Koszty AI: Ile naprawdę płacą średnie firmy

KI & Automatisierung · 24. Juni 2026 · Anthony Filipiak

Koszty AI często eksplodują po fazie pilotażowej. Sprawdź chmurę, dane, integrację i zarządzanie, zanim Twoje okno ROI się zamknie.

Koszty AI to wydatki na oprogramowanie, wdrożenie i eksploatację systemów AI. Tak to mniej więcej wygląda w każdym budżecie, który widzę od dyrektorów zarządzających z branży inżynierii mechanicznej, dostawców motoryzacyjnych i elektrotechniki. Nie do końca. W praktyce koszty AI to przede wszystkim koszty wszystkiego, co wcześniej było już zepsute, rozproszone, niejasne lub politycznie niewygodne – jakość danych, interfejsy, odpowiedzialności, umowy chmurowe, rada zakładowa, bezpieczeństwo, zmiany. Moja prognoza na rok 2026 zaskakuje wielu CFO: to nie pilot AI przekroczy budżet, ale próba wprowadzenia go do SAP, MES, PLM, CRM i rzeczywistych procesów sprzedaży. Kto porównuje tylko ceny licencji, ten kalkuluje plac budowy na podstawie ceny klamki.

Nie piszę tego jako analityk z czystym wykresem z Londynu. Piszę to jako Anthony Filipiak, CEO i współzałożyciel Amplifa, na podstawie rozmów z dyrektorami zarządzającymi, CSO, inwestorami i dyrektorami sprzedaży w średnich firmach w regionie DACH. W marcu 2025 roku Andrea, Head of Sales w Hidden Champion w Bielefeld, powiedziała mi: „Wygraliśmy sprawę AI, zanim zaczęliśmy – na PowerPoint. Przegraliśmy ją potem w bazie danych.” Znam też ten dźwięk: nie start rakiety, ale zmęczone klikanie przez 17 eksportów Excela z trzech zakładów.

Koszty AI w status quo: Nagłówek jest zbyt tani

Wielka historia rynkowa jest szybko opowiedziana. McKinsey, BCG, PwC i inne firmy szacują globalny rynek AI do 2030 roku na 600 do 900 miliardów dolarów rocznie, w zależności od tego, czy liczy się tylko oprogramowanie i usługi, czy szerzej uwzględnia infrastrukturę, chmurę i platformy GenAI. Sam McKinsey opisał w 2023 roku dodatkowy potencjał ekonomiczny dla generatywnej AI w wysokości od 2,6 do 4,4 biliona dolarów rocznie. IDC prognozowało w 2024 roku światowe wydatki na systemy związane z AI na ponad 630 miliardów dolarów do 2028 roku. Brzmi dużo. Jest dużo. Ale ta liczba niewiele mówi dyrektorowi zarządzającemu w Paderborn, Villingen-Schwenningen czy Linzu, jeśli jego rachunek za chmurę po wdrożeniu Copilota wzrośnie z 18 000 do 52 000 euro miesięcznie.

Nagłówki mówią o produktywności. Dział zakupów widzi subskrypcje. IT widzi tokeny, pamięć masową, sieć, logowanie, tożsamość, kopie zapasowe i nowe role administratorów. Sprzedaż widzi narzędzie, które rzekomo wstępnie kwalifikuje oferty, ale bez czystego ICP najpierw szybciej sortuje te same błędne konta. No cóż, prawie. Czasami sortuje je nawet gorzej, tylko bardziej przekonująco sformułowane. Według Eurostatu w 2024 roku około 13,5 procent firm w UE korzystało z co najmniej jednej technologii AI; w Niemczech wskaźnik ten był znacznie wyższy w dużych firmach, ale wyraźnie niższy w małych i średnich przedsiębiorstwach. Problemem nie jest brak ciekawości. Problemem jest to, że wiele średnich firm kupuje AI jako dodatek, a potem zdaje sobie sprawę, że kupiło architekturę operacyjną.

Hyperscalerzy inwestują miliardy, a to nie jest program charytatywny. Microsoft, Google, AWS, Meta i Oracle budują centra danych, kupują procesory graficzne NVIDIA, zabezpieczają umowy energetyczne i łączą funkcje AI w istniejące platformy. Microsoft publicznie zasygnalizował inwestycje rzędu dziesiątek miliardów dolarów wokół OpenAI i własnych zasobów chmurowych; Meta podała plany Capex na 2024 rok w wysokości ponad 35 miliardów dolarów, silnie napędzane przez infrastrukturę AI. Te sumy nie znikają później jako przypis w powietrzu. Przekładają się na ceny, pakiety, modele zużycia, minimalne zakupy i lock-in. Średnie firmy płacą nie tylko za sztuczną inteligencję. Płacą również rachunki za prąd nowej ekonomii platformowej.

