Inwestycje w AI: Ukryte koszty w średnich przedsiębiorstwach

Marktanalyse · 16. Oktober 2026 · Anthony Filipiak

Inwestycje w AI kosztują więcej niż pokazują licencje. Sprawdź dane, integrację i eksploatację, zanim Twój pilot stanie się drogim blokiem kosztów.

14 października 2026 roku Europa Press, powołując się na Stanford AI Index, poinformowała, że globalne prywatne finansowanie AI osiągnęło w 2025 roku około 344,7 mld USD – z czego około 285,9 mld USD w USA i tylko około 20,9 mld USD w Europie. W tym samym zbiorze danych pojawiają się europejskie programy publiczne, takie jak InvestAI z 20 mld euro oraz większe publiczno-prywatne projekty AI do 200 mld euro. Brzmi to jak pogoń za liderem. No cóż, prawie. Dla dyrektorów zarządzających w średnich przedsiębiorstwach w regionie DACH liczy się teraz nie nagłówek o inwestycjach w AI, lecz pytanie, jaka część tych miliardów faktycznie trafia do ich własnej fabryki, do ich własnej sprzedaży, do ich własnej marży – a jaka część pozostaje jako koszty infrastruktury u Microsoft, AWS, Google, Nvidia, SAP czy Siemens.

Moja zaskakująca prognoza: W ciągu najbliższych dwóch do trzech lat wiele średnich przedsiębiorstw produkcyjnych wyda więcej pieniędzy na czyszczenie danych, integrację, zarządzanie i eksploatację modeli niż na faktyczne oprogramowanie AI. Nie tylko trochę więcej. Znacznie więcej. Kto w 2026 roku buduje biznesplan AI, który kończy się na cenie licencji i kosztach API, ten upiększa pilotaż i rujnuje wdrożenie.

Nie piszę tego jako analityk z przeszklonego biura. Piszę to na podstawie rozmów z dyrektorami zarządzającymi, kierownikami sprzedaży i osobami odpowiedzialnymi za IT u producentów, dostawców i usługodawców technicznych, którzy właśnie zauważają, że AI nie zawodzi na demo, lecz w poniedziałek rano po nim. Na liście materiałowej SAP. Na systemie MES, który był utrzymywany inaczej niż zakładano. Na radzie zakładowej. Na starych numerach artykułów, które pachną jak piwnica z aktami po deszczu – i w niektórych zakładach nadal tam stoją.

Inwestycje w AI w obecnym stanie – dużo pieniędzy, błędna interpretacja

Widoczny rynek eksploduje. Według Menlo Ventures, wydatki przedsiębiorstw na generatywną AI wzrosły z 11,5 mld USD w 2024 roku do 37 mld USD w 2025 roku. Z tego około 19 mld USD przypadało na aplikacje AI, a około 18 mld USD na infrastrukturę; API modeli bazowych stanowiły największy blok w ramach infrastruktury, z kwotą 12,5 mld USD. Ta liczba jest ważna, ponieważ pokazuje, dokąd płynie pierwszy strumień marży – do dostawców modeli i platform, a nie automatycznie do procesów produkcyjnych w Brose, Schaeffler, Trumpf, Phoenix Contact czy u producenta narzędzi zatrudniającego 850 pracowników w Ostwestfalii.

Europa inwestuje. Ale inaczej. W przypadku późnego kapitału wzrostowego luka jest brutalna: na 2025 rok szacuje się około 12 mld USD finansowania AI na późnym etapie w Europie, w porównaniu do 141 mld USD w USA. To nie tylko problem VC dla startupów w Paryżu, Monachium czy Sztokholmie. Decyduje to o tym, czy europejscy dostawcy będą w stanie sfinansować własne modele bazowe, przemysłowe infrastruktury chmurowe i platformy wertykalne – czy też firmy z regionu DACH będą musiały budować swoją warstwę AI na infrastrukturze amerykańskiej i później żyć z podwyżkami cen, kwestiami rezydencji danych i zmianami interfejsów.

W średnich przedsiębiorstwach dochodzi jeszcze coś, czego brakuje na wielu wykresach rynkowych. Rachunek nie zaczyna się od 29 euro za użytkownika miesięcznie. Zaczyna się od pytania, czy dane z SAP, MES, SCADA, PLM, CRM, zarządzania jakością, arkuszy Excel i lokalnych baz danych Access w ogóle do siebie pasują. Thomas, dyrektor finansowy dostawcy maszyn z Augsburga, powiedział mi w marcu 2026 roku: „Demo od dostawcy było czyste. Nasze dane nie były.” To zdanie słyszę częściej niż jakąkolwiek wizję autonomicznych fabryk.

