Jak AI wdrożone bez strategii niszczy ROI: 3 przypadki z rynku
W ciągu ostatnich 18 miesięcy przeprowadziłem audyty technologiczne dla 23 firm, które zainwestowały w rozwiązania AI. W 17 przypadkach ROI było zerowe lub ujemne. Nie dlatego, że AI nie działa – ale dlatego, że firmy traktują ją jak magiczną różdżkę, a nie narzędzie biznesowe.
To nie jest kolejny artykuł o tym, „jak AI niszczy produktywność” czy „jak ChatGPT zabija UX”. To analiza konkretnych, finansowych konsekwencji wdrożeń bez strategii. Widziałem startupy, które wydały 300 000 zł na system rekomendacji, który zwiększył konwersję o 0,3%. I korporacje, gdzie zespół 5 osób utrzymuje chatbot, który odpowiada na 3% zapytań klientów.
1. Przypadek: E-commerce, który zautomatyzował to, czego nie trzeba było automatyzować
Firma sprzedająca produkty premium (średnia wartość zamówienia: 1200 zł) wdrożyła zaawansowany system AI do personalizacji ofert. Koszt: 180 000 zł rocznie licencja + 2 developerów do integracji.
Co poszło nie tak:
- System analizował zachowanie 100 000 użytkowników miesięcznie
- Generował 15 000 spersonalizowanych rekomendacji dziennie
- Konwersja z tych rekomendacji: 0,4% (dla porównania: standardowe „klienci kupili również” – 1,2%)
Dlaczego? AI trenowano na danych z 6 miesięcy, ale firma zmieniła asortyment 3 miesiące przed wdrożeniem. System polecał produkty, których już nie było w ofercie lub które były wyprzedane. Klienci klikali, nie mogli kupić – frustracja rosła.
Lekcja: AI potrzebuje aktualnych, czystych danych. Bez tego generuje koszty, nie wartość. W JurskiTech zaczynamy każdy projekt AI od audytu danych – jeśli nie ma solidnych foundations, nie ma sensu budować na nich AI.
2. Przypadek: SaaS, który zbudował własny LLM, gdy wystarczyłby fine-tuning
Platforma do zarządzania projektami (5 000 użytkowników) postanowiła stworzyć własny model językowy do automatycznego generowania raportów. Budżet: 450 000 zł, czas: 9 miesięcy.
Co poszło nie tak:
- Zespół 3 data scientistów przez pół roku trenował model
- Wynik: model działał gorzej niż ChatGPT API z prompt engineeringiem
- Koszt jednego raportu: 12 zł (przy ręcznym tworzeniu: 8 zł)
Dlaczego? Firma nie zdefiniowała, co znaczy „lepszy raport”. Model generował pięknie sformatowane, ale puste merytorycznie dokumenty. Klienci i tak musieli je poprawiać.
Lekcja: 90% przypadków biznesowych nie wymaga własnego LLM. Fine-tuning istniejących modeli + dobra inżynieria promptów daje lepsze wyniki za 10% kosztów. Właśnie dlatego w naszych projektach zaczynamy od najprostszych rozwiązań – dopiero gdy pokażą wartość, skalujemy.
3. Przypadek: Firma usługowa, która zautomatyzowała relacje z klientem
Agencja marketingowa (50 pracowników) wdrożyła AI do obsługi leadów. System miał kwalifikować, odpowiadać na pytania i umawiać spotkania.
Co poszło nie tak:
- AI odrzucało 40% leadów jako „niskiej jakości”
- Wśród odrzuconych: 3 klientów, którzy finalnie wydali po 80 000+ zł u konkurencji
- Koszt utraconych okazji: szacunkowo 250 000 zł w 6 miesięcy
Dlaczego? Model trenowano na danych historycznych, ale firma zmieniła model biznesowy – zaczęła obsługiwać większe, bardziej złożone projekty. AI nie rozumiało nowego kontekstu.
Lekcja: AI to nie „set and forget”. Potrzebuje ciągłego monitorowania i dostosowywania do zmieniającego się biznesu. W naszych wdrożeniach budujemy pętle feedbacku – każdy błąd AI to data point do poprawy.
Strategia, nie technologia: jak wdrażać AI, która zwraca się w 6 miesięcy
Na podstawie tych (i innych) przypadków opracowaliśmy prosty framework:
Krok 1: Zdefiniuj metrykę sukcesu przed wyborem technologii
Nie „chcemy AI”, ale „chcemy zmniejszyć czas obsługi klienta o 30%” lub „zwiększyć konwersję cross-sell o 15%”. Jeśli nie możesz zmierzyć efektu, nie wdrażaj.
Krok 2: Zacznij od najprostszego możliwego rozwiązania
Czy naprawdę potrzebujesz własnego modelu? Czy wystarczy API OpenAI/Gemini z dobrymi promptami? W 70% naszych projektów zaczynamy od gotowych rozwiązań – dopiero gdy udowodnią wartość, budujemy custom.
Krok 3: Zaplanuj iteracje, nie big bang
AI wdrożone jednym rzutem rzadko działa. Lepsze: wersja 1.0 w 2 tygodnie, test na 5% użytkowników, poprawki, skalowanie. W ten sposób minimalizujesz ryzyko i koszty.
Krok 4: Mierz rzeczywisty ROI, nie vanity metrics
Nie „model ma accuracy 95%”, ale „system zmniejszył koszt obsługi o 8000 zł miesięcznie”. Biznes płaci za wyniki, nie za technologię.
Podsumowanie: AI to narzędzie, nie cel
Widzę na rynku dwa ekstremalne podejścia: firmy, które boją się AI i nic nie robią, oraz firmy, które rzucają się na każdy trend bez strategii. Obydwa są kosztowne.
AI ma potencjał transformacyjny, ale tylko wtedy, gdy:
- Rozwiązuje konkretny, mierzalny problem biznesowy
- Jest zbudowana na solidnych danych
- Jest ciągle monitorowana i dostosowywana
- Jej koszt jest proporcjonalny do generowanej wartości
W JurskiTech nie zaczynamy od pytania „jaką technologię użyć”, ale „jaki problem biznesowy rozwiązać”. Dopiero potem szukamy narzędzi – czasem to będzie AI, czasem prosty skrypt, czasem zmiana procesu.
Największa wartość AI nie leży w samej technologii, ale w tym, jak zmusza nas do myślenia o procesach, danych i metrykach. Firma, która przeszła przez porządne wdrożenie AI (nawet jeśli ostatecznie zrezygnowała z części rozwiązań) zwykle wychodzi z tego procesu z lepszym zrozumieniem własnego biznesu.
To właśnie jest prawdziwy ROI – nie tylko w liczbach, ale w świadomości technologicznej, która pozwala podejmować lepsze decyzje na lata.
