Audyt przedwdrożeniowy AI: dlaczego 80% projektów się sypie i jak to wygląda zrobione porządnie, yesfor

Spis treści

Co to jest audyt przedwdrożeniowy AI, definicja, czym różni się od audytu IT i konsultingu strategicznego
Dlaczego 80% projektów AI nie działa, dane z 6 niezależnych badań z linkami do oryginałów
Co wchodzi w skład rzetelnego audytu, cztery filary YESFOR Framework
Jak wygląda proces krok po kroku, 6 faz, 4-6 tygodni
Ile kosztuje audyt AI, widełki cen, porównanie z Big4
Kiedy potrzebujesz audytu, kiedy nie, decision framework
Jak wybrać firmę do audytu, 8 pytań które trzeba zadać
Case study: korporacja budowlana, scenariusz bez audytu vs z audytem
FAQ, 10 najczęstszych pytań

Co to jest audyt przedwdrożeniowy AI

Audyt przedwdrożeniowy AI to ustrukturyzowana diagnoza gotowości organizacji do wdrożenia rozwiązań opartych na sztucznej inteligencji. Obejmuje cztery wymiary: jakość i dostępność danych, dojrzałość procesów biznesowych, kompetencje zespołu oraz fit-gap między dostępnymi technologiami a realnymi problemami firmy. Wynikiem jest pisemny raport z listą procesów priorytetowych, szacunkami ROI i mapą drogową wdrożenia, niezależną od konkretnego dostawcy technologii.

To nie jest audyt techniczny w stylu "sprawdźmy infrastrukturę GPU". To audyt biznesowy, który odpowiada na trzy pytania, na które kadra zarządcza musi mieć odpowiedź zanim podpisze kontrakt z dostawcą:

Czy to, co chcemy zrobić, faktycznie wymaga AI, czy zwykła automatyzacja procesowa (RPA, workflow) nie załatwi sprawy taniej i pewniej
Czy mamy dane, na których model będzie się uczył albo które będzie przetwarzał, czyste, kompletne, dostępne, zgodne z RODO
Co konkretnie zmieni się w P&L, kto przestanie wykonywać jakie zadania, ile to kosztuje dziś, ile będzie kosztować jutro, w jakim horyzoncie inwestycja się zwróci

Jeśli na którekolwiek z tych pytań organizacja odpowiada "nie wiem" albo "ogólnie tak", wdrożenie się posypie. To nie jest opinia. To dane, które omawiam niżej.

Czym audyt przedwdrożeniowy AI różni się od audytu IT

| Wymiar | Audyt IT | Audyt przedwdrożeniowy AI | |---|---|---| | Pytanie główne | Czy infrastruktura działa | Czy organizacja jest gotowa do zmiany | | Czas trwania | 1-3 tygodnie | 2-8 tygodni | | Z kim rozmawia | CTO, dział IT | C-level, kierownicy operacyjni, użytkownicy końcowi | | Co analizuje | Logi, konfiguracje, security | Procesy biznesowe, KPI, jakość danych, kompetencje | | Output | Raport techniczny | Plan transformacji + business case per use case | | Zależność od dostawcy | Często związany z konkretną technologią | Vendor-agnostic |

Czym audyt przedwdrożeniowy AI różni się od konsultingu strategicznego

Big4 (Deloitte, PwC, EY, KPMG) i MBB (McKinsey, BCG, Bain) sprzedają AI strategy consulting, kosztuje 500 tys. do kilku milionów PLN, trwa 3-6 miesięcy i kończy się 200-stronicowym slidedeckiem o "ścieżce transformacji". Audyt przedwdrożeniowy jest operacyjnym poziomem niżej: nie odpowiada czy iść w AI, tylko gdzie konkretnie i w jakiej kolejności. Trwa tygodnie, nie miesiące. Kosztuje rząd wielkości mniej. I daje plan, który można wdrożyć w pierwszym kwartale po raporcie, nie w 2028 roku.

To różnica między diagnozą lekarską przed operacją a książką o medycynie ogólnej. Obie mają wartość. Ale jeśli za chwilę ma być operacja, druga rzecz nie pomoże.

Dlaczego 80% projektów AI w korporacjach nie działa

Liczby z ostatnich 18 miesięcy są bezlitosne. Sześć niezależnych źródeł, różne metodologie, ta sama konkluzja:

| Badanie | Próba | Wynik | Źródło | |---|---|---|---| | RAND Corporation 2024/2025 | 65 inżynierów ML i data scientists | 80% projektów AI nie osiąga produkcji, 2× więcej niż projekty IT bez AI | RAND RRA2680-1 | | MIT Project NANDA 2025 | 300+ wdrożeń GenAI, 150 wywiadów | 95% pilotów GenAI bez mierzalnego wpływu na P&L | MIT NANDA Report | | S&P Global Market Intelligence 2025 | 1000+ firm w US i Europie | 42% firm porzuciło większość inicjatyw AI w 2025 (vs 17% w 2024) | S&P Global | | BCG "Widening AI Value Gap" 09/2025 | 1250 respondentów | 60% firm bez materialnej wartości mimo dalszych inwestycji | BCG | | McKinsey Global AI Survey 11/2025 | Global enterprises | 80%+ organizacji bez znaczącego wpływu AI na EBIT | McKinsey | | Gartner Q1 2026 | 782 liderów Infrastructure & Operations | Tylko 28% projektów AI spełnia oczekiwania ROI | Gartner |

Pięć powtarzalnych wzorców porażki

Dane z RAND (Ryseff, Narayanan 2024/2025), MIT NANDA, McKinsey i Gartner układają się w pięć wzorców, które powtarzają się w 70-80% nieudanych projektów. Kolejność wg częstotliwości:

Wzorzec 1: Brak metryk sukcesu zdefiniowanych przed startem (73% projektów)

Projekt rusza, bo prezes wrócił z konferencji w Davos albo z webinarium NVIDII. Nikt nie zapisał na piśmie, co ma się zmienić w liczbach po 6, 12, 24 miesiącach. Bez baseline'u nie ma jak ocenić, czy projekt działa. CFO ucina budżet po dwóch kwartałach. CEO przestaje przychodzić na review.

