51% firm miało problemy z AI — McKinsey o ryzykach adopcji

Tak — 51% organizacji deklaruje, że doświadczyło co najmniej jednego negatywnego skutku wdrożenia generatywnej AI. To jeden z najmocniejszych sygnałów z najnowszych badań McKinsey: adopcja AI rośnie bardzo szybko, ale równie szybko rosną ryzyka operacyjne, prawne i reputacyjne. Innymi słowy: problemem nie jest już to, czy firmy korzystają z AI, ale czy robią to w sposób kontrolowany.

W praktyce oznacza to, że firmy wdrażające AI bez ładu, polityk i nadzoru narażają się na błędne odpowiedzi modeli, wycieki danych, naruszenia compliance, uprzedzenia algorytmiczne i szkody wizerunkowe. Dla marketerów, działów sprzedaży, HR i obsługi klienta to sygnał, że AI musi być zarządzane jak krytyczna technologia biznesowa — nie jak eksperyment.

Kluczowy wniosek: 51% firm miało problemy z AI

Według McKinsey Global Survey on AI, 51% organizacji korzystających z generatywnej AI wskazało, że doświadczyło co najmniej jednego negatywnego skutku związanego z jej użyciem. Najczęściej raportowane ryzyka dotyczyły:

• nieścisłości i błędnych odpowiedzi modeli,
• cyberbezpieczeństwa,
• naruszeń własności intelektualnej,
• wyjaśnialności decyzji,
• prywatności i zgodności regulacyjnej.

To ważne, bo ten sam raport pokazuje równolegle bardzo wysoki poziom adopcji: 78% organizacji deklaruje, że używa AI w co najmniej jednej funkcji biznesowej. McKinsey podkreśla też, że wykorzystanie generatywnej AI jest już powszechne nie tylko na poziomie pilotaży, ale realnych procesów w marketingu, sprzedaży, rozwoju produktu, IT i obsłudze klienta.

Źródło: McKinsey & Company, The state of AI: How organizations are rewiring to capture value, 2025.

Kontekst badania McKinsey: wysoka adopcja, nierówny poziom dojrzałości

Badania McKinsey pokazują dziś dwa równoległe trendy. Po pierwsze, AI weszła do mainstreamu biznesowego. Po drugie, dojrzałość zarządzania AI nadal wyraźnie odstaje od skali wdrożeń.

Najważniejsze dane z raportów McKinsey, które warto znać:

Te liczby nie przeczą sobie — one się uzupełniają. Szybki wzrost użycia AI zwiększa ekspozycję na ryzyko. Im więcej zespołów korzysta z modeli, tym więcej pojawia się punktów awarii: promptów tworzonych bez standardów, użycia nieautoryzowanych narzędzi, eksportu danych do zewnętrznych systemów i publikacji treści bez kontroli jakości.

To szczególnie istotne dla firm, które traktowały AI jako szybkie narzędzie do zwiększania produktywności. Produktywność rzeczywiście rośnie, ale bez governance rosną też koszty ukryte: korekty błędów, eskalacje prawne, reklamacje klientów i konieczność porządkowania procesów po fakcie.

Jakie są najczęstsze ryzyka adopcji AI

„Negatywny skutek” nie oznacza wyłącznie spektakularnej awarii. Często chodzi o mniejsze, ale częste incydenty, które sumarycznie obniżają wartość biznesową wdrożenia. W praktyce firmy najczęściej mierzą się z pięcioma typami ryzyk.

1. Halucynacje i błędne odpowiedzi

Modele generatywne potrafią produkować przekonująco brzmiące, ale nieprawdziwe treści. W marketingu może to oznaczać błędne claimy, nieaktualne dane rynkowe lub nieprawidłowe interpretacje przepisów. W sprzedaży — złe informacje o ofercie. W HR — niepoprawne podsumowania polityk lub dokumentów.

2. Wyciek danych i prywatność

Jednym z największych problemów jest wprowadzanie do modeli danych wrażliwych: informacji o klientach, danych finansowych, kodu źródłowego, umów lub treści objętych tajemnicą przedsiębiorstwa. Bez jasnych zasad pracownicy często nie wiedzą, jakie dane można przesyłać do narzędzi AI, a jakich nie.

3. Własność intelektualna i prawa autorskie

Firmy ryzykują zarówno po stronie inputu, jak i outputu. Problem może dotyczyć nieuprawnionego wykorzystania materiałów wejściowych, ale też publikowania treści wygenerowanych przez AI bez sprawdzenia ich oryginalności lub zgodności prawnej.

4. Bias i problemy decyzyjne

Jeżeli AI wspiera ocenę kandydatów, scoring leadów, segmentację klientów albo klasyfikację zgłoszeń, błędne lub tendencyjne wyniki mogą prowadzić do realnych strat biznesowych i reputacyjnych.

