Paradoks adopcji AI: dlaczego inwestycje rosną, a transformacja stoi w miejscu

92% firm planuje zwiększyć inwestycje w AI w ciągu najbliższych trzech lat. Tylko 1% liderów określa swoje organizacje jako „dojrzałe” w wykorzystaniu sztucznej inteligencji. Te dane pokazują, że większość firm szuka przyczyn trudności z wdrażaniem AI w niewłaściwym miejscu.

W tym pierwszym wpisie pokazujemy, dlaczego transformacja AI jest przede wszystkim wyzwaniem psychologicznym, organizacyjnym i ludzkim, a dopiero potem technologicznym. I dlaczego firmy, które to rozumieją, już dziś notują dwukrotnie wyższy wzrost przychodów niż reszta rynku.

Trzy liczby, które zmieniają sposób myślenia o AI

Raport McKinsey „Superagency in the Workplace” (styczeń 2025) pokazuje, że niemal każda firma inwestuje w AI, a niemal żadna nie zamienia tej inwestycji w realną wartość. W liczbach:

• 92% firm zwiększy inwestycje w AI w ciągu najbliższych trzech lat
• 1% organizacji jest „dojrzałych” we wdrożeniu AI
• 47% członków zarządów uważa, że ich firma porusza się z AI zbyt wolno

Boston Consulting Group w raporcie „The Widening AI Value Gap” (wrzesień 2025) podaje kolejne dane:

• 5% firm to liderzy AI („future-built”) — systematycznie generują istotną wartość z AI
• 60% to maruderzy — minimalne lub zerowe zwroty finansowe mimo inwestycji
• Liderzy AI oczekują dwukrotnie większego wzrostu przychodów i o 40% większych redukcji kosztów niż maruderzy w obszarach zastosowania AI

To nie jest luka technologiczna. To luka organizacyjna.

Reguła 10-20-70: skąd naprawdę bierze się wartość z AI

BCG opisuje podział wysiłku potrzebnego do transformacji AI:

10% wysiłku na algorytmy. 20% na technologię i dane. 70% na ludzi i procesy.

Siedemdziesiąt procent. Większość pracy w transformacji AI to praca z ludźmi: nad motywacją, zaufaniem, budowaniem kompetencji, projektowaniem zespołów, strukturami decyzyjnymi i kulturą organizacyjną. Nie nad modelami i nie nad infrastrukturą chmurową.

Większość firm robi dokładnie odwrotnie. 70% energii idzie w technologię, 20% w procesy, a 10% — jeśli w ogóle — w ludzi. To jest właśnie ten paradoks. To te 99% organizacji, które nie potrafią zamienić inwestycji na wartość.

„Postrzępiona granica”: kiedy AI pomaga, a kiedy szkodzi

W 2023 roku Harvard Business School i BCG przeprowadziły badanie wpływu AI na pracę wiedzy. 758 konsultantów BCG (ok. 7% globalnej kadry) wykonywało realistyczne zadania z dostępem do GPT-4 albo bez niego.

Dla zadań mieszczących się w tzw. „granicy kompetencji AI” (Dell'Acqua et al., 2023) uzyskano następujące wyniki:

• +12,2% więcej ukończonych zadań
• +25,1% szybsze wykonanie
• +40% wyższa jakość

Gdy ci sami konsultanci używali AI poza tą granicą, w zadaniach, w których AI jeszcze nie jest kompetentne, ich wyniki były o 19% gorsze niż grupy bez AI.

Pojęcie „postrzępiona granica technologiczna” oznacza, że AI nie radzi sobie jednakowo ze wszystkimi zadaniami. Wymaga ludzkiego osądu, kiedy jej zaufać, a kiedy zachować dystans. Tej zdolności nie kupisz z licencją. Musisz ją zbudować wewnątrz organizacji.

Zaufanie, bezpieczeństwo psychologiczne i alienacja

Tu robi się ciekawie — i tu na poważnie wkracza psychologia organizacji.

