Streszczenie: Liderzy zmagają się z kształtowaniem strategii w zakresie sztucznej inteligencji. Praca ta wymaga bowiem podjęcia trudnych tematów, takich jak zarządzanie ryzykiem i etyka AI, a także wyzwań związanych z zarządzaniem danymi i kulturą organizacyjną. Jednocześnie narzędzia AI nieustannie ewoluują. Zebraliśmy 10 najpopularniejszych i najcenniejszych artykułów na temat AI, które ukazały się w ostatnich miesiącach, aby podzielić się aktualnymi wnioskami dotyczącymi 10 najpilniejszych kwestii związanych z AI.
Które strategie AI naprawdę działają? Poznaj rekomendacje ekspertów MIT SMR dotyczące najpilniejszych wyzwań związanych ze sztuczną inteligencją.
„Pomimo dwóch lat intensywnych działań zarządczych i szeroko zakrojonych eksperymentów, nadal nie obserwujemy zakrojonych na szeroką skalę transformacji biznesowych napędzanych przez generatywną sztuczną inteligencję, które pierwotnie przewidywano”.
Czy powyższe stwierdzenie autorów MIT SMR, Melissy Webster i George’a Westermana, odpowiada Twoim doświadczeniom? To zrozumiałe. Po dwóch intensywnych latach pełnych szumu medialnego, innowacji i eksperymentów, wielu liderów – być może również Ty i Twoi współpracownicy – nadal oczekuje na realne korzyści biznesowe z zastosowania AI. Niewykluczone, że wciąż nie udało się wam przeprojektować kluczowego procesu, skrócić czasu wprowadzenia produktów na rynek czy znacząco zwiększyć satysfakcji klientów.
Jak zauważył George Westerman, starszy wykładowca MIT Sloan School of Management, w jednym z najczęściej czytanych tegorocznych artykułów poświęconych sztucznej inteligencji, prawdopodobnie potrzebujecie wykazać się większą cierpliwością. Firmy osiągające obecnie najlepsze wyniki realizują mniej spektakularne, ale systematyczne i skuteczne zmiany, wykorzystując narzędzia AI, tym samym kładąc podwaliny pod przyszłe, kompleksowe transformacje.
Trudno przecenić skalę wyzwań, przed jakimi stoją liderzy kształtujący strategię AI w 2025 r. Jest to zadanie niezwykle złożone, obejmujące obszary od zarządzania ryzykiem, poprzez etykę sztucznej inteligencji, aż po skomplikowane kwestie zarządzania danymi oraz kształtowania kultury organizacyjnej. Dodatkowo narzędzia AI oraz generatywne technologie stale się rozwijają – to, czego generatywne narzędzie AI Claude nie potrafi jeszcze wykonać wiosną, może stać się wykonalne już latem tego samego roku.
W MIT SMR dbamy o to, aby publikowane przez nas porady były aktualne i oparte na rzetelnych danych oraz praktyce biznesowej. Zainteresowanie liderów tematyką AI nie słabnie, czego potwierdzeniem są dane o popularności naszych artykułów. Specjalnie dla Was wybraliśmy więc 10 najchętniej czytanych i najwartościowszych publikacji dotyczących sztucznej inteligencji z ostatnich miesięcy, zawierających kluczowe rekomendacje związane z najbardziej palącymi wyzwaniami w obszarze AI.
1. Wykorzystaj potencjał GenAI: zacznij od niewielkich transformacji
Niecałe dwa lata temu generatywna sztuczna inteligencja (GenAI) trafiła na czołówki mediów dzięki swoim niezwykłym nowym możliwościom. Potrafiła prowadzić konwersacje, interpretować ogromne ilości tekstu, nagrań dźwiękowych czy obrazów, a nawet generować zupełnie nowe dokumenty i dzieła sztuki. Po najszybszej w historii adopcji technologii – ponad 100 milionów użytkowników w ciągu zaledwie dwóch pierwszych miesięcy – przedsiębiorstwa ze wszystkich branż rozpoczęły intensywne eksperymenty z jej zastosowaniem. Jednak mimo dwóch lat szerokiego zainteresowania menedżerów oraz licznych prób wdrożenia, wciąż nie widzimy transformacji biznesowych na wielką skalę, które początkowo przewidywało wielu ekspertów.
