Kilka tygodni temu sieć restauracji Jersey Mike's weszła na giełdę. W dokumentach IPO firma użyła słowa "AI" ponad 30 razy. Sieć kanapkowa, która robi submarine sandwiches, przedstawiła się inwestorom niemal jak firma technologiczna. I nie jest w tym odosobniona - według analizy Arize AI, w 2025 roku ponad 40% spółek wchodzących na giełdę w USA wspomina o sztucznej inteligencji w swoich prospektach emisyjnych, niezależnie od branży.
Dla polskich przedsiębiorców ten trend ma bardzo konkretne konsekwencje. Kiedy dostawca oprogramowania, firma konsultingowa albo producent narzędzia biznesowego mówi "napędzane przez AI", trudno ocenić, czy stoi za tym realna technologia, czy tylko modne hasło na stronie internetowej. A decyzje zakupowe podejmowane na podstawie marketingowego szumu mogą kosztować firmę dziesiątki tysięcy złotych rocznie.
W tym artykule pokażę, jak odróżnić prawdziwe zastosowania sztucznej inteligencji od pustych obietnic. Nie po to, żeby zniechęcać do AI - wręcz przeciwnie. Chodzi o to, żeby polskie MŚP inwestowały w rozwiązania, które faktycznie przynoszą wyniki, a nie w ładne etykietki.
Czym jest AI washing i dlaczego kwitnie
AI washing to praktyka polegająca na przypisywaniu produktom lub usługom zdolności sztucznej inteligencji, które w rzeczywistości nie istnieją lub są mocno przesadzone. Termin powstał przez analogię do greenwashingu - udawania ekologiczności. I podobnie jak greenwashing, AI washing jest dziś powszechny na tyle, że zwróciła na niego uwagę amerykańska Komisja Papierów Wartościowych i Giełd (SEC), która w 2024 roku nałożyła kary na dwie firmy inwestycyjne za wprowadzanie klientów w błąd co do wykorzystania AI w ich produktach.
Dlaczego firmy to robią? Bo to działa. Badanie przeprowadzone przez McKinsey w 2024 roku pokazało, że produkty z etykietą "AI-powered" generują o 15-25% wyższe zainteresowanie wśród kupujących B2B niż identyczne produkty bez takiego oznaczenia. Dla sprzedawców pokusa jest ogromna - wystarczy dodać dwa słowa do nazwy produktu, żeby zwiększyć konwersję.
W polskim kontekście widzę to na co dzień. Pracując z firmami z sektora MŚP, regularnie spotykam się z sytuacjami, gdzie przedsiębiorca płaci za "system AI do zarządzania magazynem", który w praktyce okazuje się zwykłym arkuszem z formułami IF/THEN lub prostą bazą danych z kilkoma regułami. To nie jest sztuczna inteligencja - to automatyzacja oparta na regułach, która istnieje od lat 90. Różnica jest fundamentalna i ma bezpośrednie przełożenie na to, czego firma może oczekiwać od takiego narzędzia.
Trzy poziomy "AI" w produktach biznesowych
Żeby łatwiej oceniać oferty, które trafiają na biurko polskiego przedsiębiorcy, proponuję prosty podział na trzy poziomy. Nie jest to klasyfikacja akademicka, ale praktyczna - sprawdza się przy podejmowaniu decyzji zakupowych.
Poziom 1: Reguły i automatyzacja nazwane "AI". To najczęstszy przypadek AI washingu. Produkt działa na podstawie zestawu reguł zdefiniowanych przez programistę. Przykład: system CRM, który automatycznie przypisuje leady do handlowców na podstawie kodu pocztowego i branży. To przydatna funkcja, ale to nie jest AI - to drzewo decyzyjne, które ktoś zaprogramował ręcznie. Jeśli zmienią się warunki rynkowe, system nie dostosuje się sam. Takie rozwiązanie może być warte swoich pieniędzy, ale nie dlatego, że jest "inteligentne".
Poziom 2: Statystyka i analityka z elementami uczenia maszynowego. Tu zaczyna się rzeczywiste wykorzystanie technik zbliżonych do AI. Produkt analizuje dane historyczne i na ich podstawie generuje prognozy lub rekomendacje. Przykład: narzędzie do prognozowania popytu, które na podstawie danych sprzedażowych z ostatnich dwóch lat przewiduje, ile towaru zamówić na przyszły miesiąc. Jeśli pod spodem działa model regresji lub prosty algorytm uczenia maszynowego, to faktycznie można mówić o elemencie AI. Ale ważne jest pytanie: czy model się uczy na nowych danych, czy został wytrenowany raz i od tamtej pory się nie zmienił?