5. Brak wyjaśnialności i nadzoru

W wielu organizacjach nikt nie jest formalnie właścicielem ryzyka AI. Narzędzia są wdrażane oddolnie, bez mapy procesów, bez polityk promptowania, bez logowania użycia i bez procedury akceptacji treści. To właśnie wtedy nawet drobny incydent szybko staje się problemem systemowym.

Co to oznacza dla firm i marketerów

Dla biznesu wniosek jest prosty: wdrożenie AI nie jest już wyłącznie projektem efektywnościowym — to także projekt zarządzania ryzykiem.

Dla marketerów ma to szczególne znaczenie, bo marketing jest jednym z obszarów, gdzie generatywna AI została przyjęta najszybciej. Tworzenie treści, research, SEO, kampanie performance, personalizacja, analiza insightów konsumenckich czy automatyzacja kreacji — wszystkie te zastosowania dają szybki zwrot, ale również zwiększają ryzyko publikacji błędnych lub niezgodnych materiałów.

W praktyce oznacza to kilka zmian:

• AI nie powinna publikować bez człowieka w pętli w treściach wysokiego ryzyka: prawnych, medycznych, finansowych, employer brandingowych i produktowych.
• Proces contentowy musi mieć etap weryfikacji źródeł, zwłaszcza przy danych liczbowych i porównaniach konkurencyjnych.
• Brand safety obejmuje dziś także AI safety — czyli kontrolę tonu, zgodności, praw autorskich i poprawności informacji.
• Adopcja AI bez polityki wewnętrznej zwiększa shadow AI, czyli korzystanie z niezatwierdzonych narzędzi przez pracowników.

Z perspektywy zarządów jeszcze ważniejsze jest to, że ryzyka AI nie ograniczają się do działu IT. Dotykają marketingu, HR, sprzedaży, legalu, bezpieczeństwa, procurementu i operacji. To wymusza model współpracy międzyfunkcyjnej.

Jak przygotować firmę na bezpieczną adopcję AI

Firmy nie powinny interpretować danych McKinsey jako sygnału, żeby ograniczać AI. Wniosek jest odwrotny: trzeba lepiej nią zarządzać. Najlepsze organizacje nie rezygnują z AI z powodu ryzyka — tylko budują wokół niej zasady i mechanizmy kontroli.

1. Ustal politykę użycia AI

Podstawą jest dokument określający:

• jakie narzędzia są dozwolone,
• jakich danych nie wolno wprowadzać do modeli,
• kiedy wymagany jest review człowieka,
• jak oznaczać treści wspierane przez AI,
• kto odpowiada za akceptację outputów.

2. Zdefiniuj klasy ryzyka zastosowań

Nie każdy use case jest równie niebezpieczny. Warto podzielić zastosowania AI na trzy poziomy:

• niskie ryzyko — np. brainstorming, podsumowania spotkań, szkice treści,
• średnie ryzyko — np. komunikacja marketingowa, segmentacja, automatyzacja FAQ,
• wysokie ryzyko — np. decyzje personalne, treści regulacyjne, rekomendacje finansowe, analiza dokumentów prawnych.

Taki podział pozwala dobrać adekwatne poziomy kontroli.

3. Wprowadź human-in-the-loop

W newralgicznych procesach człowiek musi zatwierdzać wynik modelu. Dotyczy to szczególnie publikacji zewnętrznych, komunikacji z klientem, ofert handlowych, analiz strategicznych i materiałów eksperckich.

4. Szkol zespoły praktycznie, nie tylko formalnie

Jednorazowe szkolenie compliance nie wystarczy. Zespoły potrzebują warsztatów z realnych scenariuszy:

• jak pisać bezpieczne prompty,
• jak weryfikować odpowiedzi modeli,
• jak rozpoznawać halucynacje,
• kiedy nie używać AI,
• jak pracować na danych wewnętrznych bez naruszania zasad bezpieczeństwa.

5. Mierz wartość i incydenty

Jeśli firma nie mierzy efektów, szybko wpada w pułapkę „AI theater” — dużo aktywności, mało realnego wpływu. Warto równolegle monitorować:

• oszczędność czasu,
• wzrost produktywności,
• wpływ na przychód lub koszt,
• liczbę incydentów jakościowych,
• liczbę incydentów bezpieczeństwa i compliance.

Powiązane dane rynkowe: adopcja rośnie szybciej niż governance

Dane McKinsey wpisują się w szerszy obraz rynku. Gartner prognozował, że do 2026 roku ponad 80% przedsiębiorstw będzie korzystać z interfejsów API lub modeli generatywnej AI i/lub wdroży aplikacje oparte na GenAI w środowiskach produkcyjnych, podczas gdy w 2023 roku było to mniej niż 5%. To pokazuje skalę przyspieszenia.

Źródło: Gartner, Gartner Says More Than 80% of Enterprises Will Have Used Generative AI APIs or Deployed Generative AI-Enabled Applications by 2026, 2023.

