Firma kupiła AI. Zmiana jeszcze nie zaistniała.

Gdzieś w Polsce jest prezes, który na ostatnim spotkaniu zarządu powiedział, że jego firma jest „AI-driven”. Na liście zakupów widnieje kilkadziesiąt licencji na narzędzia AI. Pracownicy faktycznie ich używają — codziennie, do różnych rzeczy. Raport wygląda dobrze. Produktywność — według KPI — rośnie.

A potem przychodzi audyt procesów i okazuje się, że AI służy głównie do parafrazowania maili i streszczania dokumentów, które ktoś i tak musi przeczytać, żeby sprawdzić, czy streszczenie jest poprawne.

Co mówią liczby i skąd pochodzą

Agencja doradztwa personalnego Hays Poland opublikowała w czerwcu 2026 wyniki badania wśród ponad 700 polskich profesjonalistów — specjalistów i menedżerów. Zanim przejdę do wyników: Hays to firma rekrutacyjna, która równolegle sprzedaje szkolenia i doradztwo HR. Narracja „pracownicy nie są dostatecznie wyszkoleni w zakresie AI” jest dla niej korzystna biznesowo. Traktuję dane jako punkt wyjścia, nie jako niezależny wyrok.

Z tą ostrożnością — wyniki są i tak interesujące.

54% ankietowanych używa narzędzi AI codziennie, kolejne 24% — kilka razy w tygodniu. Tylko 11% nie korzysta z AI w ogóle. To wysoki wskaźnik, zbliżony do danych dla całej Europy: badanie Brookings Institution i Federal Reserve Bank of St. Louis z marca 2026 roku wskazuje, że 32% europejskich pracowników używa AI w pracy — przy czym zakres waha się między 26% we Włoszech a 36% w Wielkiej Brytanii. Polska, sądząc po danych Hays, lokuje się istotnie powyżej europejskiej średniej — co może być artefaktem próby (700 osób to nie reprezentacja rynku pracy), ale może też odzwierciedlać realnie wyższy poziom adopcji w segmencie specjalistów biurowych. Brookings

Do czego realnie służy AI w pracy

Tu zaczyna się ciekawsza część. Hays zapytał, do czego pracownicy używają AI najczęściej. Odpowiedzi tworzą wyraźny wzorzec: analiza danych i research (28 i 24%), wsparcie w pisaniu i parafrazowaniu tekstów (21%), podsumowywanie dokumentów (17%). Dalej w zestawieniu: wsparcie w podejmowaniu decyzji (16%), automatyzacja zadań administracyjnych (13%), definiowanie pojęć (12%).

Na samym dole: generowanie kreatywnych pomysłów (11%), pisanie lub debugowanie kodu (7%).

Inaczej mówiąc: AI jest używana głównie tam, gdzie zadanie jest przewidywalne, powtarzalne i nie wymaga odpowiedzialności za wynik. Analiza danych dostarczona przez AI można sprawdzić; pomysł strategiczny — trudniej. Streszczenie dokumentu jest bezpieczne; decyzja kadrowa — już nie.

To nie jest kwestia możliwości narzędzi. To kwestia zaufania i kultury organizacyjnej.

Paradoks zaufania

55% respondentów badania Hays deklaruje, że wyniki pracy AI wymagają „jedynie umiarkowanego dopracowania”. 19% twierdzi, że potrzebne są tylko pojedyncze zmiany. Tylko 3% uznaje outputy za gotowe do użycia od razu.

Brzmi jak wysoki poziom zaufania do technologii. Problem polega na tym, że „umiarkowane dopracowanie” jest kategorią subiektywną. Warto skonfrontować te deklaracje z danymi z kontrolowanych eksperymentów.

Brytyjski rząd przeprowadził kontrolowany test Microsoft 365 Copilot — tysiąc licencji, 300 uczestników, trzy miesiące. Użytkownicy pisali maile szybciej i tworzyli lepsze podsumowania, ale „ewaluacja nie znalazła dowodów na to, że oszczędności czasu przełożyły się na wzrost produktywności.” Użytkownicy Copilota wykonywali analizy w Excelu wolniej i z gorszą jakością niż osoby nieużywające narzędzia.

Badacze z NBER przebadali niemal 6 tysięcy menedżerów w USA, Wielkiej Brytanii, Niemczech i Australii. 89% z nich nie odnotowało żadnej zmiany produktywności — mierzonej jako wolumen sprzedaży na pracownika — mimo że adopcja AI w ich firmach wzrosła z 61% do 71% między wczesnym 2025 a wczesnym 2026 rokiem. Medium

Czyli: narzędzie używane, efekt — niewidoczny w liczbach, które mają znaczenie.

Dlaczego to nie jest zaskoczenie

Historia zna ten wzorzec. Poprzednie technologie ogólnego zastosowania potrzebowały od 20 do 40 lat, żeby pokazać wpływ na produktywność. Elektryfikacja zajęła około 40 lat, komputery — 25 do 35. Wynikało to z tzw. krzywej J: technologia najpierw generuje koszty reorganizacji, zanim przyniesie zyski. Firmy kupują maszyny, ale przez lata używają ich w starych procesach. Man Group

Z AI jest podobnie. Analiza WRITER z 2026 roku wskazuje, że tylko 6% firm osiąga mierzalne zyski EBIT z AI, a 29% raportuje jakikolwiek zwrot z inwestycji. Reszta płaci za narzędzia, wchłania ryzyko związane z zarządzaniem technologią i obserwuje, jak zyski produktywności kumulują się na poziomie indywidualnych pracowników, zamiast trafiać do wyników firmy. Learned Context

Przepaść między „pracownik pracuje szybciej” a „firma działa efektywniej” ma nazwę: brak przeprojektowania procesów. Kupienie licencji nie zmienia tego, jak firma podejmuje decyzje, jak przepływają informacje, kto za co odpowiada. Licencja przyspiesza zadania. Dojrzałość AI polega na tym, żeby wiedzieć, które zadania w ogóle warto wykonywać.

Alicja Malok z Hays mówi wprost

Cytat wart uwagi, bo pochodzi od osoby z wewnątrz rynku pracy: „Nadmierna koncentracja na tym, aby używać AI dla samego faktu jej używania, i brak rozeznania w realnych potrzebach, sprawiają, że specjaliści czasami zamiast mniej — mają więcej pracy.” To opis zjawiska, które w anglojęzycznym środowisku zaczyna funkcjonować jako „AI busy work” — dodatkowa warstwa weryfikacji, edycji i odpowiedzialności za output, który ktoś musi sprawdzić, zanim wyjdzie na zewnątrz.

Kupując licencję, firma kupiła narzędzie. Żeby zamienić to narzędzie w zmianę sposobu pracy, potrzeba czegoś, czego nie ma w cenniku: decyzji o tym, które procesy przebudować, kto będzie za nie odpowiadał i jak mierzyć, czy przebudowa działa.

To nie jest problem technologiczny. To problem zarządczy. I dlatego właśnie nie rozwiązuje go kolejna subskrypcja.