Poziom 3: Rzeczywista sztuczna inteligencja z ciągłym uczeniem. To produkty, które wykorzystują zaawansowane modele - sieci neuronowe, duże modele językowe, systemy wizyjne - i adaptują się do nowych danych. Przykład: system kontroli jakości w fabryce, który na podstawie zdjęć z kamery identyfikuje wadliwe produkty i z czasem staje się coraz dokładniejszy, bo uczy się na nowych przypadkach. Albo asystent oparty na GPT-4 lub Claude'a, który pomaga w obsłudze klienta i faktycznie rozumie kontekst rozmowy, a nie tylko dopasowuje słowa kluczowe do gotowych odpowiedzi.
Większość produktów na polskim rynku, które noszą etykietę "AI", mieści się na poziomie 1 lub 2. To nie znaczy, że są bezwartościowe - często rozwiązują realne problemy. Problem pojawia się wtedy, gdy cena odpowiada poziomowi 3, a funkcjonalność - poziomowi 1.
Pięć pytań, które warto zadać dostawcy
Zanim firma wyda pieniądze na rozwiązanie reklamowane jako "napędzane przez AI", polecam zadać dostawcy pięć konkretnych pytań. Reakcja na te pytania powie więcej niż cała prezentacja sprzedażowa.
1. Jaki model lub algorytm stoi za rozwiązaniem? Uczciwy dostawca powie wprost: "Używamy modelu XGBoost do prognozowania" albo "Integrujemy się z API OpenAI i wykorzystujemy GPT-4o". Jeśli odpowiedź brzmi "to nasz autorski algorytm AI" bez żadnych szczegółów - to sygnał ostrzegawczy. Nie chodzi o ujawnianie tajemnic handlowych, ale o podstawową transparentność.
2. Na jakich danych model został wytrenowany? Każdy system uczenia maszynowego potrzebuje danych treningowych. Jeśli dostawca nie potrafi powiedzieć, skąd pochodzą dane i jak duży był zbiór treningowy, istnieje ryzyko, że model nie istnieje lub jest bardzo podstawowy. Dla polskich MŚP ważne jest też pytanie, czy model był trenowany na danych z polskiego rynku - bo model wytrenowany na danych z rynku amerykańskiego może nie rozumieć specyfiki polskich zachowań konsumenckich.
3. Czy mogę zobaczyć porównanie wyników z AI i bez AI? To pytanie, które najszybciej weryfikuje wartość rozwiązania. Jeśli dostawca systemu prognozowania popytu potrafi pokazać, że jego model redukuje nadwyżki magazynowe o 18% w porównaniu z tradycyjnym podejściem - mamy twardy dowód wartości. Jeśli takiego porównania nie ma, to trudno uzasadnić wyższą cenę za etykietę "AI".
4. Co się stanie, gdy model się pomyli? Dojrzałe rozwiązania AI mają wbudowane mechanizmy kontroli - progi pewności, eskalację do człowieka, logi decyzji. Jeśli dostawca mówi, że "system się nie myli" lub nie ma odpowiedzi na to pytanie, to poważny problem. Każdy model AI popełnia błędy - pytanie brzmi, jak system je obsługuje i jakie są konsekwencje dla firmy.
5. Jakie dane z mojej firmy są potrzebne i gdzie trafiają? To pytanie o bezpieczeństwo i prywatność, ale też o realność rozwiązania. Prawdziwy system AI potrzebuje danych do działania. Jeśli narzędzie "AI" działa bez żadnych danych z firmy klienta i nie wymaga żadnej konfiguracji ani okresu uczenia, to prawdopodobnie nie jest to AI - to gotowy zestaw reguł opakowany w modne hasło.
Gdzie AI naprawdę działa w polskich MŚP
Żeby nie zostawiać czytelnika z samymi ostrzeżeniami, pokażę obszary, w których sztuczna inteligencja przynosi realne, mierzalne korzyści polskim firmom. Te przykłady oparte są na moich obserwacjach z pracy konsultingowej oraz publicznie dostępnych danych.
Obsługa klienta i komunikacja. Chatboty oparte na dużych modelach językowych - takich jak GPT-4o, Claude czy Gemini - potrafią dziś obsłużyć 40-60% standardowych zapytań klientów bez udziału człowieka. Polska firma e-commerce, która wdroży takiego asystenta na swojej stronie i zintegruje go z bazą wiedzy o produktach, może realnie odciążyć zespół obsługi klienta. Ale warunek jest taki: chatbot musi być prawidłowo skonfigurowany, mieć dostęp do aktualnych danych i mieć jasno zdefiniowane granice - kiedy przekazuje rozmowę człowiekowi. Źle wdrożony chatbot AI potrafi zrobić więcej szkody niż pożytku, frustrując klientów halucynowanymi odpowiedziami.
