Andrzej Kubisiak: Kręta ścieżka rewolucji AI

Rok temu na łamach „Rzeczpospolitej” pisałem o konieczności przebudzenia się ze snu o technologicznym Świętym Graalu. Dziś bardziej obawiam się innego skrajnego podejścia – epatowania ryzykiem bańki. Jesteśmy na etapie weryfikacji i urealnienia spojrzenia na możliwości AI.

Symboliczne jest to, że sama branża technologiczna, która wokół swojego narzędzia „nakręciła” falę oczekiwań, dziś apeluje o umiar i czas na udowodnienie zasadności ogromnych nakładów inwestycyjnych na infrastrukturę cyfrową.

W ostatnich tygodniach Sam Altman, dyrektor generalny OpenAI, firmy stojącej za sukcesem ChatGPT, zwracał uwagę, że inwestorzy są nadmiernie podekscytowani sztuczną inteligencją. Prezes Microsoftu Satya Nadella podkreśla z kolei, że jest już zmęczony ciągłym szumem wokół AI. Zwraca uwagę, że jeśli technologia ta ma doprowadzić do rewolucji porównywalnej z przemysłową, musi to mieć przełożenie na realną gospodarkę, np. wpłynąć na wzrost produktywności na miarę czasów wynalezienia maszyny parowej.

Te tonujące wypowiedzi pojawiają się też w momencie przekroczenia punktu krytycznego zainteresowania AI. Według danych amerykańskiego urzędu statystycznego, między czerwcem a sierpniem 2025 r. odsetek dużych firm korzystających z AI spadł z 13,5 proc. do 12 proc. To pierwszy taki spadek od początku monitorowania trendu w 2022 r.

AI w „korycie rozczarowania”

Dane z ostatnich miesięcy są jednoznaczne: po początkowej euforii i ogromnych oczekiwaniach nadszedł czas trudnych wdrożeń i pierwszych porażek. Według S&P Global, aż 42 proc. firm zrezygnowało z większości pilotażowych projektów AI, czyli ponad dwukrotnie więcej niż rok wcześniej. Gartner prognozuje, że do 2027 r. ponad 40 proc. projektów związanych z agentami AI zostanie anulowanych z powodu wysokich kosztów i braku oczekiwanej wartości biznesowej.

Jeszcze bardziej krytyczne wnioski płyną z raportu MIT pt. „The GenAI Divide: State of AI in Business 2025”. Aż 95 proc. projektów z generatywną AI kończy się niepowodzeniem, a tylko 5 proc. pilotaży przynosi szybki wzrost przychodów. Problem nie tkwi już w samych modelach, bowiem te rozwijają się dynamicznie, lecz w ich integracji z procesami korporacyjnymi i produkcyjnymi. Narzędzia świetnie sprawdzające się w zastosowaniach indywidualnych okazują się mało elastyczne wobec skomplikowanych przepływów pracy w dużych organizacjach.

Wielu menedżerów błędnie lokuje środki – ponad połowa budżetów na GenAI trafia dziś do działów sprzedaży i marketingu, choć według MIT największy zwrot z inwestycji daje automatyzacja procesów wewnętrznych. Z kolei analitycy Citi podkreślają, że w wielu przypadkach koszt wdrożenia przewyższa osiągane korzyści, a miliardowe straty start-upów AI są obecnie maskowane dopływem kapitału typu venture.

Rynek AI znalazł się więc w tzw. korycie rozczarowania – etapie dobrze znanym z cyklu hype’u technologicznego. Po szczycie oczekiwań przychodzi czas weryfikacji, urealnienia obietnic i wyciągania wniosków z nieudanych eksperymentów. To naturalny proces dojrzewania technologii, który w perspektywie kilku lat może oczyścić rynek i przesunąć akcenty z obietnic na realne, mierzalne korzyści biznesowe.