Co pokazują liczby analityków – i co ukrywają

Raporty analityków są przydatne. Czytam je. Używam ich również w rozmowach z klientami, ponieważ inwestorzy i rady nadzorcze potrzebują liczb. Ale często tną rynek w niewłaściwym miejscu. Widoczne są rundy finansowania, przychody z chmury, licencje na oprogramowanie i zużycie API. Mniej widoczne są wewnętrzne godziny pracy inżynierów procesowych, migracja danych z 14 lat historii produkcji, uzgodnienia z radą zakładową, nowe modele ról w SAP, dokumentacja audytowa dla EU AI Act, testy bezpieczeństwa przeciwko wstrzykiwaniu promptów i cicha praca inżyniera jakości, który ponownie etykietuje 18 000 zdjęć, ponieważ kamera w 2021 roku była źle ustawiona.

To jest prawdziwy blok kosztów. Nieseksowny. Żadne stoisko na targach w Hanowerze nie będzie tego głośno reklamować. Na targach w Hanowerze w kwietniu 2026 roku słyszałem w dwóch halach prawie ten sam pitch: przemysłowe copiloty, bezpieczne przestrzenie danych, AI do konserwacji, AI do sprzedaży, AI do inżynierii. Co słyszałem rzadziej: Kto utrzymuje Ground Truth po zmianie produktu? Kto płaci za równoległe działanie? Kto odpowiada za model, jeśli technicznie działa, ale merytorycznie powoli się pogarsza?

Trend 1 — Inwestycje w AI przenoszą się z modeli na koszty operacyjne

Pierwszy trend jest niewygodny: model staje się mniejszą pozycją. Nie zawsze w pierwszej ofercie, ale w prawdziwym trzyletnim budżecie. Producent może dziś za kilka tysięcy euro miesięcznie uzyskać dostęp do modeli językowych, przeszukiwać dokumenty, klasyfikować e-maile czy analizować instrukcje techniczne. Jednak gdy system staje się bliski produkcji, zaczyna się przesunięcie kosztów. Wtedy chodzi o jakość danych, interfejsy, prawa, logowanie, monitorowanie, wysoką dostępność i odbiór. Brzmi jak drobiazgi IT. Ale tak nie jest. To różnica między demo dla zarządu a systemem, który nie rozpadnie się podczas nocnej zmiany w zakładzie 2.

W produkcji dane rzadko znajdują się tam, gdzie zakładają to slajdy konsultantów. SAP zna zamówienia, materiały, terminy dostaw. MES zna stany maszyn. SCADA zna sygnały. Sterowniki PLC dostarczają takty, kody błędów, temperatury. Zarządzanie jakością zna plany kontroli i reklamacje. Utrzymanie ruchu zna awarie, ale często jako wolny tekst. Sprzedaż i serwis znają kontekst klienta, ale ten znajduje się w polach CRM, ofertach PDF, historiach e-maili i czasem w głowie Bernda, który od 19 lat obsługuje kluczowych klientów. Kto chce z tego stworzyć wiarygodną AI, nie płaci tylko za tokeny. Płaci za pracę tłumaczeniową między systemami, zespołami i rzeczywistościami.

Jestem tu celowo ostry: Kto traktuje wdrożenie AI jako zakup oprogramowania, ten przepala budżet. Firmy, które wygrywają, traktują AI jako model operacyjny. Nie jako narzędzie. Model do konserwacji predykcyjnej musi rejestrować sygnały maszyn, klasyfikować stany, generować zlecenia konserwacji, rezerwować części zamienne, wpływać na planowanie personelu i analizować fałszywe alarmy. Jeśli działa tylko pierwszy krok, ma się ładny wykres. Nie ma strategii konserwacji.

Nie mamy za mało AI. Mamy za mało czystych przekazań między danymi, procesem i odpowiedzialnością.

— Andrea, Head of Sales Operations u dostawcy maszyn, Bielefeld

Andrea powiedziała mi to zdanie w maju 2026 roku po warsztatach dotyczących priorytetyzacji kont i danych ofertowych. Jej zespół chciał wykorzystać AI do identyfikacji lepszych klientów docelowych. Licencja została zatwierdzona. Stan danych nie. W CRM 38 procent pól branżowych było pustych lub błędnych, oferty z dwóch linii produktów były dostępne tylko w formacie PDF, a w przypadku 11 dużych klientów nie było jasne, czy rozwój obrotów wynikał z podwyżek cen, wzrostu wolumenu czy działalności w zakresie części zamiennych. To nie jest przypadek szczególny. To codzienność.

Ukryte koszty — gdzie biznesplan AI się załamuje

Kiedy rozmawiam z dyrektorami zarządzającymi o inwestycjach w AI, na początku prawie zawsze pojawia się to samo pytanie: Ile kosztuje to narzędzie? Błędne pytanie. Lepsze pytanie brzmi: Ile kosztuje stan, w którym narzędzie może działać ekonomicznie? Nie do końca – oba pytania są potrzebne. Ale drugie decyduje o ROI.