Analiza dokumentów i procesów. Polskie firmy toną w dokumentach - faktury, umowy, specyfikacje, korespondencja z urzędami. Narzędzia oparte na OCR połączonym z modelami językowymi (np. rozwiązania od ABBYY, Microsoft Azure Document Intelligence czy nawet proste obiegi pracy z ChatGPT'em) potrafią wyciągać kluczowe informacje z dokumentów i kategoryzować je automatycznie. Firma księgowa, która przetwarza 500 faktur miesięcznie, może zaoszczędzić 20-30 godzin pracy dzięki takiemu rozwiązaniu. To realna oszczędność, policzalna w złotówkach.
Marketing i tworzenie treści. Tu AI jest już standardem, nie innowacją. Generowanie opisów produktów, wariantów reklam, postów w mediach społecznościowych - narzędzia takie jak ChatGPT, Claude, Jasper czy Copy.ai robią to dobrze, pod warunkiem że człowiek kontroluje jakość i spójność z marką. Polska firma handlowa z katalogiem 2000 produktów może wygenerować opisy w kilka dni zamiast kilku miesięcy. Ale trzeba uczciwie powiedzieć: to nie jest magia. Treści wymagają redakcji, weryfikacji faktów i dostosowania do polskiego rynku. AI przyspiesza proces, nie eliminuje potrzeby ludzkiego nadzoru.
Prognozowanie i optymalizacja. To obszar, gdzie AI daje największą przewagę, ale wymaga też największych inwestycji w dane. Firma produkcyjna, która zbiera dane o zamówieniach, sezonowości, cenach surowców i zachowaniach klientów od co najmniej dwóch lat, może wykorzystać modele predykcyjne do optymalizacji zakupów i planowania produkcji. Narzędzia takie jak DataRobot, H2O.ai czy nawet dobrze skonfigurowane modele w Pythonie potrafią dać wyniki lepsze o 10-20% od intuicji doświadczonego planisty. Ale firma, która nie ma uporządkowanych danych historycznych, nie skorzysta z tych narzędzi - i żaden dostawca "AI" tego nie zmieni.
Jak nie dać się nabrać - praktyczny filtr dla MŚP
Na koniec proponuję prosty filtr, który pomaga ocenić, czy oferta "AI" jest warta uwagi. Nie wymaga wiedzy technicznej - wystarczy zdrowy rozsądek i kilka minut refleksji.
Sprawdź, czy problem jest realny. Zanim kupisz rozwiązanie AI, upewnij się, że masz problem, który ono rozwiązuje. Brzmi banalnie, ale widzę firmy, które kupują "AI do analizy sentymentu klientów", mając 50 opinii miesięcznie. To można przeczytać w 15 minut. AI ma sens przy skali - setki dokumentów, tysiące transakcji, dziesiątki tysięcy interakcji z klientami.
Poproś o pilotaż lub okres próbny. Uczciwy dostawca zgodzi się na pilotaż na realnych danych firmy. Jeśli jedyną opcją jest roczna subskrypcja z góry bez możliwości testowania - to sygnał, że produkt może nie wytrzymać konfrontacji z rzeczywistością.
Porównaj z prostszą alternatywą. Zanim zapłacisz za "AI-powered analytics", sprawdź, czy ten sam wynik da ci dobrze skonfigurowany arkusz kalkulacyjny, tabela przestawna w Excelu albo prosty dashboard w Google Looker Studio. Czasem odpowiedź brzmi "tak" - i to jest w porządku. Nie każdy problem wymaga sztucznej inteligencji, a proste rozwiązanie, które działa, jest lepsze od skomplikowanego, które wymaga miesięcy wdrożenia.
Licz zwrot z inwestycji w złotówkach, nie w obietnicach. Każde narzędzie AI powinno dać się przeliczyć na konkretne oszczędności lub przychody. Ile godzin pracy zaoszczędzi? O ile zmniejszy liczbę błędów? O ile szybciej obsłuży klientów? Jeśli dostawca operuje wyłącznie ogólnikami typu "zwiększy efektywność" i "zoptymalizuje procesy" bez żadnych liczb, to mamy do czynienia z marketingiem, nie z rozwiązaniem biznesowym.
Sztuczna inteligencja to potężne narzędzie, które zmienia sposób działania firm na całym świecie - również w Polsce. Ale właśnie dlatego, że jest potężne, zasługuje na uczciwe traktowanie. Polskie MŚP nie potrzebują więcej szumu. Potrzebują konkretnych narzędzi, które rozwiązują konkretne problemy za rozsądne pieniądze. A żeby je znaleźć, trzeba umieć odróżnić prawdziwą innowację od ładnej naklejki na pudełku.
Źródło: Jersey Mike's IPO illustrates how bad the AI hype has become - TechCrunch