Normalna technologia, czyli AI jak prąd czy internet

Arvind Narayanan i Sayash Kapoor, badacze z Uniwersytetu Princeton, proponują postrzeganie AI jako „normalnej” technologii powszechnej, porównywalnej do elektryczności czy internetu. Podobnie jak proponowałem to rok temu, odrzucają skrajne wizje postępowania AI jako autonomicznego bytu superinteligentnego – zarówno utopijne, jak i apokaliptyczne. Wskazują również, że realny wpływ AI będzie się rozwijał powoli, na przestrzeni dekad. Podobne historyczne procesy dotyczyły też wcześniej wdrażanych, mniej lub bardziej gwałtownie, technologii ogólnego zastosowania.

Doświadczenia historyczne można już dziś próbować przełożyć na trzy fazy rozwoju AI: przełom technologiczny, aplikacje/produkty oraz adopcję, czyli wdrożenia rozwiązań w firmach. Każda z nich niesie za sobą oddzielne wyzwania. Dziś kluczem do wdrożenia dokonań z pierwszych dwóch etapów jest proces upowszechnienia tych rozwiązań w gospodarce. Proces ten jest jednak ograniczony wieloma barierami – od klasycznego syndromu status quo, poprzez trudności w obliczaniu ROI (zwrotu z inwestycji – red.), po ograniczenia inwestycyjne, brak kompetencji technicznych pracowników, niedojrzałe systemy danych czy ryzyka compliance.

Gdzie ta efektywność AI?

W ostatnim roku przeprowadzono szereg analiz, których celem było poszukiwanie wpływu AI na środowisko pracy, osiąganie oszczędności w firmach oraz przyspieszenie części procesów. Wyniki są niejednoznaczne. Na przykład badanie Andersa Humluma (University of Chicago) i Emilie Vestergaard (Uniwersytet w Kopenhadze) pokazuje, że w zawodach najbardziej narażonych na automatyzację AI skraca czas pracy zaledwie o 2,8 proc. tygodniowo. To oznacza oszczędność nieco ponad jednej godziny w typowym 40-godzinnym tygodniu pracy. Jest to wynik istotny, ale daleki od wizji masowych przeobrażeń rynku pracy.

Słabe efekty przynoszą próby wykorzystania tzw. agentów AI do typowych zadań biurowych. Symulacje Carnegie Mellon University i Salesforce pokazały, że nawet najbardziej zaawansowane systemy potrafią samodzielnie zrealizować tylko ok. 30 proc. zadań, osiągając 58 proc. skuteczności w zadaniach jednoetapowych i zaledwie 35 proc. w wieloetapowych. Problemem są prozaiczne bariery: brak kontekstu, który wpływa na podejmowanie działań przez AI, błędne oznaczanie zadań jako zakończone czy trudności z obsługą prostych interakcji.

Wyraźne przyspieszenie obserwujemy natomiast w środowisku IT. Trzyletnie badanie Stanforda obejmujące 100 tys. programistów z 600 firm wykazało wzrost produktywności rzędu 15-20 proc. Co istotne, w nowych i prostszych projektach wzrost sięgał nawet 40 proc., jednak w dużych, złożonych systemach korzyści były znacznie mniejsze. Wynika to z konieczności żmudnych poprawek kodu wygenerowanego przez AI. Wniosek z całej analizy był jasny – sztuczna inteligencja to skuteczny asystent, ale nie samodzielny twórca zastępujący inżynierów.

Ciekawym sygnałem ostrzegawczym są też zmiany w strukturze zatrudnienia. Dane Stanford Digital Economy Lab wskazują, że to osoby młode, wykonujące „kodowalne” zadania, są najbardziej podatne na zastępowanie przez AI. Natomiast trudniej jest znaleźć substytut dla starszych, bardziej doświadczonych pracowników, dysponujących rozległą wiedzą praktyczną. Jak zauważa prof. Carl Benedikt Frey z Uniwersytetu w Oksfordzie, AI nie musi likwidować miejsc pracy, aby zmieniać rynek. Wystarczy, że obniży płace na stanowiskach początkowych, zmniejszy popyt na juniorów lub przesunie zatrudnienie do tańszych lokalizacji.