Przygotowanie danych to pierwszy duży problem. Średnie przedsiębiorstwo z 500 do 2000 pracowników może szybko wydać kilkaset tysięcy euro na dobrze zaplanowany projekt danych i integracji, zanim pierwszy przypadek użycia zostanie skalowany. Nie dlatego, że dostawcy są chciwi. Ale dlatego, że brakuje danych historycznych, znaczniki czasu są przesunięte, numery artykułów nie są jednolite, czujniki dryfują, notatki zmianowe były uzupełniane ręcznie, a zmiany procesów nigdy nie były prawidłowo dokumentowane. W jednej fabryce serwerownia nadal pachniała ciepłym kurzem, gdy kierownik IT wyjaśniał nam, dlaczego najstarsza baza danych produkcyjnych działa tylko na wirtualnym serwerze Windows, którego nikt nie chce dotykać. Właśnie tam zaczynają się koszty AI.

Integracja to drugi duży problem. Rozwój API, middleware, połączenie z ERP, połączenie z MES, bazy danych Historian, edge computing, modele ról, monitorowanie, logowanie, kopie zapasowe, zarządzanie wersjami dla modeli i danych. To nie jest przypis. W projekcie wizualnej kontroli jakości oprogramowanie może kosztować 100 000 euro, podczas gdy kamery, oświetlenie, sieć przemysłowa, etykietowanie, integracja QMS, szkolenia, utrzymanie modelu, odbiór QS i procesy eskalacji przenoszą całkowitą kwotę do innej ligi. Kto widzi tylko cenę oprogramowania, patrzy na wierzchołek bloku kosztów.

Potem przychodzi MLOps. Wiele biznesplanów kalkuluje rozwój, ale nie eksploatację. Modele muszą być monitorowane. Dryf danych i koncepcji musi być wykrywany. Nowe wersje modeli wymagają testów. Fałszywe alarmy muszą być analizowane. Wykorzystanie chmury lub GPU waha się. Dokumentacja musi być możliwa do audytu. Wsparcie wymaga odpowiedzialności. Model może działać technicznie, mimo że zmieniły się surowce, dostawcy, parametry maszyn lub warianty produktów. Wtedy nie kłamie. Po prostu nie jest już tak dobry, jak wszyscy wierzą.

Czwarty problem jest organizacyjny. AI rzadko natychmiast zastępuje cały proces. Zazwyczaj powstaje równoległe działanie. Pracownicy sprawdzają propozycje. Inżynierowie jakości kontrolują błędne klasyfikacje. Konserwatorzy walidują prognozy konserwacji. Kupcy przeglądają automatycznie generowane propozycje zamówień. Prawnicy sprawdzają generowane treści. Ta warstwa kontroli nie jest oznaką zacofania. W produkcji błędna propozycja może oznaczać odpady, przestój lub ryzyko odpowiedzialności. Zatem zapotrzebowanie na personel często nie spada na początku. Przesuwa się.

A potem zgodność. EU AI Act zmusza firmy do dokładniejszego wyjaśnienia, czy system tylko rekomenduje, czy wpływa na decyzje – na przykład w zakresie jakości, bezpieczeństwa, personelu czy sterowania produkcją. Do tego dochodzi ochrona dostępu, rezydencja danych, weryfikacja dostawców, logowanie promptów, logowanie modeli, procesy awaryjne i ochrona przed wyciekiem danych. Wewnętrzny system wiedzy, który przetwarza dane konstrukcyjne, receptury, ceny klientów czy raporty serwisowe, nie jest miłym chatbotem. To nowy cel ataków.

Trend 2 — Europa staje się silna w aplikacjach, zależna w infrastrukturze

Drugi trend: Europa nie wygra, budując własny model bazowy dla każdego średniego przedsiębiorstwa. Szczerze? Nie wiem, dlaczego ta fantazja nadal pojawia się w niektórych rundach strategicznych. Dla większości firm produkcyjnych z regionu DACH jest to ekonomiczny nonsens. Siła leży w aplikacjach opartych na własnych danych: parametrach produkcji, wzorcach jakości, historiach serwisowych, wariantach konstrukcyjnych, historiach ofert, specyfikacjach technicznych, stanach maszyn i zachowaniach klientów.