Co zatem się wydarzyło? Czy technologia nie spełniła pokładanych w niej nadziei? Czy eksperci mylili się, zapowiadając spektakularne przemiany? Czy może firmy były zbyt ostrożne? Odpowiedź na każde z tych pytań brzmi jednocześnie „tak” i „nie”. Generatywna sztuczna inteligencja już dziś jest stosowana w transformacyjny sposób przez liczne firmy, choć nie jako główny motor gruntownej przebudowy kluczowych procesów biznesowych. Liderzy firm coraz częściej znajdują sposoby na czerpanie rzeczywistych korzyści z dużych modeli językowych (LLM), bez konieczności całkowitej wymiany dotychczasowych rozwiązań. Obecnie koncentrują się na transformacjach mniejszej skali („małej t”), które równocześnie stanowią fundament pod przyszłe, bardziej kompleksowe przemiany.
2. Podejmuj przemyślane decyzje dotyczące kompromisów między AI a długiem technologicznym
Aby lepiej zrozumieć, w jaki sposób współcześni liderzy biznesu przekształcają swoje organizacje – w tym rolę, jaką odgrywa dług technologiczny – firma Accenture przeprowadziła badanie obejmujące 1500 przedsiębiorstw z 10 krajów, reprezentujących 19 branż, oraz serię pogłębionych rozmów z przedstawicielami najwyższego szczebla zarządzania. Wyniki tych badań wskazują, że firmy dobrze przygotowane do przeprowadzania zmian dysponują tzw. cyfrowym rdzeniem (digital core), gotowym na transformację. Jest to zestaw kluczowych komponentów, takich jak infrastruktura chmurowa, dane oraz rozwiązania oparte na sztucznej inteligencji, które można łatwo aktualizować. Co istotne, przedsiębiorstwa te przeznaczają średnio około 15% swojego budżetu IT na zarządzanie długiem technologicznym.
Z badań jednoznacznie wynika, że obecnie kluczem do rozwiązania kwestii długu technologicznego nie jest całkowite jego wyeliminowanie, lecz umiejętne zarządzanie nim. Decydujące znaczenie ma precyzyjne określenie, czym ten dług technologiczny jest, które jego elementy należy pilnie naprawić, które warto zachować oraz jak rozpoznać taki dług technologiczny, który realnie zwiększa potencjał innowacyjny przedsiębiorstwa.
3. Dane nieustrukturyzowane ponownie zyskują strategiczne znaczenie
Zdecydowana większość danych, z którymi pracuje generatywna sztuczna inteligencja (GenAI), ma charakter nieustrukturyzowany. Są to przede wszystkim teksty, obrazy, materiały wideo i inne tego typu treści. Niedawno przedstawiciel jednej z dużych firm ubezpieczeniowych ujawnił, że aż 97% danych przechowywanych w tej organizacji ma charakter właśnie nieustrukturyzowany. Wiele firm chce obecnie wykorzystać GenAI, by skuteczniej zarządzać własnymi zasobami danych i dokumentów oraz ułatwić do nich dostęp, stosując przy tym najczęściej podejście określane jako generowanie wspomagane wyszukiwaniem (retrieval-augmented generation, RAG).
Jednak niektóre organizacje od ponad dwóch dekad nie zajmowały się poważnie problematyką danych nieustrukturyzowanych, czyli od czasów popularności koncepcji zarządzania wiedzą. W tym okresie skupiały się niemal wyłącznie na danych ustrukturyzowanych – głównie w postaci wierszy i kolumn zawierających dane liczbowe z systemów transakcyjnych.
4. Sukces AI wymaga zbudowania kultury opartej na danych
Dzięki ogromnemu zainteresowaniu, jakim cieszą się obecnie nauka o danych (data science) oraz sztuczna inteligencja (AI), liderzy przedsiębiorstw nie mają już żadnych wątpliwości co do transformacyjnego potencjału tego potężnego duetu. Jednak zaskakujące dane wskazują, że przed kierownictwem stoi jeszcze większe wyzwanie. Według raportu firmy Wavestone, ponad 57% przedsiębiorstw ma problemy z budowaniem kultury opartej na danych (data-driven culture). Oznacza to, że choć liderzy wierzą w wartość danych i inwestują w technologie AI, ich organizacje wciąż nie czerpią z nich rzeczywistych korzyści.
Faktycznie, największym wyzwaniem dla wielu liderów nie jest już zakup zaawansowanych narzędzi analitycznych czy opracowanie precyzyjnych rozwiązań technicznych. Prawdziwą barierą okazuje się subtelniejsza, lecz znacznie bardziej istotna kwestia: stworzenie w organizacji środowiska, w którym pracownicy instynktownie sięgają po dane za każdym razem, gdy muszą podjąć decyzję. To właśnie oznacza w praktyce bycie organizacją opartą na danych – prawdziwą kulturę danych.
