Звіт: розрив у впровадженні AI

У 2024 і 2025 роках кожен галузевий newsletter писав про «революцію ШІ» на підприємствах. Тим часом McKinsey Global AI Survey 2024 наводить тверді дані: хоча 78% компаній у світі декларують, що використовують ШІ принаймні в одній бізнес-функції, лише 1% вважає себе «AI mature» — тобто організаціями, які насправді перебудували процеси навколо штучного інтелекту. Ця дев'яносторазова різниця між «використовуємо» та «трансформуємо» — це саме і є прірва впровадження.

У польських МСП проблема ще болючіша. Згідно зі звітом Polskiego Instytutu Ekonomicznego (PIE 2024), 65% малих і середніх підприємств декларують бажання впровадити ШІ протягом 2 років, але лише 18% завершили дотеперішні проекти з вимірюваним ROI. Решта застрягла на етапі пілотування, «proof of concept» чи відмови від інвестиції. Ця стаття діагностує, чому так відбувається, — і що конкретно можна з цим зробити.

Текст спрямований до трьох груп читачів: власників і менеджерів МСП, що розглядають впровадження ШІ, самоврядних та інституційних осіб, що приймають рішення, які проектують програми підтримки, а також журналістів і аналітиків, що впорядковують образ польського ринку. Усі числа походять з публічних джерел — повний список наприкінці звіту.

Прірва впровадження ШІ (англ. AI implementation gap) — це розрив між декларованою адопцією технології (фірма купила ліцензію, запустила пілот) і реальним операційним використанням (технологія приносить вимірюване ROI у повсякденній діяльності фірми).

Найкраща метафора — це місточок над річкою: з одного боку стоїть МСП, яке щойно купило інструмент ШІ (напр., голосовий асистент для обслуговування клієнтів). З іншого боку чекає реальне поліпшення — коротший час обслуговування, нижчі витрати, більше задоволення клієнтів. Міст між цими берегами — це впровадження: навчання працівників, інтеграція з наявними системами, зміна процесів, валідація результатів. Більшість фірм ніколи не закінчують будувати міст. Пілот працює кілька тижнів, потім команда повертається до старих звичок.

Gartner у своєму Hype Cycle for Generative AI 2024 розміщує більшість польських фірм у фазі «Trough of Disillusionment» — одразу після піку очікувань, у долині розчарування. Це природна фаза адопції будь-якої технології, але для МСП вона особливо коштовна, бо бюджети малі, а маржа на помилку вузька.

Три ключові показники прірви впровадження, які варто моніторити:

(1) час від пілоту до продакшну — якщо перевищує 6 місяців, проект, ймовірно, застряг;

(2) відсоток працівників, які використовують інструмент щодня — якщо менше ніж 40%, інструмент є «полицевим»;

(3) вимірюване ROI за 12 місяців — якщо його немає, проект є втратою інвестиції, а не інвестицією.

McKinsey «The state of AI 2024»: 78% фірм у світі використовують ШІ принаймні в одному бізнес-процесі (зростання з 55% у 2023). Але лише 23% повідомляють про матеріальний вплив на EBIT на рівні організації. Решта — це функціональні впровадження (маркетинг, ІТ, обслуговування клієнтів), які не переходять у результати фірми.

Gartner AI Hype Cycle 2024: середній час від пілоту Generative AI до повного виробничого впровадження — 20 місяців. Для порівняння: для класичних систем ERP — 9 місяців. ШІ організаційно складніший, бо вимагає змін у процесах, а не лише в технології.

PIE (Polski Instytut Ekonomiczny) 2024: у польських МСП 62% проектів ШІ ніколи не виходять за межі фази пілоту. 78% впроваджень, які дотягнули до продакшну, мають вимірюване ROI нижче запланованого. Лише 5% польських МСП інтегрують ШІ в понад 3 бізнес-процесах одночасно.

Eurostat Digital Intensity Index 2024: Польща займає 18 місце з 27 країн ЄС за рівнем цифровізації МСП. У категорії «використання ШІ» ми на 22 місці. Найближчі конкуренти — Болгарія, Румунія та Словаччина. Лідери (Данія, Фінляндія, Нідерланди) мають показники в 2-3 рази вищі, ніж Польща.

MIT Sloan Management Review 2024: у дослідженні 5 тис. фірм у світі лише 11% повідомляють, що досягли «значної фінансової цінності» від ШІ. 52% повідомляють про цінність меншу за заплановану. 37% не вміють виміряти цінність взагалі. Це означає, що проблема вимірювання ROI є більш поширеною, ніж проблема технології.