Krajobraz konkurencji jest wyraźnie warstwowy. Hyperscalerzy, tacy jak Microsoft, Amazon Web Services i Google, sprzedają platformy chmurowe, modelowe i danych. Dostawcy modeli, tacy jak OpenAI, Anthropic, Google, Meta i europejscy dostawcy, konkurują w zakresie modeli bazowych i API. Platformy przemysłowe, takie jak Siemens, SAP, Dassault Systèmes, PTC, Schneider Electric i Bosch, integrują AI w inżynierii, ERP, automatyzacji i konserwacji. Specjalistyczni dostawcy zajmują się kontrolą jakości, konserwacją predykcyjną, planowaniem produkcji, automatyzacją dokumentów lub przemysłowymi copilotami. Integratorzy systemów, tacy jak Accenture, Capgemini, Deloitte, T-Systems i regionalni specjaliści, wykonują ciężką pracę integracji.

Dla klientów powstaje z tego nowa zależność. Jeśli 12,5 mld USD wydatków przedsiębiorstw na infrastrukturę przypada wyłącznie na API modeli bazowych, to nie jest to tylko wskaźnik rynkowy. To sygnał ostrzegawczy. Ceny API się zmieniają. Zużycie tokenów rośnie. Modele są wycofywane. Własne interfejsy migrują. Wymagania dotyczące ochrony danych zaostrzają się. Kierownik zakupów ze Stuttgartu powiedział mi w czerwcu 2026 roku po rozmowie o kwalifikacji ofert wspomaganej AI: „Nie chcę za trzy lata stwierdzić, że nasza wiedza sprzedażowa jest uwięziona w modelu cenowym.” To jest właśnie sedno sprawy.

Z naszych wdrożeń wiemy: u klientów przemysłowych w regionie DACH pierwsze wąskie gardło prawie nigdy nie leży w modelu językowym. W ciągu ostatnich 12 miesięcy w Amplifa, w projektach z producentami maszyn, usługodawcami technicznymi i dostawcami B2B, zauważyliśmy, że 30 do 45 procent istotnych danych CRM i rynkowych musiało zostać oczyszczonych, uzupełnionych lub ponownie zmapowanych przed produktywnym użyciem. Szczególnie często: błędne przyporządkowanie branżowe, zduplikowane lokalizacje firm, nieaktualne osoby kontaktowe, nieutrzymywane role w centrach zakupowych i dane ofertowe, które były dostępne tylko jako PDF w strukturach folderów. To kosztuje czas. Ale bez tego kroku AI w sprzedaży produkuje ładne listy – i złe priorytety.

Ten punkt jest większy niż sprzedaż. Dotyczy produkcji, serwisu, zakupów i inżynierii. Kto posiada własne dane, nie posiada jeszcze przewagi. Przewaga powstaje dopiero wtedy, gdy te dane są czyste, dostępne, skonteneryzowane i prawnie użyteczne. Firmy z regionu DACH mają tu prawdziwą szansę, ponieważ ich kompetencje procesowe są głębokie. Wittenstein rozumie systemy mechatroniczne. Festo rozumie automatyzację. Trumpf rozumie lasery i obróbkę blach. Kärcher rozumie floty urządzeń i serwis. Ale wiedza w firmie nie jest automatycznie wiedzą gotową do AI.

Amplifa ICP Playbook Praktyczny przewodnik, jak czysto strukturyzować klientów docelowych, luki w danych i priorytetyzację w sprzedaży B2B – zanim AI skaluje błędne konta.

Trend 3 — Cmentarz pilotów staje się problemem bilansowym

Trzeci trend jest najdroższy, ponieważ rzadko jest widoczny w pojedynczej pozycji kosztowej: nieskalowane pilotaże. Pilotaż wizualnej kontroli jakości tu. Chatbot do dokumentacji technicznej tam. Pomysł na konserwację predykcyjną w zakładzie 1. Asystent sprzedaży w zespole eksportowym. Copilot do zakupów. Każdy pilotaż sam w sobie wydaje się uzasadniony. 50 000 euro. 120 000 euro. Wewnętrzny zespół, dwóch zewnętrznych konsultantów, budżet na chmurę, proof of concept. Po 18 miesiącach rada nadzorcza pyta, co działa produkcyjnie – i w pomieszczeniu zapada cisza.

Szkoda nie wynika tylko z wydanych pieniędzy. Wynika z utraconej uwagi zarządu, rozczarowanych działów i cynicznej organizacji. „Mieliśmy to już, nic nie dało”, powiedział mi Daniel, kierownik produkcji w firmie przetwórstwa tworzyw sztucznych w pobliżu Norymbergi, w lutym 2026 roku. Zdanie to nie wynikało z wrogości do technologii. Wynikało ze zmęczenia. Trzy pilotaże, brak wdrożenia, brak jasnej odpowiedzialności, brak podstawowych wskaźników. Zapach ciepłego plastiku w hali był bardziej realny niż jakakolwiek mapa drogowa AI w sali konferencyjnej.

