Od maja 2025 do czerwca 2026 przeprowadziłem szkolenia z AI dla blisko 1400 osób z banków, firm finansowych, kancelarii, produkcji i sektora publicznego. Najczęstszą barierą wdrożenia AI w tych firmach nie była sama technologia, lecz gotowość organizacyjna: jasne zasady użycia, zaufanie do wyniku i nadzór człowieka. To nie jest raport z badania rynku, lecz zapis powtarzalnych obserwacji z sal szkoleniowych, które zestawiam z publicznymi danymi rynkowymi. Pokazuję bariery wdrożenia AI w firmach z perspektywy praktyki, nie jednorazowej ankiety. Podobny kierunek pokazują niezależne badania: prawie dziewięć na dziesięć organizacji regularnie korzysta już z AI, ale istotny wpływ na wynik operacyjny osiąga niewielka mniejszość, bo wąskim gardłem pozostaje skalowanie, a nie sam model (McKinsey, State of AI, listopad 2025).
Kluczowe wnioski:
- Bariera adopcji jest najczęściej organizacyjna, nie techniczna: potwierdzają to zarówno obserwacje z sali, jak i badania użytkowników GenAI w Polsce (Human+AI Institute i CampusAI, za PARP).
- W każdej branży wracają te same trzy pytania: od czego zacząć, czego się bać, co realnie zmieni codzienną pracę.
- W sektorach regulowanych adopcję odblokowuje nie kolejne narzędzie, lecz jasne zasady użycia i nadzór człowieka nad wynikiem (FINRA, 2026 Annual Regulatory Oversight Report, grudzień 2025).
- Najczęściej używane narzędzia to Microsoft 365 Copilot i ChatGPT; osobnym, rosnącym tematem jest widoczność w odpowiedziach AI, czyli GEO.
- Szkolenie zwiększa szansę na adopcję, ale jej nie gwarantuje: bez zmiany procesu efekt zwykle się nie utrzymuje.
Największa bariera wdrożenia AI to nie technologia
Główną barierą wdrożenia AI w firmach jest gotowość organizacyjna, a nie brak dostępu do narzędzi. To wniosek, który powtarzał się na salach szkoleniowych podczas pracy z blisko 1400 uczestnikami i który potwierdzają niezależne badania. Dostęp do narzędzi takich jak ChatGPT czy Microsoft 365 Copilot jest dziś znacznie mniejszą barierą niż rok wcześniej; problemem częściej jest to, czy ludzie wiedzą, do czego ich użyć, i czy wolno im to robić.
Potwierdzają to dane. Prawie dziewięć na dziesięć organizacji deklaruje regularne korzystanie z AI, lecz większość wciąż nie skalowała jej na poziomie całej firmy, a istotny wpływ na wynik osiąga rzędu kilku procent badanych (McKinsey, State of AI, listopad 2025; badanie ankietowe). Adopcja generatywnej AI zależy dziś mniej od samej technologii, a bardziej od sposobu pracy.
W polskim badaniu użytkowników GenAI największą przeszkodą również nie były bariery techniczne, lecz obawy: o prywatność, o brak nadzoru i regulacji oraz o poprawność generowanych informacji (Human+AI Institute i CampusAI, Generative AI Adoption: The Report, omówienie PARP). To pokrywa się z tym, co słyszę na sali: pytanie „czy mi wolno” pada częściej niż „jak to zrobić”.
Jako słabszy, ale ciekawy sygnał można potraktować badanie 250 polskich firm z sektora MŚP, w którym ponad połowa pracowników deklarowała korzystanie z narzędzi AI bez wiedzy przełożonych (badanie za elektrotechnikautomatyk.pl, grudzień 2025; źródło branżowe, dana orientacyjna). Wniosek jest praktyczny: w wielu firmach AI jest już używane oddolnie, więc realne pytanie nie brzmi „czy”, lecz „na jakich zasadach”.
Te same pytania w każdej branży
Niezależnie od branży wracają trzy pytania: od czego zacząć, czego się bać i co naprawdę zmieni codzienną pracę. Zmienia się słownictwo i kontekst regulacyjny, ale struktura wątpliwości jest zaskakująco stała.
W bankach i firmach finansowych dominuje pytanie o zgodność i dane wrażliwe, dlatego wdrażanie AI w sektorze finansowym wymaga szczególnie jasnych reguł. Zespoły chcą wiedzieć, co można wprowadzić do modelu, a czego nie, i kto odpowiada za błąd. To racjonalne: nadzór traktuje dziś generatywną AI jak technologię podlegającą tym samym rygorom kontroli co inne systemy krytyczne (FINRA, 2026 Annual Regulatory Oversight Report, grudzień 2025).
W kancelariach osią rozmowy jest poufność i odpowiedzialność zawodowa za treść. W produkcji i sektorze publicznym najczęściej pada pytanie o sens ekonomiczny i bezpieczeństwo danych: „czy to się nam opłaci” oraz „gdzie trafiają nasze dane”. Różne branże, ta sama kolejność potrzeb: najpierw ramy, potem narzędzie.