5. Filozofia może zburzyć Twoją strategię AI
Nawet w świecie, w którym oprogramowanie przejmuje kontrolę nad rynkiem, a sztuczna inteligencja wchłania oprogramowanie, pojawia się nowy, fundamentalny czynnik, który może zagrozić rozwojowi AI. Odpowiedź jest zaskakująco oczywista. Wymusza ona na liderach biznesu i technologii ponowne przemyślenie swoich inwestycji w sztuczną inteligencję oraz relacji z tymi technologiami. Tego wyzwania nie sposób uniknąć – przenika ono zestawy treningowe i architektury sieci neuronowych wszystkich największych modeli językowych (LLM) na świecie.
To filozofia „pożera” AI: jako dyscyplina, zbiór danych oraz sposób postrzegania rzeczywistości, filozofia coraz częściej decyduje o tym, jak technologie cyfrowe rozumują, przewidują, tworzą, generują i wprowadzają innowacje. Kluczowym wyzwaniem dla liderów biznesowych jest pytanie, czy będą w stanie wykazać się wystarczającą samoświadomością i intelektualnym rygorem, by wykorzystać filozofię jako świadome źródło tworzenia wartości przy użyciu sztucznej inteligencji – czy też w nieuświadomiony sposób będą stosować niejawne i niewyartykułowane założenia filozoficzne przy wdrażaniu AI. Tak czy inaczej – na dobre lub złe – filozofia kształtuje AI. Dla menedżerów świadomych strategicznie, ta metafora powinna znaleźć się w centrum uwagi.
6. GenAI może znacząco przyspieszyć proces uczenia się organizacyjnego
W połączeniu z tradycyjną sztuczną inteligencją (AI), generatywna sztuczna inteligencja (GenAI) znacząco poszerza zakres możliwych usprawnień w procesach i podejmowaniu decyzji, a także ułatwia wdrażanie nowej wiedzy w praktyce. Taka synergia tworzy potencjał do wystąpienia pozytywnego efektu skumulowanego w obszarze uczenia się organizacyjnego, w którym ludzie i maszyny współdziałają, aby wspólnie budować nowe przewagi konkurencyjne.
7. GenAI kontra analityczna AI: wybieraj projekty strategicznie
Liderzy powinni być świadomi, że generatywna sztuczna inteligencja (GenAI) oraz analityczna sztuczna inteligencja (analytical AI) mają charakter komplementarny – wzajemnie się uzupełniają, a nie zastępują. GenAI koncentruje się na zwiększaniu wydajności i automatyzacji, na przykład poprzez zastosowanie chatbotów opartych na AI w celu podniesienia efektywności pracy call center. Z kolei analityczna AI wspiera podejmowanie decyzji strategicznych, takich jak określenie najlepszego momentu kontaktu z klientem lub optymalnej oferty dopasowanej do konkretnej osoby.
Który rodzaj sztucznej inteligencji najlepiej odpowiada wyzwaniom Twojej organizacji? Kluczowym krokiem w tworzeniu skutecznej mapy drogowej dla projektów AI jest organizacja warsztatów ideacyjnych, podczas których liderzy biznesowi i technologiczni wspólnie analizują możliwości zastosowania sztucznej inteligencji w rozwiązywaniu konkretnych problemów organizacyjnych.
8. BYOAI: tego trendu nie da się zakazać
Biorąc pod uwagę ryzyka związane z praktyką BYOAI (Bring Your Own AI), całkowity zakaz korzystania z niesprawdzonych narzędzi generatywnej sztucznej inteligencji (GenAI) może wydawać się logicznym rozwiązaniem. Perspektywa niekontrolowanego użycia tych technologii, w połączeniu z niepewnością prawną i regulacyjną, skłania wielu liderów do zachowania ostrożności. Jednak menedżerowie, z którymi rozmawialiśmy, są zgodni: zakaz BYOAI nie jest ani praktyczny, ani skuteczny. Pracownicy – zwłaszcza ci, którzy już odczuwają presję związaną z przeciążeniem obowiązkami – często sięgają po narzędzia GenAI, aby zwiększyć własną produktywność. Ograniczenie dostępu jedynie zmusza ich do poszukiwania nieoficjalnych obejść, które mogą prowadzić do omijania istniejących ram zarządzania i zwiększenia ryzyk, które liderzy starają się minimalizować.