Dlaczego pilotaże trafiają na cmentarz? Zazwyczaj z tych samych powodów: brak właściciela procesu, brak wiarygodnej podstawy, niedostępne dane produkcyjne, brak integracji, niejasna odpowiedzialność za błędne decyzje, brak budżetu na eksploatację, zbyt silna zależność od zewnętrznych zespołów projektowych. I szczególnie niemiecki klasyk: pilotaż jest zabezpieczany tak długo, aż niczego nie wolno mu zmieniać. Wtedy jest bezpieczny. I bezużyteczny.

FAQ — Dlaczego pilotaże AI zawodzą pomimo dobrych modeli?

Ponieważ dobry model nie ratuje złego procesu. System AI może przynieść korzyści ekonomiczne tylko wtedy, gdy dostęp do danych, odpowiedzialność za proces, akceptacja użytkowników, model operacyjny i logika eskalacji są wyjaśnione. W projekcie redukcji odpadów wysoki wskaźnik wykrywalności nie wystarczy, jeśli linia produkcyjna w przypadku fałszywego alarmu nie wie, kto podejmuje decyzję. W AI Sales scoring leadów nie wystarczy, jeśli sprzedaż nie ma czystych kryteriów ICP, a marketing nadal liczy MQL na podstawie pobrań formularzy. W konserwacji predykcyjnej prognoza nie wystarczy, jeśli części zamienne mają sześciotygodniowy czas dostawy.

Sprzeciwiam się tu popularnej tezie: „Musimy po prostu więcej eksperymentować.” Nie. Średnie przedsiębiorstwa wystarczająco eksperymentowały. Brakuje dyscypliny, aby przed eksperymentem zdefiniować warunki skalowania. Jakie dane są potrzebne? Jakie interfejsy? Kto obsługuje system? Co dzieje się w przypadku błędnych decyzji? Jaki wskaźnik musi się poprawić? Przy jakim progu należy się zatrzymać? Te pytania są nudne. Właśnie dlatego oszczędzają pieniądze.

Co konkretnie oznaczają ukryte koszty AI w średnich przedsiębiorstwach

Dla dyrektorów zarządzających kluczowe pytanie nie brzmi, czy AI działa. Oczywiście, działa w wielu obszarach. Pytanie brzmi, czy działa w ich własnym systemie ekonomicznym. Firma produkcyjna zatrudniająca 1200 pracowników, trzy zakłady, SAP ECC, starszy MES, kilka maszyn specjalnych, zdecentralizowaną kontrolę jakości i dział sprzedaży z 17 rozbudowanymi procesami Excel ma inną krzywą kosztów niż firma SaaS z czystym magazynem danych. Kto ignoruje te różnice, importuje rachunki z Doliny Krzemowej do świata brownfield.

Próg ekonomiczny jest często wyższy, niż sugeruje pierwszy pilotaż. Pojedynczy przypadek użycia może zacząć się od małego. Wdrożenie w całym zakładzie wymaga analizy danych i procesów, integracji, zasobów chmurowych lub sprzętowych, szkoleń, testów bezpieczeństwa, wyjaśnienia zgodności i kilku miesięcy stabilizacji operacyjnej. ROI nie powinien być zatem mierzony tylko oszczędnościami na personelu. W produkcji liczy się wskaźnik odpadów, First-Pass-Yield, nieplanowane przestoje, OEE, koszty konserwacji na instalację, zużycie energii na jednostkę produkcyjną, czas realizacji, jakość planowania, wskaźnik reklamacji i czas do analizy przyczyn.

W sprzedaży jest podobnie. Kto rozumie AI tylko jako automatyzację e-maili, w 2026 roku będzie skalował złe masowe wysyłki. Kto wykorzystuje AI jako system danych i priorytetyzacji, może inaczej zarządzać pipeline'em. Markus, kierownik sprzedaży w firmie budującej instalacje z Heilbronn, powiedział mi w kwietniu 2026 roku: „Mieliśmy wystarczająco dużo leadów. Po prostu nie wiedzieliśmy, które z nich były naprawdę gotowe do zakupu.” Jego zespół nie wysyłał potem więcej e-maili. Zacieśnił ICP, utrzymywał dane wyzwalające, ponownie ocenił potencjał istniejących klientów i skorygował stare etykiety branżowe. Wynik po dziewięciu miesiącach: znacznie mniej nieistotnych pierwszych rozmów i prawie trzykrotnie więcej kwalifikowanych spotkań w zdefiniowanym segmencie podstawowym – bez zatrudniania nowego SDR.

To jest sedno: AI nie tworzy automatycznie popytu. Może skupiać uwagę, uwidaczniać wzorce, przyspieszać procesy i przygotowywać decyzje. Ale wzmacnia też śmieci. Złe dane szybciej stają się złe. Błędni klienci docelowi są konsekwentniej źle obsługiwani. Niejasny proces nie staje się jaśniejszy tylko dlatego, że patrzy na niego model.