Czego brakuje dziś w wielu biznesplanach

W biznesplanach, które widzę, prawie zawsze są trzy czyste linie: licencja, wdrożenie, oczekiwane oszczędności. Potem pojawia się strzałka w górę. Czego brakuje? Czyszczenia danych, nakładów na testy, modelu ról, modelu operacyjnego, przeglądu bezpieczeństwa, analizy prawnej, szkoleń, kosztów błędów w pierwszych miesiącach, uzgodnień z radą zakładową, ścieżek audytu, monitorowania modelu, ryzyka zmiany dostawcy. W przypadku producenta z Badenii-Wirtembergii zatrudniającego około 1200 pracowników, którego nazwy nie mogę podać, zatwierdzony pilot AI w sprzedaży kosztował 180 000 euro. Rzeczywisty nakład pracy do produkcyjnego wdrożenia w dziewięciu krajach po 14 miesiącach wyniósł prawie 690 000 euro, jeśli wewnętrzne FTE liczono z pełnymi kosztami 95 000 euro. To nie jest wyjątek. To jest normalny przypadek z uczciwą księgowością.

Trend 1: Koszty AI przenoszą się z oprogramowania na infrastrukturę

Pierwszy trend jest brutalnie prosty: widoczna licencja staje się mniejsza niż niewidoczna eksploatacja. Duże modele językowe nie kosztują, bo okno czatu ładnie wygląda. Kosztują, bo każdy prompt zużywa moc obliczeniową, bo każde wywołanie API przechodzi przez tożsamość, logowanie i zgodność, bo dane muszą być nie tylko odczytywane, ale również wersjonowane, sprawdzane, przechowywane i w razie wątpliwości usuwane. Koszty wnioskowania od 0,002 do 0,03 USD za 1000 tokenów wydają się śmieszne, dopóki testuje pięć osób. Przy 800 użytkownikach, 20 przepływach pracy, długich dokumentach technicznych, projektach ofert, badaniach sprzedażowych i automatycznych podsumowaniach staje się to blokiem kosztów. Cicho. Miesięcznie. Opex.

W przypadku zastosowań produkcyjnych efekt jest jeszcze silniejszy. Wizja komputerowa w kontroli jakości pochłania wolumen danych. Predykcyjne utrzymanie ruchu wymaga historycznych danych z czujników, nowych potoków danych i często sprzętu brzegowego w zakładach, gdzie szafa sterownicza jest starsza niż najmłodszy inżynier danych. Średniej wielkości dostawca motoryzacyjny z okolic Stuttgartu kalkulował w 2024 roku pilotaż wizyjny na 240 000 euro. Komponent kamery i modelu nie był problemem. Drogie stały się warunki oświetleniowe, etykietowanie danych, klasyfikacja odpadów, segmentacja sieci i pytanie, kto ponosi odpowiedzialność o 02:17 w nocy, jeśli system błędnie zwolni partię. Brose, Schaeffler, Bosch i Continental mogą rzucić całe zespoły na takie pytania. Dostawca z 350 pracownikami nie może tego zrobić tak po prostu.

Dlatego niewiele sobie cenię mapy drogowe AI, które zaczynają się od „zbierania przypadków użycia”, a dopiero potem rozważają infrastrukturę. To jak planowanie nowej linii produkcyjnej i oglądanie podłogi hali później. Tak, potrzebne są konkretne przypadki użycia. Ale kto chce skalować AI w średnich firmach w 2026 roku, musi wcześnie myśleć o chmurze, architekturze danych, prawach, monitoringu i kontroli kosztów razem. W przeciwnym razie pilot wygra demo – i przegra w eksploatacji.

„To u nas nie działa, jeśli dopiero po pilocie dowiaduję się, że potrzebujemy trzech interfejsów, dwóch nowych ról i modelu kosztów chmury, którego nikt w kontrolingu nie rozumie.”

— Markus, CSO producenta maszyn w Norymberdze, rozmowa w kwietniu 2025

Markus ma rację. I opisuje ślepe pole wielu dostawców. W demo widać wynik: zakwalifikowane konto, podsumowana specyfikacja, priorytetyzowana szansa. Czego nie widać: koncepcji uprawnień, duplikatów, starych logik pól w CRM, nazw produktów, które są różnie pisane w trzech krajach, i regionów sprzedaży, które historycznie rosły jak kable za szafą sterowniczą. Kto chce zrozumieć koszty AI, musi zajrzeć pod powierzchnię. Nie w hype.

Trend 2: Zarządzanie danymi staje się z projektu pobocznego motorem kosztów

Drugi trend jest mniej seksowny i dlatego bardziej niebezpieczny: zarządzanie danymi staje się jednym z największych bloków kosztów. Salesforce w swoich przewodnikach dotyczących narzędzi do zarządzania danymi i korporacyjnych hurtowni danych opisuje, że AI może automatycznie klasyfikować dane, wykrywać błędy i oznaczać ryzyka zgodności. To jest przydatne. Ale zanim narzędzie czysto sklasyfikuje dane, firma musi wiedzieć, jakie dane posiada, kto za nie odpowiada, jakie mają znaczenie i czy mogą być używane. Brzmi banalnie. Nie jest. Widziałem systemy CRM, w których „Branża” było polem tekstowym, a „Maschinenbau” pojawiało się w jedenastu wariantach, w tym „Masch.bau”, „Maschinenbau DACH” i „OEM może”.

Korporacyjna hurtownia danych lub Data Lakehouse w średniej firmie to nie tylko licencja na platformę. Typowe budżety wdrożeniowe wynoszą, w zależności od punktu wyjścia, od 0,5 do 3 milionów euro. Do tego dochodzą roczne koszty operacyjne w sześciocyfrowym zakresie. Narzędzia do zarządzania danymi z funkcjami AI kosztują wiele średnich firm od 50 000 do 300 000 euro rocznie, plus role wewnętrzne: Data Owner, Data Steward, Governance Lead, czasem profil ML-Ops. Kto tego nie zaplanuje, później nazwie to „nieoczekiwaną złożonością”, co w rzeczywistości było przewidywalną pracą.