Zatem AI może być istotnym narzędziem do generowania oszczędności i wzrostu efektywności, ale na obecnym etapie jego efekty mają ograniczony charakter i mocno zależą od kontekstu. Sztuczna inteligencja nie zmienia dziś radykalnie całej gospodarki, lecz raczej punktowo wspiera procesy, zwłaszcza tam, gdzie zadania są powtarzalne, stosunkowo proste i dobrze opisane danymi.

Natomiast niedawna analiza „Financial Times”, przeprowadzona na setkach raportów i transkrypcji wypowiedzi zarządów spółek z indeksu S&P 500, pokazuje, że AI jest dziś częściej hasłem marketingowym niż realnym narzędziem biznesowym. Choć niemal wszystkie największe firmy deklarują zainteresowanie technologią, to poza „obawą przed przegapieniem okazji” niewiele z nich potrafi wskazać przykłady usprawnienia czy unowocześnienia działalności. Korzyści opisywane są mgliście, podczas gdy ryzyka rozpisywane są szczegółowo. To pokazuje, że inwestorzy finansują przede wszystkim narrację, a nie faktyczne efekty.

Obawy o bańkę AI

„The Economist” w niedawno opublikowanym, anonsowanym na okładce tekście, stawiał pytanie, co będzie, jeśli boom inwestycyjny w sztuczną inteligencję o wartości 3 bln dol. (globalne szacunki inwestycji w centra danych do końca 2028 r.) okaże się porażką? Tylko w tym roku duże amerykańskie firmy technologiczne wydadzą prawie 400 mld dol. na infrastrukturę potrzebną do obsługi modeli sztucznej inteligencji.

Wydatki kapitałowe firm technologicznych na AI rosną lawinowo. Jak zauważa Pierre Ferragu z New Street Research, udział tych nakładów wzrósł z 12 proc. przychodów dekadę temu do prognozowanych 28 proc. w tym roku. Ale czy ten wzrost przełoży się na realny zwrot? Te inwestycje będzie trzeba spłacić, a to zajmie dziesiątki lat. Stąd rosnące obawy, czy poniesione nakłady przełożą się na przyszłe przychody. Znany ekonomista Noah Smith uważa nawet, że jeśli firmy nie byłyby w stanie spłacić kredytów przeznaczonych na inwestycje, mogłoby dojść do kryzysu finansowego.

Czy ktoś wyciągnie wtyczkę?

AI może okazać się przełomową technologią o szerokich zastosowaniach, ale dopiero dłuższa perspektywa da ogląd na jej bezpośredni wpływ na gospodarkę. W tym procesie niezbędna jest wytrwałość i zrozumienie etapu, na którym się znajdujemy. Po weryfikacji i zderzeniu technologii z wymaganiami rynkowymi, następuje często okres realnych korzyści, gdy innowacja staje się bardziej zrozumiała, a jej prawdziwe zalety zaczynają przekładać się na efekty gospodarcze.

Tymczasem nadzieje inwestorów na wielkie zyski z AI były tak mocno napompowane, że niektórym może zabraknąć cierpliwości. I choć na amerykańskich parkietach często inwestuje się w obietnicę zysku, a nie pod realne wyniki, to jeżeli nadzieje nie spełnią się dostatecznie szybko, może dojść do korekty na rynku i odwrotu inwestorów od sztucznej inteligencji.

Ci, którzy zwykle stawiają retoryczne pytania o to, co może zatrzymać rozwój AI i uniemożliwić powstanie AGI (ogólnej sztucznej inteligencji przewyższającej możliwości człowieka), mogą wkrótce poznać odpowiedź. To rynek – poprzez weryfikację zakładu o skokową poprawę produktywności – zdecyduje, czy obietnice się spełnią. Odpływ kapitału najczęściej „gasi światło” nawet w najbardziej obiecujących rewolucjach technologicznych.