Co więcej, zakaz uniemożliwia pracownikom eksperymentowanie z nowymi zastosowaniami, ograniczając potencjał kreatywnego rozwiązywania problemów oraz odkrywania możliwości poprawy efektywności w skali całej organizacji.
9. Ocena aplikacji GenAI: kluczowy krok, którego nie warto pomijać
Proces oceny aplikacji opartych na dużych modelach językowych (LLM) składa się z tzw. ewaluacji – automatycznych testów mających na celu pomiar wydajności aplikacji względem wskaźników odzwierciedlających realne potrzeby użytkowników końcowych oraz kluczowe priorytety biznesowe. Ewaluacje przyspieszają rozwój, umożliwiając zespołom skupienie się na najistotniejszych aspektach, a tym samym zwiększają szansę na stworzenie rozwiązań przynoszących wymierną wartość organizacyjną.
Niestety, w praktyce wiele zespołów wciąż nie inwestuje wystarczająco w proces ewaluacji. W efekcie postępy prac są niespójne, a projekty GenAI bywają anulowane lub kończą się stworzeniem wadliwych aplikacji, które nie spełniają zakładanych celów biznesowych.
Zarówno liderzy biznesowi, jak i menedżerowie IT oraz zespoły deweloperskie, które wspólnie rozwijają aplikacje generatywne w celu rozwiązywania konkretnych problemów organizacyjnych, odnoszą znaczące korzyści z rzetelnego procesu oceny. Liderzy uzyskują wgląd w rzeczywisty poziom jakości rozwiązania na każdym etapie cyklu rozwoju, a programiści są w stanie odpowiedzieć na kluczowe pytania: „Czy osiągamy wystarczające postępy?”, „Na czym powinniśmy skoncentrować się w kolejnym cyklu?”, „Czy aplikacja jest gotowa do wdrożenia?”.
10. Pytania „co by było, gdyby” wymagają nowego podejścia w uczeniu maszynowym
Uczenie maszynowe oparte na przyczynowości (causal machine learning) – rozwijająca się dziedzina w obszarze sztucznej inteligencji – umożliwia odpowiadanie na pytania typu „co by było, gdyby” poprzez wnioskowanie przyczynowo-skutkowe. Podobnie jak marketerzy wykorzystują testy A/B, by ustalić, która z dwóch reklam prawdopodobnie wygeneruje większą sprzedaż, uczenie maszynowe oparte na przyczynowości pozwala ocenić, co mogłoby się wydarzyć, gdyby menedżerowie podjęli określone działania.
Technologia ta znajduje zastosowanie w wielu funkcjach biznesowych, w których dotychczas wykorzystywano tradycyjne uczenie maszynowe (ML), takich jak rozwój produktów, produkcja, finanse, zarządzanie zasobami ludzkimi czy marketing. Tradycyjne ML nadal pozostaje skuteczne, gdy celem jest wyłącznie prognozowanie – na przykład czy ceny akcji wzrosną lub które produkty klienci z największym prawdopodobieństwem kupią. Natomiast gdy firma chce przewidzieć skutki alternatywnych decyzji – na przykład, czy 10% zniżka zwiększy szanse na ponowny zakup – potrzebne jest zastosowanie uczenia maszynowego opartego na przyczynowości.
Źródła
- Laurianne McLaughlin, 10 Urgent AI Takeaways for Leaders, 2025.
- Melissa Webster, George Westerman, Generate Value From GenAI With ‘Small t’ Transformations, 2024.
- Koenraad Schelfaut, Prashant P. Shukla, How to Manage Tech Debt in the AI Era, 2024.
- Thomas H. Davenport, Randy Bean, Five Trends in AI and Data Science for 2025, 2024.
- Ganes Kesari, Building a Data-Driven Culture: Four Key Elements, 2024.
- Michael Schrage, David Kiron, Filozofia pożera sztuczną inteligencję, 2024.
- Paul Baier, John J. Sviokla, Turbocharging Organizational Learning With GenAI, 2024.
- Pedro Amorim, Teresa Bianchi de Aguiar, Luís Guimarães, Bernardo Almada-Lobo, Bruno Teixeira, Analytical AI: A Better Way to Identify the Right AI Projects, 2024.
- Nick van der Meulen, Barbara H. Wixom, Bring Your Own AI: How to Balance Risks and Innovation, 2024.
- Rama Ramakrishnan, The GenAI App Step You’re Skimping On: Evaluations, 2024.
- Stefan Feuerriegel, Yash Raj Shrestha, Georg von Krogh, A New Machine Learning Approach Answers What-If Questions, 2024.