Аналіз понад 600 case studies з польського та міжнародного ринку (Harvard Business Review, MIT Sloan, PIE) дозволяє виділити сім повторюваних причин провалів впроваджень. Кожної з них можна уникнути окремо — але вони часто виступають у поєднанні, що подвоює ризик.

Причина 1 — відсутність бізнес-стратегії. Найчастіша пастка: фірма купує інструмент ШІ, бо «всі мають», без чіткої відповіді на питання «яку проблему це вирішує». Без проблеми для вирішення немає способу виміряти успіх. Санітарний тест: якщо ти не вмієш одним реченням описати, яке бізнес-рішення ШІ має вдосконалити — призупини проект.

Причина 2 — низька якість даних. ШІ — це алгоритм, що годується даними. Якщо дані фрагментарні, неузгоджені (напр., ім'я клієнта у трьох різних форматах), застарілі чи упереджені — модель навчається на смітті. Класична приказка інженерів ML: garbage in, garbage out. Більшість МСП ніколи не проводили інвентаризації своїх даних, а очікують, що ШІ «якось дасть собі раду».

Причина 3 — відсутність внутрішніх компетенцій. Після впровадження фірма зазвичай залишається сама з інструментом. Якщо ніхто в організації не вміє інтерпретувати результати моделі, налаштувати її до бізнес-змін чи замінити дефектні компоненти — система поступово втрачає цінність. Сигнал тривоги: якщо зовнішня підтримка закінчується одноразовим тренінгом, проект помре за 6 місяців.

Причина 4 — вибір неправильного use-case. Фірми обирають найбільш ефектні застосування (напр., «чат-бот на головній сторінці») замість тих, що реально окупають інвестицію (напр., «автоматизація підготовки пропозицій для клієнтів B2B»). Правило: найкращий перший проект — це той, у якому ROI вимірюване через 90 днів, а вартість невдачі є посильною.

Причина 5 — недооцінка витрат на інфраструктуру. Сама ліцензія на модель ШІ — це часто 30% загальної вартості впровадження. Решта — це інтеграція з системами фірми (CRM, ERP, e-mail), безпека, моніторинг, операційні витрати API (кожен запит до моделі коштує). Фірми регулярно планують бюджет 100 тис. zł, а витрачають 350 тис. zł.

Причина 6 — організаційний опір. ШІ викликає страх у працівників: «чи замінить він мою посаду?», «чи буду я контрольована алгоритмом?». Без свідомої стратегії внутрішньої комунікації та залучення команди до проекту на ранньому етапі, опір саботує впровадження. Працівник, який не користується інструментом, робить так, що інструмент є марним — неважливо, наскільки добра модель.

Причина 7 — compliance, RODO (польський відповідник GDPR) та AI Act. 2024 рік приніс AI Act (Регламент ЄС 2024/1689), який класифікує системи ШІ за ризиком. Впровадження «високого ризику» (напр., ШІ в рекрутингу, в оцінці кредитоспроможності) вимагають аудиту, документації та сертифікації. Багато МСП впроваджують інструменти, не знаючи, що за 6-12 місяців вони повинні будуть виконати вимоги compliance — або вилучити продукт.

Польський ринок МСП має три риси, які посилюють прірву впровадження порівняно із західноєвропейськими ринками.

Перша риса — фрагментація: середня фірма в Польщі має 3-4 працівників, у Німеччині — 11. Менший масштаб означає менше ресурсів на експерименти.

Друга риса — мовна: більшість комерційних моделей ШІ (ChatGPT, Gemini, Claude) навчалися переважно на англомовних даних. Якість у польській нижча, ніж в англійській — особливо в нішевих галузях (медицина, право, техніка). Польські моделі такі як Bielik (NASK) і PLLuM (консорціум закладів вищої освіти) заповнюють цю прогалину, але вони ще на ранньому етапі розвитку.

Третя риса — відсутність галузевих даних: глобальні фірми мають доступ до великих наборів даних у своїх секторах. Польські МСП часто діють на ринках, де немає публічно доступних бенчмарків — що ускладнює тренування моделей і порівняння результатів. Наслідок: польські впровадження ШІ менш точні і повільніше дозрівають.

Є також позитивна асиметрія: польські МСП мають нижчі витрати на працю фахівців ІТ, ніж на Заході, що теоретично дозволяє впроваджувати більше за менше. На практиці цей потенціал використовується слабо — бо фахівців ШІ в Польщі замало і вони дорожчі за класичних програмістів.