Z naszych wdrożeń wiemy: w projektach sprzedaży B2B z klientami przemysłowymi w pierwszych 8 do 12 tygodniach średnio 62 do 74 procent pracy operacyjnej nie idzie na logikę AI, ale na dostęp do danych, mapowanie pól, logikę duplikatów, doprecyzowanie ICP i procesy zatwierdzania. Najczęstszym hamulcem nie jest zły model. To pytanie, czy „Kärcher Händler”, „Alfred Kärcher SE & Co. KG” i „Kaercher Export” to to samo konto ekonomiczne, czy chodzi o lokalizację Winnenden czy spółkę zależną i czy sprzedaż w ogóle może sprzedawać tę strukturę. Ta praca nie znajduje się w żadnym błyszczącym raporcie. Ale decyduje o tym, czy AI w sprzedaży przynosi spotkania, czy tylko sałatkę danych z lepszą gramatyką.

Zarządzanie danymi brzmi jak kontrola. W rzeczywistości jest to ochrona wzrostu. Bez jasnej odpowiedzialności za dane firma skaluje błędne założenia. Kierownik sprzedaży z Augsburga, Stefan, powiedział mi w czerwcu 2025 roku po warsztatach: „Myśleliśmy, że mamy problem z leadami. Mieliśmy problem z definicją.” Dokładnie. Jeśli marketing, sprzedaż, serwis i zarządzanie produktem używają różnych terminów dla tego samego typu klienta, AI nie może magicznie stworzyć jasności. Może zindustrializować niejasność.

Dlaczego AI Act nie tylko prawnie wpływa na koszty

EU AI Act jest często traktowany w średnich firmach jako kwestia prawna. Błąd. Zmienia model operacyjny. Klasyfikacja ryzyka, dokumentacja, przejrzystość, monitoring, nadzór ludzki – to nie tylko paragrafy, ale pakiety pracy. Wiele europejskich firm kalkuluje obecnie dodatkowe koszty zgodności w wysokości od 5 do 15 procent budżetu projektu AI, w zależności od klasy ryzyka, rodzaju danych i branży. W przypadku programu za 700 000 euro to nie są drobne pieniądze. A jeśli AI wchodzi w kontrolę jakości, decyzje kredytowe, HR lub procesy związane z bezpieczeństwem, z „narzędzia” staje się systemem z obowiązkami dowodowymi.

W regionie DACH dochodzi jeszcze coś: współdecydowanie. Kto wprowadza AI na hali produkcyjnej, kto analizuje dane wydajności, kto tworzy automatyczne rekomendacje dla pracowników biurowych, szybko napotyka na radę zakładową, inspektorów ochrony danych i prawo pracy. Nie mówię, że to źle. Nie do końca – czasami jest to uciążliwe. Ale to rzeczywistość. Fabryka w południowych Niemczech nie pachnie prezentacją, ale olejem chłodzącym, drewnem paletowym i starymi odpowiedzialnościami. Kto chce tam wprowadzić system AI, musi wyjaśnić, co robi, czego nie robi, jakie dane są przechowywane i kto decyduje w przypadku konfliktu.

Amplifa ICP Playbook Praktyczne ramy do precyzyjnego definiowania klientów docelowych, sygnałów i priorytetów sprzedaży przed automatyzacją AI.

Trend 3: Integracja pożera historię ROI

Trzeci trend jest najdroższy: integracja. Nie jako modne słowo, ale jako rachunek. AI ma być w SAP, Microsoft Dynamics, Salesforce, HubSpot, Siemens Teamcenter, Dassault, MES, PLM, PIM, DMS, CPQ, a czasem w samodzielnie zbudowanym narzędziu Access z 2009 roku. Rozwój interfejsów do ERP, MES lub PLM w większych projektach szybko kosztuje od 150 000 do 500 000 euro. Do tego dochodzą testy, prawa, role, wzmocnienie bezpieczeństwa, migracja danych, monitoring i konserwacja. W raportach analityków pojawia się wtedy „wzrost produktywności dzięki integracji AI”. W praktyce w kalendarzu widnieje: uzgodnienie poniedziałek 9:00, model danych środa, eskalacja piątek.

Jestem tu stanowczy: kto w 2026 roku nadal wierzy, że AI może przynieść znaczący ROI w średnich firmach bez czystej integracji systemów, myli demo z eksploatacją. Oczywiście istnieją izolowane wzrosty produktywności. Pracownik pozwala sobie na sformułowanie e-maila. Zespół serwisowy podsumowuje zgłoszenia. Sprzedawca szybciej wyszukuje informacje. Miło. Ale duża dźwignia powstaje dopiero, gdy AI wkracza w proces: priorytetyzacja konta, rozpoznawanie okazji do rozmowy, przygotowanie oferty, zapisywanie danych, wywoływanie kolejnej akcji, mierzenie sukcesu. Do tego nie wystarczy okno czatu. Do tego potrzebna jest architektura.