Z kolei BCG wielokrotnie wskazywało, że firmy osiągające najwyższą wartość z AI odróżnia nie sama technologia, ale połączenie trzech elementów: priorytetyzacji use case’ów, przebudowy procesów i rozwoju kompetencji ludzi. To ważna korekta dla organizacji, które sądzą, że zakup narzędzia rozwiązuje problem adopcji.

Źródło: BCG, raporty i publikacje dotyczące AI transformation i GenAI adoption, 2024–2025.

Najczęstszy błąd: firma wdraża AI szybciej, niż buduje zasady

To właśnie dlatego 51% organizacji zgłasza negatywne skutki. Zazwyczaj nie chodzi o to, że model „nie działa”. Problem leży w luce organizacyjnej między użyciem a zarządzaniem użyciem.

Typowy scenariusz wygląda tak:

1. pracownicy zaczynają korzystać z publicznych narzędzi AI,
2. firma widzi szybkie korzyści produktywnościowe,
3. narzędzia są rozszerzane na kolejne zespoły,
4. brakuje wspólnych standardów,
5. pojawia się błąd, naruszenie lub reklamacja,
6. dopiero wtedy organizacja buduje governance.

Dojrzalsze firmy robią to odwrotnie: ustalają zasady wcześnie, a potem skalują wdrożenia. Dzięki temu AI przynosi wartość bez niepotrzebnego chaosu.

Co robić teraz: plan działań dla firm na 2025 rok

Jeśli Twoja organizacja już korzysta z AI, warto wdrożyć krótki plan naprawczy lub porządkujący:

• przeprowadź audyt użycia AI w zespołach,
• zidentyfikuj narzędzia oficjalne i nieoficjalne,
• sklasyfikuj use case’y według ryzyka,
• wdroż politykę AI i checklisty publikacyjne,
• ustal proces akceptacji dla treści i decyzji wysokiego ryzyka,
• przeszkol marketing, sprzedaż, HR i obsługę klienta,
• ustal KPI dla wartości i ryzyk AI,
• regularnie aktualizuj polityki wraz ze zmianami narzędzi i regulacji.

Dla marketerów szczególnie ważne jest połączenie AI governance z procesem content quality. Jeśli zespół używa AI do SEO, reklam, mailingu, LP, social media i analiz konkurencji, musi mieć jasne zasady sprawdzania faktów, źródeł i zgodności komunikacji z marką.

FAQ

Czy 51% oznacza, że AI bardziej szkodzi niż pomaga?

Nie. Oznacza, że ponad połowa badanych organizacji doświadczyła przynajmniej jednego negatywnego skutku użycia GenAI. To nie wyklucza korzyści biznesowych. Wskazuje raczej, że wartość i ryzyko rosną równolegle.

Jakie działy są najbardziej narażone na ryzyka AI?

Najczęściej te, które pracują na dużej liczbie treści, danych i interakcji z klientem: marketing, obsługa klienta, sprzedaż, HR, IT oraz działy prawne i compliance.

Jak ograniczyć ryzyko bez hamowania innowacji?

Najskuteczniejsze podejście to model „guardrails, not roadblocks”: zatwierdzone narzędzia, klasy ryzyka, human-in-the-loop, szkolenia praktyczne i monitoring incydentów.

Czy małe firmy też potrzebują polityki AI?

Tak. Nawet krótka, 2–3 stronicowa polityka jest lepsza niż brak zasad. Największe ryzyka — wyciek danych, błędne treści i naruszenia praw autorskich — dotyczą także mniejszych organizacji.

Wnioski

51% organizacji, które odczuły negatywne skutki AI, to nie argument przeciwko adopcji. To argument za tym, żeby wdrażać AI dojrzale. McKinsey pokazuje wyraźnie, że biznes jest już w fazie powszechnego użycia tej technologii. Kolejnym etapem nie jest więc pytanie „czy używać AI?”, ale „jak robić to bezpiecznie, skutecznie i na skalę”.

Firmy, które uporządkują governance, procesy i kompetencje, będą w lepszej pozycji niż te, które ograniczą się do szybkich eksperymentów. Jeśli chcesz uporządkować wykorzystanie AI w marketingu, sprzedaży lub procesach operacyjnych, zespół CCZ Group może pomóc w audycie use case’ów, politykach wdrożeniowych i praktycznych standardach pracy z AI.

Rafał Krawczyk

Od 2020 roku specjalizuję się w zaawansowanym technicznym SEO, GEO i inżynierii GAN. Trenuję modele AI do automatyzacji i optymalizacji rozbudowanych platform e-commerce pod kątem GEO i RAG. Odrzucam ręczne metody – współtworzę wieloagentowe ekosystemy, które automatyzują analizę, dobór strategii i masowe wdrożenia publikacji. Zgłębiam najdrobniejsze detale Web Performance, przekładając je na schematy uczenia naszych algorytmów, by przygotować domeny klientów na erę AI Search. Wolny czas spędzam z rodziną, a hobbystycznie programuję i rozbudowuję swój inteligentny dom.