Case 1 — меблева фабрика на Помор'ї (40 працівників, виробничий сектор). Фірма інвестувала 180 тис. zł у систему предиктивного обслуговування машин — ШІ мав передбачати поломки до того, як вони сталися. Через рік: система працювала, але на історичних даних, до яких ніхто у фірмі не повертався. Відсутність процесу реагування на оповіщення означала, що коли ШІ сигналізував ризик, ніхто не знав, що робити. Урок: технологія без процесу прийняття рішень = втрата грошей.

Case 2 — бухгалтерська контора в Ґданську (12 працівників, послуги B2B). Фірма впровадила чат-бота для відповідей на питання клієнтів. Через 3 місяці клієнти скаржилися, що бот відповідає «механічно і не розуміє контексту». Виявилося, що бот був підключений до універсальної моделі (GPT-3.5) без тренування на галузевих матеріалах контори. Урок: out-of-the-box ШІ рідко підходить нішевому бізнесу — потрібно дотренувати модель або підібрати іншу.

Case 3 — стартап HR-tech у Тримісті (8 працівників). Фірма створила ШІ для фільтрування CV для корпоративних клієнтів. Через 6 місяців один з клієнтів виявив, що модель дискримінує кандидатів з польськими прізвищами (ефект упередження навчальних даних). Допис у LinkedIn = втрата довіри, клієнт розірвав контракт. Урок: AI Act і RODO трактують упередження як серйозний правовий ризик. Аудит fairness має бути вбудований у процес впровадження, а не доданий після збою.

Висновок з трьох case studies: у жодному з них проблема не була технічною. Моделі працювали. Проблема була організаційною — відсутність процесу, відсутність дотренування, відсутність аудиту. Це хороша новина: організаційні помилки легше виправити, ніж технологічні. Достатньо знань і методології.

Аналіз успішних впроваджень (PIE, MIT Sloan, McKinsey 2024) показує п'ять шаблонів, які систематично з'являються в проектах з високим ROI.

Шаблон 1 — пілот замість big-bang. Почни з одного конкретного процесу (напр., автоматизація одного звіту). Виміряй ROI через 90 днів. Якщо діє — масштабуй. Якщо ні — закрий і зроби висновки. Пілот коштує 20-50 тис. zł і дозволяє уникнути катастрофи 500 тис. zł.

Шаблон 2 — компетенції перед ліцензією. Інвестуй у навчання команди ДО купівлі інструмента. Працівники, які розуміють, як діє ШІ (на концептуальному рівні, не технічному), здатні обрати правильний інструмент, домовитися про кращу угоду з постачальником і підтримувати систему після впровадження.

Шаблон 3 — ROI за 12-24 місяці, а не за 6. Реалістичний горизонт повернення інвестиції в ШІ — це 18 місяців для проектів середнього масштабу. Коротші пілотні проекти можуть мати ROI за 3-6 місяців, але повна трансформація процесу вимагає часу на адопцію.

Шаблон 4 — human-in-the-loop. Не намагайся автоматизувати повністю. Найкращі впровадження ШІ в МСП — це ті, в яких ШІ пропонує, людина вирішує. Модель виконує тяжку підготовчу роботу (аналіз даних, чорновик відповіді, пропозицію пріоритетів), а працівник верифікує, модифікує і затверджує. Це збільшує довіру, зменшує ризик і дозволяє швидко виявити проблеми.

Шаблон 5 — аудит fairness і упереджень на самому початку. Перш ніж впроваджувати модель, що стосується людей (рекрутинг, оцінювання, сегментація клієнтів), проведи аудит упереджень. Тест: чи модель ставиться до різних демографічних груп однаково? AI Act вимагає цього юридично для систем високого ризику — але для кожного впровадження це просто хороша практика.

МСП не повинні проходити через трансформацію ШІ самостійно. Polski Krajowy Plan Odbudowy (KPO — польський Національний план відбудови) виділяє понад 2 млрд zł на цифровізацію малих і середніх фірм у 2024-2026 роках. Fundusze Europejskie dla Pomorza 2021-2027 (Європейські фонди для Помор'я) мають конкретну пріоритетну вісь, присвячену цифровій трансформації МСП.

Другий стовп підтримки — це EDIH (European Digital Innovation Hubs — Європейські центри цифрових інновацій) — мережа інноваційних центрів, що фінансується Європейською Комісією. Кожен EDIH пропонує безкоштовний цифровий аудит для МСП, пілотні впровадження ШІ та навчальну підтримку. У Польщі діє 7 EDIH-ів, у тому числі один на Помор'ї.