Przykład ze sprzedaży: zespół Markusa, producent komponentów technicznych z Frankonii o obrotach około 85 milionów euro, w ciągu 9 miesięcy trzykrotnie zwiększył liczbę zakwalifikowanych pierwszych spotkań – bez ani jednego nowego pracownika sprzedaży. Nie dlatego, że model językowy pisał szczególnie urocze e-maile. Dźwignia tkwiła w współdziałaniu ICP, sygnałów konta, higieny CRM, logiki outreachu i jasnych kryteriów wykluczenia. Zautomatyzowaliśmy mniej niż pierwotnie planowano i więcej cięliśmy. Precz z nieistotnymi branżami. Precz z kontami bez wyzwalaczy. Precz z osobami, które co prawda były w CRM, ale nigdy nie miały wpływu na specyfikacje. AI przyspieszyła. Strategia zdecydowała.

Backup, odzyskiwanie i odporność: Zapomniany blok

Jeden blok kosztów jest szczególnie często zapominany: odporność. Systemy AI generują logi, wersje, prompty, wyjścia, stany modeli, dane treningowe, dane oceny. Jeśli system wydaje rekomendacje dotyczące ofert, decyzji jakościowych lub przypadków serwisowych, ktoś później będzie chciał wiedzieć, dlaczego. Nie kiedyś. W audycie. W reklamacji. Może w sądzie. Salesforce w przypadku rozwiązań do tworzenia kopii zapasowych dla przedsiębiorstw odwołuje się do agentów AI, którzy mogą obniżyć koszty serwisu i zapewnić integralność danych. Pięknie. Ale rozszerzone rozwiązania do tworzenia kopii zapasowych i odzyskiwania z funkcjonalnością AI dla średnich środowisk szybko kosztują od 50 000 do 200 000 euro rocznie, plus pamięć masowa, sieć i projektowanie procesów.

W przypadku producentów z wieloma zakładami staje się to kwestią operacyjną: Jakie dane pozostają w zakładzie? Jakie trafiają do chmury? Jakie muszą pozostać w Europie ze względu na umowy z klientami? Co się dzieje, gdy linia stoi, bo system kontroli wspomagany AI jest niedostępny? W Festo czy Phoenix Contact istnieją struktury, aby systematycznie odpowiadać na takie pytania. W przypadku producenta narzędzi zatrudniającego 220 osób często zależy to od kierownika IT, który jednocześnie zajmuje się zaporą sieciową, aktualizacją ERP, centralą telefoniczną, a teraz także zarządzaniem AI. To nie jest deficyt technologiczny. To jest rzeczywistość organizacyjna.

Jak wysokie są naprawdę ukryte koszty AI?

Krótka odpowiedź: dla średnich firm produkcyjnych zatrudniających od 100 do 5000 pracowników, poważne programy AI na okres od 3 do 5 lat często wiążą się z całkowitymi kosztami od 1 do 5 milionów euro. Nie na chatbota. Na program z wieloma przypadkami użycia, platformą danych, integracją, zarządzaniem, eksploatacją i zmianami. Mały pilot może kosztować 50 000 euro. Czysto produkcyjnie wdrożony przypadek użycia z integracją systemową często kosztuje od 250 000 do 900 000 euro. Portfolio obejmujące sprzedaż, serwis, jakość i łańcuch dostaw szybko przekracza te kwoty. Szczerze? Nie wiem dla każdej firmy. Ale wiem, że pierwsza liczba jest prawie zawsze zbyt niska.

Druga odpowiedź jest bardziej niewygodna: ROI jest wydłużane nie tylko przez koszty, ale także przez czas. Jeśli pilot trwa trzy miesiące, a integracja dwanaście miesięcy, to amortyzacja nie jest widoczna w kwartale, niezależnie od tego, jak ładne było demo. W sprzedaży i generowaniu leadów może to iść szybciej, ponieważ źródła danych są często łatwiej dostępne niż dane maszynowe i jakościowe. Ale i tam obowiązuje zasada: bez ICP, bez modelu sygnałów, bez przepływu zwrotnego z CRM i bez akceptacji sprzedaży, AI pozostaje teatrem aktywności. Wiele firm świętuje więcej wygenerowanych leadów. Zarząd pyta o obroty sześć miesięcy później. Wtedy robi się cicho.

W przypadku zastosowań produkcyjnych wartość jest często wyższa, ale droga dłuższa. Predykcyjne utrzymanie ruchu może zmniejszyć przestoje. Wizja komputerowa może zmniejszyć ilość odpadów. Optymalizacja łańcucha dostaw może zmniejszyć zaangażowanie kapitału. Ale każdy z tych przypadków wymaga historii danych, zrozumienia procesów, jasnych odpowiedzialności i strategii tolerancji na błędy. Błędny lead kosztuje czas. Błędnie zwolniona część kosztuje pieniądze, zaufanie klienta i w najgorszym przypadku bezpieczeństwo. Dlatego zarządzanie i testowanie to nie biurokracja. To ubezpieczenie przed kosztowną głupotą.