Czynnik Brownfield – dlaczego DACH jest droższy, ale nie bez szans

Niemcy mają silną bazę przemysłową i wiele własnych danych, które są cenne dla AI. Jednocześnie krajobrazy IT i OT są fragmentaryczne. Stare instancje SAP, specjalistyczne oprogramowanie z lat 2000., maszyny z własnymi interfejsami, lokalne bazy danych, linie produkcyjne, które nigdy nie były budowane dla danych w czasie rzeczywistym. U jednego z dostawców w Badenii-Wirtembergii we wrześniu 2025 roku obok instalacji stał jeszcze stary przemysłowy komputer PC, którego wentylator brzmiał jak suszarka do włosów pracująca na pełnych obrotach. Na tym komputerze znajdowała się część danych jakościowych potrzebnych do projektu AI. Nikt nie narysował go na slajdzie architektury.

To nie osłabia regionu DACH. To sprawia, że droga jest inna. Przewaga leży w własnych danych maszynowych, złożonej produkcji, kompetencjach jakościowych, głębi inżynierskiej, przemysłowych relacjach z klientami i sieciach automatyzacji. Wady leżą w mniejszym dostępie do kapitału wzrostowego, braku wykwalifikowanych pracowników, powolnych zamówieniach, uzgodnieniach dotyczących ochrony danych, procesach rad zakładowych, heterogenicznych systemach brownfield i braku skalowania poza pojedyncze zakłady. Kto akceptuje tę rzeczywistość, może podejmować dobre decyzje. Kto ją tuszuje demo chmurowym, zapłaci później.

Dla większości średnich przedsiębiorstw model hybrydowy jest bardziej ekonomiczny: wrażliwe dane i krytyczne funkcje produkcyjne pozostają w kontrolowanych środowiskach, standaryzowane funkcje językowe lub analityczne działają poprzez API chmurowe, tam gdzie ma to sens. To mniej efektowne niż „wszystko na platformę AI”. Ale lepiej pasuje do odpowiedzialności, dostępności, ochrony danych i kontroli kosztów. Szczególnie w łańcuchach dostaw związanych z Webasto, Schaeffler, Phoenix Contact czy Festo zaufanie nie jest kwestią dekoracji. Decyduje o zatwierdzeniach.

Prawidłowe obliczanie inwestycji w AI — TCO zamiast porównania licencji

Każdy biznesplan AI w średnich przedsiębiorstwach obliczałbym na trzy do pięciu lat. Nie na sześć miesięcy pilotażu. TCO musi zawierać licencje, zużycie API, chmurę, sprzęt, przygotowanie danych, integrację, szkolenia, eksploatację, zarządzanie, bezpieczeństwo, monitorowanie modeli, wsparcie, przebudowę procesów i koszty wyjścia. Tak, to sprawia, że liczba jest większa. Właśnie o to chodzi.

Niska cena API może być szybko zrekompensowana przez szczyty wykorzystania, migrację danych, monitorowanie, nowe wymagania dotyczące zgodności i koszty zmiany dostawcy. Szczególnie podstępne są systemy, które na początku wydają się tanie, ale nie pozwalają na czyste eksportowanie promptów, logów, danych do dostrajania lub interfejsów. Wtedy firma siedzi później w negocjacjach, w których dostawca zmienia cennik, a jej własna przenośność istnieje tylko na papierze. Żaden dyrektor finansowy nie lubi tego momentu. Niektórzy jednak go doświadczają.

TCO jest ważne również dlatego, że publiczne kwoty inwestycji na rynku nie mogą być mylone z budżetami średnich przedsiębiorstw. Kiedy UE ogłasza 20 mld euro na InvestAI lub dyskutuje się o partnerstwach publiczno-prywatnych do 200 mld euro, duża część trafia do centrów danych, półprzewodników, badań i dużych projektów. To pomaga ekosystemowi. Ale nie opłaca automatycznie czyszczenia Państwa baz danych artykułów, połączenia MES w zakładzie 3 czy kwalifikacji Państwa konserwatorów do walidacji modeli.

Przygotowanie — 7 kroków przed rozpoczęciem kolejnego pilotażu AI

Gdybym mógł przekazać dyrektorowi zarządzającemu w średnim przedsiębiorstwie tylko jedną rzecz, byłoby to: Nie zaczynaj od „Potrzebujemy AI”. Zacznij od drogiego, mierzalnego problemu. Odpady. Przestoje. Zużycie energii. Odchylenie od planu. Utrata ofert w segmencie podstawowym. Reklamacje. Jeśli problem nie jest mierzalny, pilotaż będzie później polityczny.