Третій стовп — неурядові організації (NGO). Такі фундації, як Baltic Digital Institute, пропонують неупередженість, якої немає в жодної фірми, що продає конкретне програмне забезпечення. NGO не заробляє на ліцензії, тому рекомендує інструмент, найкраще пристосований до потреб клієнта — навіть якщо це програмне забезпечення open-source за 0 zł.

Для МСП, що планує впровадження ШІ, найкраща послідовність — це:

(1) аудит EDIH (безкоштовний, дає об'єктивну мапу процесів),

(2) навчання команди від NGO/закладу освіти (безкоштовне або низьковартісне),

(3) пілот, фінансований з KPO/FE+ (дотація 50-70% витрат),

(4) масштабування з комерційним партнером або самостійно. Ця послідовність мінімізує фінансовий ризик і максимізує шанси на успіх.

П'ять конкретних рекомендацій для самоврядних осіб, що приймають рішення, регуляторів та творців програм підтримки — заснованих на даних з польського і міжнародного ринку.

Рекомендація 1 — програми підтримки ШІ в МСП повинні фінансувати КОМПЕТЕНЦІЇ, а не лише технологію. Зараз 80% грантів іде на купівлю програмного забезпечення. Тим часом дані показують, що недостатність компетенцій є більшим блокером, ніж недостатність ліцензій. Запропонована зміна: мінімум 30% бюджету гранту на навчання та менторинг.

Рекомендація 2 — запровадити обов'язок документування ROI у грантах ШІ. Бенефіціари повинні вимірювати і звітувати про вплив проекту на конкретні бізнес-показники (доходи, витрати, час обслуговування). Це дисциплінує фірми до вибору осмислених застосувань і створює публічну базу знань про те, що працює в польських МСП.

Рекомендація 3 — підтримувати польські моделі ШІ (Bielik, PLLuM) як альтернативу глобальним комерційним моделям. Доступність локальних моделей збільшує технологічний суверенітет і поліпшує якість ШІ польською мовою. Публічні інвестиції в R&D мовних моделей дають довгострокову економічну перевагу.

Рекомендація 4 — мережа регіональних цифрових опікунів МСП. Поодинокі навчання та одноразові аудити недостатні. Польські МСП потребують довгострокового партнера (NGO, EDIH, ЗВО) з 2-3-річними відносинами. Публічні програми повинні фінансувати не проекти, а опікунські відносини.

Рекомендація 5 — спрощення compliance AI Act для МСП. AI Act запроваджує обов'язки, яких малі фірми не в змозі виконати без підтримки. Запропонована зміна: створити спрощений шлях для МСП (напр., фірми до 50 працівників користуються стандартними шаблонами документації, аудитами та сертифікаціями, що надаються державою безоплатно).

Прірва впровадження ШІ в польських МСП — це реальне явище, виміряне твердими цифрами: 65% фірм хочуть впровадити ШІ, 18% масштабують це з вимірюваним ROI. Різниця між цими двома цифрами — це 47 відсоткових пунктів втраченої цінності — і тисячі годин роботи в проектах, які ніколи не повертають інвестицій.

Сім причин невдач (відсутність стратегії, погана якість даних, відсутність компетенцій, поганий обсяг пілоту, недооцінка витрат, організаційний опір, compliance) є добре задокументованими і повторюваними. Це означає, що їх можна свідомо уникати — за умови, що фірма підходить до ШІ методично, а не реакційно.

П'ять шаблонів успіху (пілот замість big-bang, компетенції перед ліцензією, реалістичний горизонт ROI, human-in-the-loop, аудит fairness) — це дорожня мапа, вироблена на базі тисяч успішних впроваджень. Жоден з них не вимагає революційної технології — усі вимагають організаційної дисципліни.

Роль публічної підтримки (KPO, FE+, EDIH) та неурядових організацій є незамінною в польських реаліях. МСП з дотацією, навчанням та довгостроковою опікою має у кілька разів вищі шанси на успіх, ніж фірма, що діє самостійно. Особи, що приймають рішення, проектують програми підтримки, повинні опиратися на дані: фінансувати компетенції, вимагати вимірювань ROI, підтримувати польські моделі і будувати мережу опікунських відносин замість поодиноких грантів.

Прірва впровадження ШІ не є неминучою. Вона діагностована і вимірювана — а це означає, що вона є розв'язуваною. Тема не «чи», а «як швидко і в якому порядку».