Co to oznacza dla europejskich średnich firm

Dla europejskich średnich firm pytanie zmienia się z „Czy wdrażamy AI?” na „Na jaką AI możemy sobie pozwolić w naszej działalności?”. Brzmi to defensywnie, ale jest strategiczne. Duże koncerny, takie jak Siemens, Bosch, Schaeffler, Trumpf, DMG Mori czy Webasto, mogą budować zespoły platformowe, finansować wewnętrzne laboratoria AI i równoważyć błędy w portfelach. Klasyczny „Hidden Champion” z obrotem 250 milionów euro nie może tego robić w takim samym zakresie. Musi podejmować ostrzejsze decyzje. Mniej miejsca na eksperymenty. Więcej dyscypliny kapitałowej.

Widzę trzy skutki. Po pierwsze: budżety AI przenoszą się z działów innowacji do linii biznesowych. Sprzedaż, serwis, operacje i inżynieria muszą wziąć na siebie własną odpowiedzialność za wyniki. Po drugie: CFO będą wymagać FinOps dla AI – czyli kontroli kosztów tokenów, chmury, licencji użytkowników, pamięci masowej, nakładów na integrację i partnerów zewnętrznych. Po trzecie: dział zakupów będzie musiał nauczyć się, że najtańsza cena licencji rzadko oznacza najtańszą eksploatację. Podczas rozmowy w Monachium w maju 2025 roku Julia, CFO producenta elektroniki, powiedziała: „Nie podpiszę już żadnych umów AI, zanim ktoś nie napisze mi na jednej stronie kosztów wyjścia.” Dobre zdanie. Powinno wisieć na każdej ścianie w sali zarządu.

Dla inwestorów będzie to również istotne. Kto inwestuje w średnie firmy przemysłowe, często patrzy na EBITDA, kapitał obrotowy, portfel zamówień i stopień automatyzacji. W przyszłości TCO AI będzie częścią due diligence. Nie jako slajd o przyszłości, ale jako twarda weryfikacja: Jakie zależności platformowe istnieją? Jaką jakość danych ma firma? Czy istnieją wewnętrzne role? Czy AI-Opex jest dokładnie mierzone? Czy sprzedaż stała się bardziej produktywna dzięki automatyzacji, czy tylko głośniejsza? W 2026 roku nie oceniałbym żadnej firmy przemysłowej bez zadania tych pytań.

DACH jest ostrożniejszy – i to może być zaletą

Firmy z regionu DACH są często uważane za powolne w kwestii AI. To częściowo prawda. Procesy decyzyjne są dłuższe, ochrona danych jest traktowana poważnie, rady zakładowe mają swój udział, a dyrektor zarządzający w Ostwestfalii woli dwa razy zapytać, zanim wrzuci dane klientów do obcego modelu. To irytuje dostawców. Mnie czasem też. Ale może to być zaletą, jeśli prowadzi do lepszej dyscypliny TCO. USA są szybsze we wdrożeniach. Europa musi stać się lepsza w eksploatacji. To nie jest nagroda pocieszenia, to strategia.

Błędem byłoby mylić ostrożność ze stagnacją. Kto w 2026 roku nadal stawia na czysto inboundową strategię w sprzedaży B2B, za pięć lat nie będzie miał już pipeline'u. Ale kto ślepo nakłada automatyzację AI na złe dane, buduje maszynę, która szybciej przetwarza niewłaściwe konta. Obie opcje są drogie. Sztuka tkwi w kolejności: zrozumieć rynek, doprecyzować ICP, zbudować model danych, zintegrować procesy, a następnie skalować. Nie odwrotnie.

Produkt Amplifa Amplifa łączy ICP, sygnały konta i procesy sprzedaży wspomagane AI dla przewidywalnego pipeline'u B2B w średnich firmach.

Przygotowanie: 7 kroków, zanim koszty AI wymkną się spod kontroli

Nie lubię list kontrolnych, jeśli zastępują myślenie. Ta ma wymusić myślenie. Kto jako dyrektor zarządzający, inwestor lub osoba odpowiedzialna za strategię w firmie produkcyjnej planuje program AI w 2026 roku, powinien wyjaśnić te siedem punktów przed zatwierdzeniem budżetu. Nie po fakcie. Przed.

1. Oblicz 5-letnie TCO zamiast budżetu pilotażowego: Uwzględnij licencje, zużycie chmury, koszty API, pamięć masową, kopie zapasowe, partnerów zewnętrznych, wewnętrzne FTE, szkolenia, zarządzanie, bezpieczeństwo i koszty wyjścia. Budżet pilotażowy w wysokości 150 000 euro nie jest logiką inwestycyjną, jeśli wdrożenie pochłania 900 000 euro.
2. Przeprowadź inwentaryzację danych z osobami odpowiedzialnymi: Określ, które źródła danych są istotne, kto jest ich właścicielem, jaką mają jakość i które pola są krytyczne dla biznesu. W sprzedaży oznacza to na przykład: strukturę konta, branżę, klasę obrotów, wyzwalacze, osoby kontaktowe, centrum zakupowe, kryteria wykluczenia.
3. Oceń przypadki użycia pod kątem stopnia integracji: Izolowany asystent jest kalkulowany inaczej niż system, który zapisuje dane w SAP, Salesforce, Teamcenter lub MES. Oceń każdy przypadek użycia pod kątem dostępu do danych, bliskości procesu, ryzyka, liczby użytkowników i nakładów operacyjnych.
4. Uruchom FinOps dla AI: Zdefiniuj limity kosztów, monitoring, raporty zużycia i odpowiedzialności za tokeny, chmurę, pamięć masową i licencje platformowe. Bez FinOps, AI-Opex stanie się mgłą w miesięcznym rozliczeniu.
5. Nie zrzucaj zarządzania na dział prawny: Klasyfikacja ryzyka, dokumentacja, ścieżki audytu, monitoring modelu i nadzór ludzki wymagają modelu operacyjnego. Dział prawny sprawdza. Biznes działa.
6. Monetyzuj koszty zmian: Uwzględnij szkolenia, spadki produktywności, przebudowę procesów i nowe role. Jeśli proces sprzedaży zostanie zmieniony przez AI, dotyczy to systemów docelowych, wynagrodzeń, zarządzania i prognozowania.
7. Wyjaśnij wyjście i lock-in przed podpisaniem umowy: Sprawdź, jak dane mogą być eksportowane, które modele są wymienne, które integracje stają się własnościowe i ile kosztuje zmiana dostawcy. Najdroższa umowa to często ta, z której nie można się wydostać.