1. Zdefiniuj twardą podstawę. Przed pierwszym modelem musi być jasne, jaki jest dziś wskaźnik odpadów, OEE, czas przestoju, wskaźnik lead-to-opportunity, czas realizacji oferty lub wskaźnik reklamacji. Bez podstawy każdy sukces jest opinią.
2. Zmapuj źródła danych z właścicielami. SAP, MES, SCADA, PLM, CRM, QMS, Excel, lokalne bazy danych i systemy dostawców potrzebują właścicieli merytorycznych. Nie „IT”. Konkretne nazwiska. Konkretna odpowiedzialność.
3. Sprawdź zdolność brownfield przed wyborem dostawcy. Zapytaj o prawdziwe integracje z danymi ERP, MES, PLC, jakościowymi i sprzedażowymi. Demo z przykładowymi danymi niewiele mówi o zakładzie 2 w Czechach czy sprzedaży części zamiennych w Austrii.
4. Zaplanuj eksploatację przed pilotażem. Kto monitoruje dryf? Kto testuje nowe wersje modeli? Kto reaguje na fałszywe alarmy? Kto dokumentuje decyzje dla audytu i zgodności? Jeśli odpowiedź pojawi się dopiero po uruchomieniu, jest za późno.
5. Celowo ustal ludzką kontrolę. Decyzje o niskim ryzyku mogą być bardziej zautomatyzowane. Krytyczne decyzje produkcyjne, jakościowe, bezpieczeństwa lub personalne wymagają ścieżek eskalacji. Ogólna zasada czterech oczu spowalnia wszystko; brak kontroli czyni to niebezpiecznym.
6. Zabezpiecz przenośność i zasady wyjścia w umowie. Modele, prompty, dane treningowe, logi, interfejsy i analizy muszą pozostać eksportowalne. Najtańszy dostawca jest drogi, jeśli później nie można go zmienić.
7. Zaplanuj skalowanie od zakładu drugiego. Rozwiązanie, które działa tylko na jednej instalacji z entuzjastycznym kierownikiem projektu, nie jest jeszcze platformą. Sprawdź warianty, języki, role, modele danych i wsparcie w różnych lokalizacjach.

Produkt Amplifa Amplifa łączy dane rynkowe, firmowe i sprzedażowe, aby zespoły B2B mogły lepiej priorytetyzować klientów docelowych i podejmować decyzje dotyczące pipeline'u oparte na danych.

Co inwestorzy powinni oceniać inaczej

Inwestorzy w projektach AI w średnich przedsiębiorstwach często patrzą na dwie rzeczy: potencjał automatyzacji i koszty oprogramowania. Ja patrzyłbym bardziej na dostęp do danych, zdolność integracji i dyscyplinę operacyjną. Firma z przeciętnym modelem, ale czystym modelem danych i jasnym właścicielem procesu, może stworzyć większą wartość niż firma z silnym modelem i chaosem w danych podstawowych, rolach i odpowiedzialnościach.

W pytaniach due diligence „Czy używacie AI?” już nie wystarcza. Lepsze pytanie brzmi: Jakie produktywne przypadki użycia AI działają od ponad sześciu miesięcy z mierzalnym wpływem na KPI? Jak dokumentowane są błędy modelu? Jak często sprawdzane są źródła danych? Jaka jest zależność od poszczególnych dostawców chmury lub modeli? Czy istnieje budżet na eksploatację, czy tylko budżet projektowy? Kto potrafi czysto odpowiedzieć na te pytania, jest dalej niż wiele firm z dużą mapą drogową AI.

Dotyczy to szczególnie firm z wieloma zakładami. Wartość nie powstaje w pierwszym udanym przypadku użycia, lecz w zdolności do jego kontrolowanego przenoszenia. Model konserwacji predykcyjnej na jednej linii jest interesujący. Powtarzalny standard danych i eksploatacji dla dziesięciu linii to wartość firmy. System AI Sales dla jednego regionu jest miły. Jednolity model ICP, sygnałów i priorytetyzacji w regionie DACH, Beneluksu i Francji zmienia zarządzanie pipeline'em.

FAQ — Jakie inwestycje w AI opłacają się najpierw?

Najpierw opłacają się przypadki użycia z jasnym wpływem na koszty, dostępnymi danymi i ograniczonym ryzykiem. W produkcji są to często redukcja odpadów, analiza przyczyn, optymalizacja energii, priorytetyzacja konserwacji lub dokumentacja jakości. W sprzedaży są to zaostrzenie ICP, priorytetyzacja kont, wykrywanie wyzwalaczy, analiza ofert i higiena pipeline'u. Byłbym ostrożny z projektami, które dotyczą wielu systemów, mają wysoką odpowiedzialność i nie posiadają czystej podstawy. Mogą być ważne. Ale rzadko są dobrym początkiem.