Czego naprawdę potrzebują zespoły: porównanie branż
Dominująca obawa różni się między branżami, ale wzorzec tego, co odblokowuje adopcję, jest podobny: najpierw jasne zasady, potem wąski i policzalny przypadek użycia. Poniższa tabela zestawia obserwacje z sali z wzorcami potwierdzonymi w źródłach.
| Sektor | Dominująca obawa | Co zwykle odblokowuje adopcję |
|---|---|---|
| Banki i finanse | zgodność, dane wrażliwe, odpowiedzialność | jasne zasady użycia, nadzór człowieka nad AI oraz kontrola wyniku |
| Kancelarie | poufność, błąd merytoryczny | weryfikacja źródeł, wąskie zastosowania (streszczenia, kwerendy) |
| Produkcja | zwrot z inwestycji, sens wdrożenia | jeden konkretny proces z policzalnym efektem |
| Sektor publiczny | regulacje, bezpieczeństwo danych | pilotaż na danych niewrażliwych |
Wzorzec „człowiek zatwierdza wynik AI” nie jest moją preferencją, lecz standardem opisywanym w sektorze finansowym: instytucje traktują generatywną AI jako asystenta, nie decydenta, i utrzymują kontrolę człowieka nad treścią przed jej użyciem (TechRepublic, styczeń 2026; badanie Columbia SIPA i FS-ISAC, 2025). W produkcji polskie firmy częściej niż zachodnie patrzą na wdrożenie przez pryzmat kosztów i zwrotu z inwestycji (raport Sharp Europe, grudzień 2025).
Copilot czy ChatGPT: co realnie zmienia codzienną pracę
Na szkoleniach najczęściej pracowaliśmy z Microsoft 365 Copilot i ChatGPT, bo to one najszybciej wchodzą w istniejące procesy pracy umysłowej. Różnica praktyczna jest prosta: Copilot działa wewnątrz pakietu biurowego i danych firmy, a ChatGPT pozostaje elastyczniejszym, uniwersalnym narzędziem do treści i analiz.
Realna zmiana codziennej pracy dotyczy zwykle kilku powtarzalnych czynności: streszczania dokumentów i spotkań, przygotowania pierwszej wersji tekstu oraz porządkowania i wyszukiwania informacji. To pokrywa się z najczęstszymi zastosowaniami raportowanymi w Polsce, gdzie na czele są tworzenie treści oraz wyszukiwanie i streszczenia (Human+AI Institute i CampusAI, za PARP).
Coraz częściej pojawiał się drugi temat: jak być widocznym w odpowiedziach ChatGPT, Gemini, AI Mode i Perplexity, czyli GEO (Generative Engine Optimization). To sygnał dojrzewania rynku: firmy przechodzą od pytania „jak używać AI wewnątrz organizacji” do pytania „jak istnieć w odpowiedziach AI na zewnątrz”. Warto tu zachować ostrożność, bo GEO zwiększa szansę na cytowanie, lecz go nie gwarantuje.
Kluczowe pytania i decyzje
Od czego zacząć wdrażanie AI?
Zacznij od jednego, wąskiego procesu, jeśli chcesz zobaczyć efekt szybko i policzalnie. Nie zaczynaj od zakupu dostępów dla wszystkich, jeśli nie masz jeszcze zasad użycia i jednego jasnego przypadku, bo dostęp bez celu rzadko zmienia sposób pracy.
Czego naprawdę się bać?
Bój się braku zasad i braku nadzoru nad wynikiem, bo to tam powstają realne ryzyka (wyciek danych wrażliwych, niezauważony błąd merytoryczny). Ryzyko samego modelu trzeba kontrolować, ale w praktyce największe błędy powstają, gdy brakuje zasad użycia, nadzoru człowieka i procesu weryfikacji wyniku.
Czy samo szkolenie wystarczy?
Tak, jako punkt startu: podnosi kompetencje i obniża lęk, a gotowość kompetencyjna zespołów jest jedną z głównych barier wdrożeń (Sharp Europe, 2025). Nie, jako całość: szkolenia z AI w firmie bez zmiany procesu i jasnych zasad zwykle nie utrzymują efektu po powrocie do codziennej pracy.
Kiedy te wnioski się nie sprawdzą
Te obserwacje mają granice i nie należy ich traktować jak twardej reguły. Warto znać warunki, w których się nie sprawdzą.
Po pierwsze, to obserwacje z określonej próby: uczestników szkoleń w polskich instytucjach finansowych i firmach z branż regulowanych. Firmy technologiczne, startupy czy zespoły inżynierskie mogą mieć zupełnie inną strukturę barier, bliższą pytaniom o architekturę niż o zgodność.