Prosty model TCO dla dyrektorów zarządzających

Kiedy pracuję z dyrektorami zarządzającymi, lubię używać prostej formuły. Nie jest ona naukowo doskonała. Ale zapobiega oszukiwaniu samego siebie. Całkowite koszty w ciągu pięciu lat = zewnętrzne koszty projektu + licencje na oprogramowanie + chmura i obliczenia + platforma danych + integracja + wewnętrzne FTE + zarządzanie i zgodność + bezpieczeństwo i odporność + zmiany + bufor ryzyka. Bufor ryzyka nie powinien wynosić 5 procent. W przypadku złożonych integracji uważam 20 do 30 procent za bardziej realistyczne. Kto teraz drży, ten zrozumiał.

Koszty AI w sprzedaży: Dlaczego Amplifa jest tak surowa

Ponieważ w Amplifa pracujemy w sprzedaży, widzę tam koszty AI szczególnie ostro. Wiele firm kupuje AI do sprzedaży, ponieważ chcą więcej pipeline'u. Zrozumiałe. Ale pipeline nie powstaje z generowania tekstu. Pipeline powstaje z właściwych klientów docelowych, jasnych sygnałów, timingu, okazji do rozmowy, czystego przekazania i konsekwentnego follow-upu. AI może wspierać każdy z tych kroków. Może również każdy z tych kroków nadmuchać. Zespół SDR, który wcześniej przetwarzał 500 przeciętnych kont, może z AI przetwarzać 5000 przeciętnych kont. Kalendarz staje się pełniejszy. Obroty niekoniecznie.

Co konkretnie widzimy w Amplifa: W firmach przemysłowych z produktami wymagającymi wyjaśnienia, wskaźnik umów rzadko rośnie tylko dzięki większej personalizacji. Najsilniejszy efekt pochodzi z lepszej selekcji kont. W projektach w latach 2024 i 2025 różnica między szeroko zautomatyzowanym outreach'em a precyzyjnym, opartym na sygnałach outreach'em ICP często wynosiła od 2,4 do 3,7 w zakwalifikowanych spotkaniach na 1000 kont docelowych. Koszty na spotkanie nie spadały, ponieważ AI taniej pisała teksty, ale dlatego, że kontaktowano się z mniejszą liczbą niewłaściwych kont. To jest nieprzyjemne odkrycie dla dostawców narzędzi. Dla dyrektorów zarządzających jest to warte złota.

Przykład: producent komponentów automatyki, nie Festo, ale w podobnym segmencie rynku, chciał w styczniu 2025 roku podwoić swoją aktywność outboundową za pomocą AI. Pierwotnym celem było 12 000 kontaktów na kwartał. Zredukowaliśmy to do 3800 istotnych kont, bazując na branży, wskaźnikach parku maszynowego, strukturze lokalizacji, sygnałach zatrudnienia, certyfikatach i wyzwalaczach z komunikatów inwestycyjnych. Wynik po dwóch kwartałach: mniej e-maili, więcej rozmów, lepsza akceptacja w sprzedaży. CSO, Daniel z Ulm, powiedział potem: „Chciałem automatyzacji. Otrzymałem najpierw dyscyplinę.” Dokładnie tak powinno być.

Amplifa dla pipeline'u B2B Strategia, dane i wdrożenie wspomagane AI dla średnich zespołów sprzedaży B2B z złożonymi rynkami docelowymi.

Dlaczego kwoty inwestycji dają fałszywe poczucie bezpieczeństwa

Kwoty inwestycji robią wrażenie. 80 miliardów dolarów kapitału wysokiego ryzyka w rekordowym roku. Dziesiątki miliardów dolarów u hyperscalerów. Rundy Series A i Series B od 20 do 200 milionów dolarów dla startupów AI. Ramiona venture capital korporacji takich jak Siemens, Bosch, BMW czy Schneider Electric, które finansują startupy z branży Przemysłu 4.0 i AI. To brzmi jak walidacja rynkowa. I tak jest. Ale to nic nie mówi o tym, czy średniej wielkości producent ma swoją strukturę kosztów pod kontrolą.