Zaufanie do AI słabnie z czasem. Początkowy entuzjazm wobec narzędzia ustępuje rozczarowaniu, gdy ludzie odkrywają jego ograniczenia (Schmutz i in., 2024). To naturalny proces psychologiczny. Dla organizacji oznacza, że po „efekcie wow” pierwszych tygodni przychodzi czas na kalibrację oczekiwań, projektowanie procesów oraz uwzględnienie możliwości i ograniczeń AI.

Co więcej, badania pokazują, że dodanie AI do zespołu często obniża koordynację, komunikację i zaufanie między ludźmi (Schmutz i in., 2024). Zespoły hybrydowe (Human-AI Teams) wbrew intuicji wypadają gorzej niż zespoły bez AI. Dlaczego? Bo ludzie nie wiedzą, jak współpracować z agentem, który nie ma intuicji, nie pamięta wczorajszej ustalonej decyzji i nie odczuwa konsekwencji błędu. To nie jest brak szkolenia z narzędzia. To brakujący nowy model mentalny współpracy.

Bezrukova i in. (2023) odkryli, że gdy zespołom o pozytywnym nastawieniu do AI nakazywano jego użycie, poziom współpracy spadał. Gdy zespoły o nastawieniu negatywnym dostawały ten sam nakaz, współpraca rosła. Lepsza technologia nie rozwiąże tych problemów. Potrzebne jest zrozumienie psychologii: autonomii, spójności postaw w grupie i dynamiki władzy.

W pomiarach tego typu średnie nastawienie zespołu nie mówi prawie nic. Liczy się rozkład i spójność. Zespół, w którym każdy jest na 6/10, zachowuje się zupełnie inaczej niż zespół, w którym połowa jest na 10, a połowa na 2, choć średnia jest identyczna.

Bezpieczeństwo psychologiczne to pojęcie spopularyzowane przez Amy Edmondson z Harvard Business School. Bez niego pracownicy nie będą eksperymentować z AI. Nie powiedzą głośno, gdy AI się myli. Ukryją wątpliwości. A cała inwestycja technologiczna okaże się kosztownym pustym gestem. Badanie Loyola University (Tsagaroulis, 2025) wykazało, że źle przemyślana adopcja AI podkopuje bezpieczeństwo psychologiczne, co z kolei istotnie zwiększa ryzyko depresji wśród pracowników.

Co naprawdę odróżnia liderów od maruderów

Według BCG firmy „future-built” inwestują w transformację AI o 120% więcej niż reszta rynku. Główna różnica nie jest jednak finansowa. Dotyczy tego, na co przeznaczają wysiłek.

Liderzy:

• osadzają strategię AI w wizji biznesowej — nie kupują AI dla samego AI, tylko wplatają je w istniejące cele
• inwestują w ludzi i procesy vs technologię w proporcji ok. 70:30 — odwrotnie niż reszta rynku
• szkolą ponad połowę kadry w kompetencjach AI; maruderzy planują szkolenie około jednej piątej
• projektują nowe role i ścieżki kariery — zamiast wciskać AI w istniejące, niezmienione stanowiska
• aktywnie zarządzają zaufaniem i kulturą eksperymentowania — bo wiedzą, że bez tego cała inwestycja się sypie

Innymi słowy: liderzy AI to firmy, które rozumieją, że adopcja technologii jest projektem zarządzania zmianą — nie projektem IT.

Granice AI: czego sztuczna inteligencja za ciebie nie zrobi

AI dobrze radzi sobie ze strategią biznesową: analizą danych, modelowaniem scenariuszy, generowaniem opcji decyzyjnych. Csaszar i in. (2024) pokazali, że duże modele językowe potrafią generować i oceniać strategie na poziomie porównywalnym z ekspertami.

Ale AI nie napisze za ciebie misji. Nie wygeneruje wiarygodnej wizji. I już na pewno nie połączy strategii z misją i wizją w sposób autentyczny i motywujący dla pracowników. To nie jest ograniczenie obecnych modeli, które zniknie z kolejną generacją. To ograniczenie zasadnicze — bo misja i wizja są wytworami ludzkiego sensu, tożsamości i wartości. AI nie ma żadnej z tych trzech rzeczy.

