Brak jasnej strategii i realnego wsparcia: Firmy mogą deklarować zainteresowanie AI, ale bez klarownej, dobrze zakomunikowanej strategii, która łączy technologię z konkretnymi celami biznesowymi, pozostaje ono jedynie pustą deklaracją. Jak pokazało badanie, tylko co piąta firma podchodzi do AI strategicznie. Zamiast tego dominują wdrożenia oddolne, eksperymentalne, często ograniczone do jednego działu (np. IT lub marketingu), bez szerszego spojrzenia, integracji i planu skalowania. Brakuje również często solidnych fundamentów w postaci Data Governance – spójnych zasad zarządzania danymi, ich jakością, dostępnością i bezpieczeństwem. Bez uporządkowanego „podwórka danych”, zaawansowane wdrożenia AI przypominają „budowanie domu na piasku” – są ryzykowne i nietrwałe. Niezbędne jest również realne wsparcie ze strony zarządu, które wykracza poza deklaracje. Chodzi o nadanie projektom AI odpowiedniego priorytetu, zapewnienie niezbędnych zasobów (finansowych i ludzkich) oraz konsekwentne egzekwowanie realizacji strategii.
   
   
3. Ograniczone zasoby: Budżet i Technologia: Pieniądze i technologia to kolejne istotne wąskie gardła. Niedopasowany lub niewystarczający budżet to kluczowe ograniczenie wymieniane przez respondentów zarówno przy projektach analitycznych (22%), jak i przy projektach AI (21,4%). Brakuje środków na inwestycje w licencje na oprogramowanie, nowoczesną infrastrukturę (serwery, chmura), ale także, co równie ważne, na szkolenia i rozwój kompetencji pracowników. Problemem są również niewystarczające zasoby techniczne (wskazane jako bariera przy AI przez 21,2%) – przestarzały sprzęt, brak odpowiednich platform danych, niewystarczająca moc obliczeniowa do trenowania zaawansowanych modeli AI.
4. Fundament: Problemy z Danymi: To truizm, ale wciąż aktualny: sztuczna inteligencja, zwłaszcza systemy uczące się (machine learning), jest tak dobra, jak dane, na których została wytrenowana. Niska jakość danych, ich fragmentaryzacja, niespójność, brak dostępności i trudności w integracji z różnych systemów to fundamentalne problemy, które hamują nie tylko rozwój zaawansowanej analityki, ale przede wszystkim uniemożliwiają efektywne i wiarygodne wdrożenia AI. Zanim firmy zaczną na szeroką skalę implementować algorytmy AI, muszą zainwestować czas i środki w uporządkowanie swoich zasobów danych.
   
   
5. Czynniki ludzkie: Obawy i Kultura Organizacyjna: Technologia to nie wszystko. Raport Algolytics wyraźnie pokazuje, jak istotną rolę odgrywają czynniki ludzkie. Aż 32,5% respondentów obawia się, że szersze zastosowanie AI może doprowadzić do przejęcia ich obowiązków i w konsekwencji do zwolnień. Niemal tyle samo (31,3%) wskazuje na własny brak wiedzy i kompetencji jako barierę w korzystaniu z AI na co dzień. Co więcej, 28,6% obawia się, że większe wykorzystanie danych i AI może ujawnić ich brak efektywności lub błędy. Te lęki, często podsycane brakiem transparentnej komunikacji ze strony kierownictwa oraz naturalnym oporem przed zmianą, tworzą kulturę organizacyjną nieprzyjazną dla innowacji i eksperymentowania.

Pierwsze kroki w świecie AI: Gdzie zaczynają polskie firmy?

Droga do dojrzałości AI: Od entuzjazmu do strategicznej przewagi

1. Strategia na Pierwszym Miejscu: Koniec z chaotycznymi eksperymentami. Potrzebne jest opracowanie jasnej, długoterminowej strategii AI, która będzie integralną częścią strategii biznesowej firmy. Musi ona definiować cele, priorytety, obszary zastosowań i mierniki sukcesu, a także być skutecznie zakomunikowana na wszystkich szczeblach organizacji.
2. Człowiek w Centrum – Inwestycja w Kompetencje: Bez ludzi żadna technologia nie zadziała. Podniesienie kompetencji cyfrowych, analitycznych i specyficznych dla AI jest absolutnie kluczowe. Oznacza to strategiczne inwestycje w szkolenia, programy reskillingowe i upskillingowe, ale także budowanie kultury organizacyjnej opartej na danych, promującej ciekawość, dzielenie się wiedzą i bezpieczne eksperymentowanie. Niezbędne jest również aktywne adresowanie obaw pracowników poprzez transparentną komunikację i pokazanie, jak AI może wspierać, a nie zastępować ich pracę.
3. Solidne Fundamenty Danych: Powtórzmy: nie ma skutecznego AI bez dobrych danych. Poprawa jakości danych, wdrożenie spójnych zasad Data Governance oraz inwestycje w nowoczesną, skalowalną infrastrukturę danych (np. platformy chmurowe, data lake) muszą stać się absolutnym priorytetem.
4. Mądre Finansowanie i Zaangażowanie Liderów: Realizacja ambitnej strategii AI wymaga odpowiedniego, często znaczącego, budżetu oraz realnego, widocznego zaangażowania i wsparcia ze strony kadry zarządzającej. Warto przyjąć podejście iteracyjne: zaczynać od mniejszych projektów pilotażowych w obszarach o wysokim potencjale ROI, które udowodnią wartość technologii, zbudują zaufanie i pozwolą zdobyć doświadczenie przed przejściem do wdrożeń na szeroką skalę.
5. Nawigacja w Gąszczu Regulacji: Nadchodzący AI Act, w połączeniu z istniejącymi regulacjami jak RODO/GDPR, tworzy nowe wyzwania prawne. Firmy muszą proaktywnie przygotować się na nowe wymogi, świadomie podchodzić do kwestii etyki, transparentności, odpowiedzialności i bezpieczeństwa wdrażanych systemów AI.

AI - Konieczność, nie opcja