Inwestorzy finansują wzrost, a nie czyszczenie danych. Hyperscalerzy finansują infrastrukturę, która później musi zostać sprzedana. Dostawcy SaaS łączą AI w pakiety, ponieważ ułatwia to ekspansję. Analitycy piszą o rozmiarach rynku, ponieważ rynki są łatwiejsze do modelowania niż wewnętrzne tarcia. Nikt nie zasiada w końcu w Twoim komitecie sterującym, gdy CIO mówi, że system PLM nie może być prawidłowo podłączony, sprzedaż nie wykorzystuje rekomendacji, a ochrona danych wymaga jeszcze analizy ryzyka. Te koszty nie są ukryte, ponieważ byłyby niewidoczne. Są ukryte, ponieważ nikt nie lubi ich pisać na pierwszym slajdzie.

Mechanika dostawcy: Bundling, zużycie i lock-in

Mechanika rynkowa jest jasna. Microsoft łączy AI w M365, Dynamics i Azure. Salesforce integruje Einstein i Data Cloud. ServiceNow, Oracle, SAP, Google i AWS wbudowują funkcje AI w platformy. To jest wygodne. Obniża bariery wejścia. Ale zwiększa również lock-in. Gdy tylko przepływy pracy, modele danych, uprawnienia i automatyzacje są głęboko zakorzenione w platformie, zmiana staje się kosztowna. Nie niemożliwa. Ale wystarczająco kosztowna, aby w wielu zarządach nigdy nie była poważnie dyskutowana.

Do tego dochodzą złożone modele cenowe: oparte na użytkownikach, transakcjach, tokenach, wolumenie, czasem połączone. Dział zakupów jest przeszkolony w negocjacjach licencji, a nie w zmiennym zużyciu AI. CFO znają FinOps w chmurze lepiej niż pięć lat temu, ale FinOps AI jest jeszcze młody. Jeśli zespół sprzedaży nagle skaluje automatyczne wyszukiwanie kont, podsumowania rozmów, warianty e-maili, aktualizacje CRM i oceny sygnałów, zużycie nie rośnie liniowo do liczby użytkowników. Rośnie wraz z projektem procesu. To inna logika.

Perspektywa regionalna: DACH, Europa, globalnie

DACH ma specyficzną strukturę kosztów AI. Gęstość przemysłowa jest wysoka, procesy są złożone, krajobrazy danych historyczne, wymagania klientów surowe. Producent maszyn w Badenii-Wirtembergii ma inne problemy z integracją niż amerykańska firma SaaS. SAP jest głęboko zakorzeniony, systemy MES są indywidualnie dostosowane, PLM jest krytyczne, Excel nadal żyje (czasem bardzo żywo), a klienci tacy jak BMW, Mercedes-Benz, Airbus czy Siemens wymagają dowodów, certyfikatów i niezawodności. To kosztuje.

Europa zaostrza kwestię zarządzania. AI Act wprowadza klasyfikację ryzyka i obowiązki przejrzystości. RODO pozostaje. Dochodzą przepisy branżowe. We Francji, krajach nordyckich i Beneluksie widzę więcej programów wsparcia i częściowo szybsze podstawowe prace cyfrowe. W Niemczech widzę więcej sceptycyzmu, a za to często lepszą dyscyplinę procesową, gdy projekt zostanie już zatwierdzony. Globalnie USA i Azja są bardziej agresywne. Duże firmy przemysłowe i technologiczne inwestują od 10 do 100 milionów dolarów rocznie w programy AI. Chiny, Korea i Japonia napędzają AI w produkcji z dużą prędkością. Ale prędkość bez zarządzania nie jest darmowa. Przenosi koszty na ryzyko.

Dla średnich firm z regionu DACH oznacza to: nie muszą naśladować hyperscalera. Muszą selektywnie wygrywać. Producent obrabiarek nie musi uruchamiać 40 przypadków użycia AI. Potrzebuje może pięciu: wsparcie ofertowe, identyfikacja części zamiennych, analiza jakości, ryzyko dostawcy, sygnały sprzedaży. Jeśli te pięć jest czysto zintegrowanych, pokonają 40 pilotów w biuletynie innowacji. Wiem, to brzmi nieromantycznie. I dobrze.

Skutki biznesowe: Gdzie AI naprawdę zarabia pieniądze

Najważniejsze pytanie biznesowe nie brzmi: Jaką technologię AI wykorzystujemy? Brzmi: Które wąskie gardło stanie się ekonomicznie mniejsze? W sprzedaży może to być brak kwalifikowanych rozmów. W serwisie może to być czas przetwarzania zapytań technicznych. W produkcji może to być ilość odpadów lub przestój. W inżynierii może to być czas do oceny wariantów. Każda inna dyskusja to fetysz narzędzi.

W średnich firmach produkcyjnych widzę cztery dźwignie wartości, które mogą uzasadnić koszty AI. Po pierwsze: lepsze pokrycie rynku przy tym samym zespole sprzedaży. Po drugie: krótszy czas reakcji na zapytania techniczne. Po trzecie: mniej błędów w powtarzalnych procesach dokumentowych i danych. Po czwarte: lepsze decyzje dotyczące zapasów, jakości i konserwacji. To nie są fantazje. Ale każda dźwignia wymaga punktów pomiarowych przed startem. Jeśli nikt nie wie, ile kwalifikowanych rozmów na 1000 kont powstaje dzisiaj, nikt później nie udowodni, że AI w sprzedaży zadziałała.