Przykład: Asystent AI do dokumentacji technicznej może szybko przynieść korzyści, jeśli dokumenty są centralnie dostępne, dostęp jest czysto uregulowany, a odpowiedzi są poparte źródłami. System, który automatycznie zmienia parametry produkcji, to inna klasa ryzyka. Model scoringu leadów na utrzymywanych danych kont może przynieść efekty po tygodniach. Autonomiczny agent sprzedaży, który generuje oferty bez jasnego zatwierdzenia, w końcu wyprodukuje ceny, terminy dostaw lub zobowiązania, które ktoś będzie musiał wyjaśnić. Zazwyczaj kierownik sprzedaży.

FAQ — Jakie są realistyczne koszty AI w średnich przedsiębiorstwach?

Szczera odpowiedź: To zależy w dużej mierze od procesu i stanu danych. Ograniczony pilotaż może rozpocząć się z budżetem od pięciu do niskich sześciu cyfr. Wdrożenie w całym zakładzie z integracją danych, bezpieczeństwem, szkoleniami, eksploatacją i zgodnością może szybko kosztować kilkaset tysięcy euro; w przypadku wielu zakładów lub regulowanych produktów kwota znacznie wzrasta. Kto kalkuluje tylko licencje, nie docenia nakładu pracy. Kto najpierw sprawdza stan danych, interfejsy, model operacyjny i ryzyko, może zmniejszyć projekty, a mimo to zbudować je skalowalnie.

Nie lubię ogólnych zasad procentowych, ale często widzę pewien wzorzec: Widoczna pozycja oprogramowania jest prominentna w pierwszej ofercie, później dominują wewnętrzny czas, integracja i eksploatacja. W projektach sprzedażowych w Amplifa widzimy, że firmy osiągają największą dźwignię nie poprzez większą automatyzację w korespondencji, lecz poprzez lepszy wybór kont i czyste sygnały. W projektach produkcyjnych dźwignia często nie leży w samej sieci neuronowej, lecz w pytaniu, czy instalacja, QMS i utrzymanie ruchu widzą ten sam stan.

Amplifa do priorytetyzacji pipeline'u i kont Dla średnich zespołów B2B, które chcą wykorzystać AI nie jako zabawkę, lecz jako system danych do lepszych decyzji sprzedażowych.

Moja osobista prognoza do 2028 roku

Do 2028 roku rynek się uporządkuje. Wiele generycznych narzędzi AI stanie się wymiennych. Siła cenowa pozostanie w infrastrukturze, dostępie do danych i głęboko zintegrowanych przepływach pracy. Europejskie firmy będą silniejsze w aplikacjach, szczególnie tam, gdzie liczy się wiedza branżowa, własne dane i zaufanie regulacyjne. W przypadku modeli bazowych i infrastruktury hyperscalerów Europa będzie nadal walczyć. Być może dłużej, niż politycy przyznają w komunikatach prasowych.

Dla średnich przedsiębiorstw z regionu DACH widzę trzy grupy zwycięzców. Po pierwsze, firmy, które poważnie traktują swoją bazę danych i nie zaczynają jej czyścić dopiero, gdy projekt AI już płonie. Po drugie, dostawcy, którzy opanowali integrację brownfield i nie sprzedają tylko ładnych interfejsów. Po trzecie, zarządy, które rozumieją AI jako zdolność operacyjną – z właścicielami, KPI, budżetem i zasadami wyjścia. Te firmy nie będą najgłośniejsze. Będą po prostu miały lepsze raporty marż.

Moja kontrprognoza: Największym błędem AI w najbliższych latach nie będzie zbyt mała inwestycja. Będzie to błędna inwestycja – w pilotaże bez eksploatacji, w narzędzia bez fundamentu danych, w platformy bez przenośności, w automatyzację bez jasności procesu. Kto w 2026 roku nadal stawia na czysto inboundową strategię w sprzedaży, za pięć lat nie będzie miał pipeline'u. Kto w produkcji patrzy tylko na dokładność modelu, ale ignoruje koszty danych i procesów, może mieć silny algorytm, a mimo to więcej przestojów niż wcześniej.

Nie wierzę w średnie przedsiębiorstwa jako ofiary fali AI. Procesy są zbyt głębokie, relacje z klientami zbyt solidne, dane techniczne zbyt cenne. Ale nie wierzę też w narrację, że wystarczy kilka licencji i wewnętrzny copilot. Widoczne inwestycje w AI to tylko wierzchołek bloku kosztów. Pod nim leżą dane, integracja, kontrola, eksploatacja i odpowiedzialność. Właśnie tam decyduje się, czy AI w średnich przedsiębiorstwach tworzy wartość – czy tylko generuje nowe pozycje budżetowe.

Być może to najbardziej trzeźwa prognoza: Zwycięzcami nie będą ci, którzy w 2027 roku pochwalą się największą liczbą projektów AI. Będą to ci, którzy będą musieli najmniej wyjaśniać, dlaczego z ich pilotaży nic nie wyszło.