Po drugie, „blisko 1400 osób” to moja własna suma z zamkniętego okresu maj 2025 do czerwiec 2026, a nie zewnętrznie zweryfikowany pomiar; przy części grup liczebność jest szacowana. Łączna liczba uczestników, których przeszkoliłem do dziś, jest wyższa i wciąż rośnie, dlatego liczba w tym tekście odnosi się wyłącznie do wskazanego okresu. Traktuję ją jako dowód doświadczenia, nie jako statystykę rynkową.
Po trzecie, dane o samej adopcji bywają rozbieżne. Polskie badania pokazują wskaźniki od kilku do kilkudziesięciu procent, zależnie od metodologii i wielkości firm (Polski Instytut Ekonomiczny, wrzesień 2025; Instytut Europy Środkowej na danych Eurostatu, 2025). Wniosek „bariera jest organizacyjna” jest mocny, lecz nie znosi różnic między branżami i wielkością organizacji.
Podsumowanie
Doświadczenie pracy z blisko 1400 uczestnikami szkoleń prowadzi do jednego wniosku: w większości firm to nie technologia jest wąskim gardłem, lecz sposób pracy, zaufanie i jasność zasad. Narzędzia takie jak Copilot czy ChatGPT są dziś łatwo dostępne; to, czy zmienią codzienność, zależy od tego, czy organizacja da ludziom jeden konkretny cel i jasne granice.
Dane rynkowe idą w tę samą stronę. Adopcja AI jest już powszechna, ale wartość osiąga mniejszość, bo brakuje nie modeli, lecz przeprojektowanych procesów i nadzoru (McKinsey, 2025). W sektorach regulowanych adopcję odblokowuje nie kolejne narzędzie, lecz zasada „człowiek zatwierdza wynik” oraz wąski, policzalny przypadek użycia.
Dla decydenta praktyczny wniosek jest ostrożny, ale konkretny: szkolenie zwiększa szansę na adopcję, lecz nie zastąpi zmiany procesu. Najtrwalsze efekty widziałem tam, gdzie po szkoleniu ktoś brał jeden proces i realnie go przebudowywał, zamiast nakładać AI na dotychczasowe nawyki.
O autorze
Remigiusz Pruszczak: ekspert GenAI i trener AI, makler papierów wartościowych z uprawnieniami do wykonywania czynności doradztwa inwestycyjnego. Od siedemnastu lat prowadzi szkolenia, a od 2025 roku również z generatywnej AI, dla banków, instytucji finansowych, kancelarii oraz firm z sektorów regulowanych i produkcji. Szkolenia realizował między innymi we współpracy z EY Academy of Business Polska, Warszawskim Instytutem Bankowości oraz Bankowym Ośrodkiem Doradztwa i Edukacji. Więcej na stronie „O mnie”.
Źródła
- 1. McKinsey & Company, „The State of AI in 2025: Agents, innovation, and transformation”, listopad 2025 — https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- 2. Human+AI Institute i CampusAI, „Generative AI Adoption: The Report” (omówienie: PARP), 2025 — https://www.parp.gov.pl/component/content/article/88606
- 3. EY Polska, „Jak polskie firmy wdrażają AI? Analiza zmian rok do roku”, 2. edycja (badanie Cube Research, październik 2024) — https://www.ey.com/pl_pl/insights/raporty-analizy/jak-polskie-firmy-wdrazaja-ai-raport–ai-fy25-gc-fy25
- 4. FINRA, „2026 Annual Regulatory Oversight Report”, grudzień 2025 (omówienie: Shumaker, Loop & Kendrick) — https://www.shumaker.com/insight/client-alert-generative-artificial-intelligence-in-financial-services-a-practical-compliance-playbook-for-2026/
- 5. TechRepublic, „Generative AI in Financial Services: Use Cases & Risks”, styczeń 2026 (źródło branżowe, Tier 3) — https://www.techrepublic.com/article/generative-ai-financial-services/
- 6. Columbia SIPA i FS-ISAC, „Generative AI, Trust, and the Financial Sector”, 2025 — https://www.sipa.columbia.edu/sites/default/files/2025-06/For_Publication_FS-ISAC_Cartier_Pollard%20(1).pdf
- 7. Sharp Europe oraz badanie 250 polskich MŚP (omówienie branżowe), grudzień 2025 — https://elektrotechnikautomatyk.pl/artykuly/msp-coraz-chetniej-wdrazaja-ai-ale-kompetencje-pracownikow-pozostaja-wyzwaniem
- 8. Instytut Europy Środkowej na danych Eurostatu, „Skokowy wzrost adopcji AI w UE”, 2026 — https://ies.lublin.pl/komentarze/skokowy-wzrost-adopcji-ai-w-ue-czy-europa-srodkowa-nadaza-za-zmiana/
- 9. Polski Instytut Ekonomiczny (omówienie: THINKTANK), wrzesień 2025 — https://think-tank.pl/ai-w-biznesie-globalny-zryw-i-niskie-wskazniki-sukcesu/