Dlatego transformacja AI w organizacji nie polega na zastępowaniu ludzi. Polega na świadomym podziale ról między człowieka a AI, z jasnym określeniem przewag i granic każdej strony.

Jak wygląda adopcja AI „świadoma psychologicznie”

W collaboration.tech wierzymy, że luka między ambicją a dojrzałością — ta słynna luka między 92% a 1% — jest dziś największą szansą rynkową dla firm gotowych potraktować transformację AI jako problem socjotechniczny. Konkretnie:

Mierz źródła problemów z zaufaniem do AI. Nie zakładaj, że ludzie „się przyzwyczają”. Diagnoza poprzedza interwencję. Musisz wiedzieć, co konkretnie w doświadczeniu pracownika z AI powoduje brak zaufania: halucynacje, brak przejrzystości czy poczucie utraconej kontroli.

Oddziel procesy społeczne w zespole od transakcji z AI. To nie to samo — nawet jeśli dzieją się w tych samych narzędziach. Spójność zespołu trzeba projektować zupełnie inaczej niż współpracę z agentem AI.

Monitoruj i wpływaj na motywację do pracy. Zwłaszcza tam, gdzie wchodzi „zarządzanie algorytmiczne”. Badania pokazują, że intensywne zarządzanie algorytmiczne niemal podwaja poziom stresu i zwiększa ryzyka psychospołeczne o 21% (Bowdler i in., 2026). To nie jest cena warta efektywności.

Mierz spójność postaw, nie średnią. Średnie nastawienie zespołu wobec AI bywa mylące. To rozkład — która połowa jest entuzjastyczna, a która się boi — wyznacza realną dynamikę.

Projektuj rozwój kompetencji tak, by zapobiegać erozji umiejętności. Nadmierne poleganie na AI prowadzi do erozji kompetencji, co Penttinen i Ruissalo (2025) wykazali w firmie księgowej: po usunięciu automatyzacji pracownicy nie potrafili wykonać podstawowych zadań. To nie scenariusz katastroficzny — to badanie terenowe.

Co zyskasz, czytając ten blog

W kolejnych wpisach na collaboration.tech będziemy:

• pokazywać konkretne narzędzia psychologii organizacji, które działają w transformacji AI
• analizować realne przypadki firm — sukcesy i bolesne porażki
• tłumaczyć najnowsze badania na styku AI, neuronauki, psychologii pracy i projektowania organizacji
• dawać ramy decyzyjne oparte na dowodach, bez hype'u i marketingu

Jeśli twoja firma znajduje się gdzieś między tymi 92% a 1% — inwestuje, ale jeszcze nie wygrywa — jesteś w dobrym miejscu.

W kolejnym artykule rozłożymy na czynniki pierwsze bezpieczeństwo psychologiczne w erze AI — z konkretnym pomiarem i konkretnymi interwencjami, które działają.

Źródła

• McKinsey & Company (2025). Superagency in the Workplace: Empowering People to Unlock AI's Full Potential at Work.
• Boston Consulting Group (2025). The Widening AI Value Gap: Build for the Future 2025.
• Dell'Acqua, F., McFowland III, E., Mollick, E. R., i in. (2023). Navigating the Jagged Technological Frontier. HBS Working Paper 24-013.
• Schmutz, J. B., Outland, N., Kerstan, S., i in. (2024). AI-teaming: Redefining collaboration in the digital era. Current Opinion in Psychology.
• Bezrukova, K., Griffith, T. L., Spell, C., i in. (2023). Artificial Intelligence and Groups. Group & Organization Management.
• Csaszar, F. A., Ketkar, H., & Kim, H. (2024). Artificial Intelligence and Strategic Decision-Making. Strategy Science.
• Bowdler, M., i in. (2026). Algorithmic management and psychosocial risks at work. Scandinavian Journal of Work, Environment & Health.
• Penttinen, E., & Ruissalo, J. (2025). Skill erosion caused by AI. Aalto University.
• Asfahani, A. M. (2022). The Impact of Artificial Intelligence on Industrial-Organizational Psychology. The Journal of Behavioral Science, 17(3), 125–139.