W projekcie klienta w branży maszynowej przed automatyzacją zmierzyliśmy najpierw podstawę: 1000 kont docelowych, 42 istotne odpowiedzi, 11 kwalifikowanych spotkań, 3 prawdziwe szanse. Po doprecyzowaniu ICP i priorytetyzacji sygnałów wspomaganej AI, przy porównywalnej liczbie kont, było to 27 kwalifikowanych spotkań i 8 szans. Nie idealnie. Ale mierzalnie. Dyrektor zarządzający na końcu mniej interesował się modelem, a bardziej pytaniem, czy zamówienia nadrobiły zaległości sześć miesięcy później. Słusznie. AI nie jest celem samym w sobie. Jest drogim narzędziem, które albo rozwiązuje wąskie gardło, albo tylko nowocześnie wygląda.

FAQ: Kiedy AI opłaca się pomimo wysokich kosztów?

AI opłaca się, gdy ekonomicznie istotny proces ma wystarczającą powtarzalność, wystarczający dostęp do danych i wystarczający wolumen decyzji, aby automatyzacja lub asysta miały zauważalny wpływ. Proces ofertowy z 20 złożonymi ofertami rocznie może nie być dobrym pierwszym przypadkiem AI. Proces części zamiennych z 18 000 zapytań rocznie już bardziej. Zespół sprzedaży z niejasnym ICP potrzebuje najpierw strategii. Zespół sprzedaży z jasnym ICP, ale zbyt małym pokryciem rynku, może uzyskać prawdziwą dźwignię dzięki generowaniu leadów wspomaganemu AI. Kolejność decyduje.

FAQ: Jakie koszty AI są najczęściej zapominane?

Najczęściej zapominane są wewnętrzne koszty personalne, czyszczenie danych, testy integracyjne, zarządzanie, szkolenia i bieżące monitorowanie. Bezpośrednio po nich następują kopie zapasowe, ścieżki audytu, wzmocnienie bezpieczeństwa i koszty zmiany dostawcy. W rozmowach z CFO często słyszę: „Mamy zewnętrzne koszty pod kontrolą.” Wierzę w to. Wewnętrzne koszty są problemem, ponieważ przechodzą przez kalendarze, spotkania i opóźnienia, a nie przez czysty rachunek.

FAQ: Czy średnie firmy powinny trenować własne modele?

Zazwyczaj nie. Nie na początku. Trenowanie własnych modeli bazowych jest dla prawie wszystkich średnich producentów bezsensowne. Zbyt drogie, zbyt czasochłonne, zbyt odległe od wąskiego gardła. Bardziej sensowne są istniejące modele, podejścia oparte na wyszukiwaniu, czyste przestrzenie danych, jasne prawa i przepływy pracy specyficzne dla branży. Dopracowanie może mieć sens później, gdy dostępna będzie wystarczająca jakość danych, wolumen użytkowania i zarządzanie. Kto zaczyna od własnego modelu, nie wyjaśniając swoich pojęć danych, buduje pomnik technicznej próżności.

Osobista prognoza: 2026 do 2028 rynek się rozdzieli

Moja prognoza na najbliższe dwa do trzech lat: Rynek AI w europejskich średnich firmach podzieli się na trzy grupy. Grupa pierwsza będzie kontynuować pilotaże, wykorzystywać dotacje, tworzyć wewnętrzne prezentacje i niewiele skalować. Grupa druga będzie kupować duże pakiety platformowe, a następnie cierpieć z powodu Opex, integracji i akceptacji. Grupa trzecia zacznie na mniejszą skalę, będzie ostrzej priorytetyzować, dokładnie obliczać TCO i traktować AI jako system operacyjny dla konkretnych wąskich gardeł. Ta trzecia grupa nie będzie najgłośniejsza. Będzie miała lepszy pipeline, stabilniejsze procesy i bardziej wiarygodne marże.

Wierzę również, że koszty AI otrzymają własną nazwę w zarządach. Dziś znikają w IT, cyfryzacji, efektywności sprzedaży lub operacjach. Do 2028 roku wiele średnich firm będzie miało raportowanie AI-Opex, podobnie jak Cloud-FinOps. Nie dlatego, że kontroling lubi nowe kolumny. Bo zmienne koszty modelu, licencje platformowe, utrzymanie danych i zarządzanie inaczej urosną do szarego bloku. A szare bloki są wrogiem każdej dyscypliny inwestycyjnej.

Średnie firmy mają przy tym zaletę, którą wielu niedocenia: bliskość problemu. Dyrektor zarządzający w firmie produkcyjnej w Heilbronn często zna swoje wąskie gardła dokładniej niż prezes koncernu z 14 zespołami transformacyjnymi. Jeśli ta bliskość połączy się z jasnością danych i dyscypliną kapitałową, AI może przynieść bardzo wiele. Ale nie jako magia. Jako praca. Jako centrum kosztów z wymaganiem zwrotu. Jako system, który się eksploatuje.

Kilka dni temu kierownik sprzedaży z Kolonii wysłał mi wiadomość po wewnętrznym przeglądzie AI. Tylko jedno zdanie: „Dziś skreśliliśmy trzy przypadki użycia i po raz pierwszy czujemy się szybciej.” To chyba najbardziej dojrzała strategia AI, jaką widziałem w tym tygodniu.