To jest najczęstsza i najtańsza do naprawienia przyczyna porażki, wystarczy jeden warsztat strategiczny przed rozpoczęciem.

Wzorzec 2: Dane nie są "AI-ready" (43% wskazań w badaniu Informatica CDO Insights 2025)

Gartner zdefiniował AI-ready data jako dane:

dopasowane do konkretnego przypadku użycia (nie "ogólne dane firmowe")
aktywnie zarządzane na poziomie zasobu (kto jest właścicielem, kto ma dostęp)
wspierane zautomatyzowanymi pipeline'ami z bramkami jakości
z aktualizowaną na żywo metadaną
ciągle kontrolowane pod kątem jakości

W większości polskich korporacji żaden z tych warunków nie jest spełniony. ERP ma 4-letnie braki, CRM nie integruje się z systemami operacyjnymi, dział handlowy trzyma kluczowe dane w Excelach. AI trenowane na takich danych zwraca śmieci, tyle że szybciej niż człowiek.

Wzorzec 3: Utrata sponsoringu C-level w pierwszych 6 miesiącach (56% projektów)

Projekty z trwałym zaangażowaniem zarządu mają 68% szans na sukces. Projekty, w których C-level wycofuje się po pierwszej fazie, 11% (RAND 2024). Różnica jest sześciokrotna.

Sponsoring nie znaczy "prezes powiedział tak na zarządzie". Sponsoring znaczy: prezes co miesiąc patrzy na cztery wskaźniki projektu, zadaje pytania, broni budżetu przed CFO i interweniuje, gdy działy operacyjne sabotują wdrożenie.

Wzorzec 4: Traktowanie AI jako projektu IT, nie transformacji biznesu (61% projektów)

Klasyczny schemat: zarząd deleguje "ten AI" do CTO. CTO wybiera technologię. Dział operacyjny dostaje gotowe narzędzie z polecenia "macie używać". Nikt nie przeprojektował procesów. Nikt nie zmienił KPI. Nikt nie zaktualizował systemu wynagrodzeń.

Badanie McKinsey 2025 pokazuje to jednoznacznie: organizacje raportujące "znaczące zwroty finansowe" z AI są 2× bardziej skłonne przeprojektować end-to-end procesy biznesowe zanim wybiorą model AI. To jest odwrócenie typowej kolejności wdrożeń, i to się opłaca.

Wzorzec 5: Zbyt ambitne oczekiwania, zbyt krótki horyzont (57% wg Gartner I&O 2025)

Liderzy I&O w badaniu Gartnera mówią wprost: projekty wypadły, bo "oczekiwaliśmy za dużo, za szybko". Założyli, że AI natychmiast zautomatyzuje skomplikowane procesy, wytnie koszty, naprawi długoletnie problemy operacyjne. Po 90 dniach bez efektu, utrata zaufania.

Realny horyzont mierzalnego ROI z AI w korporacji: 2-4 lata, nie 7-12 miesięcy, jak obiecują vendorzy.

W rozmowach z zarządami dużych polskich firm widzę to samo, co RAND opisał w 65 wywiadach: technologia jest gotowa, organizacja nie. Pięć z sześciu projektów, w które wchodzimy, sypie się przed pierwszą linijką kodu, bo nikt nie ustalił, co ma się zmienić w P&L i kto będzie używał gotowego narzędzia. Audyt przedwdrożeniowy to nie biurokracja. To jedyny etap, na którym można uniknąć utopienia 2-8 mln zł.

— Arleta Marczyńska, Founder, yesfor.ai

Co wchodzi w skład rzetelnego audytu AI

Rzetelny audyt przedwdrożeniowy AI obejmuje cztery obszary. Każdy ma własne pytania, własne deliverables i własne ryzyka. Wszystkie cztery są konieczne, pominięcie któregokolwiek znacząco zwiększa prawdopodobieństwo, że dołączycie do statystyki 80%.

W yesfor.ai pracujemy według autorskiego YESFOR Framework (AI Readiness Score, YESFOR). Cztery filary, dwanaście wymiarów, jeden mierzalny score od 0 do 100. Wagi filarów pochodzą z empirycznych danych o przyczynach porażek projektów AI (RAND, MIT, McKinsey), nie z sufitu.

Filar 1: Audyt danych (waga w OPS: 30%)

Pytania, na które odpowiada audyt:

Jakie dane firma ma w którym systemie i kto jest ich właścicielem
Jaka jest jakość danych w pięciu wymiarach: kompletność, spójność, dokładność, aktualność, jednoznaczność
Czy dane można połączyć między systemami bez ręcznej interwencji
Czy mamy zgody (RODO) na użycie tych danych w trenowaniu modeli
Gdzie kończy się dział IT, a zaczyna shadow IT (Excele w działach handlu, marketingu, HR)

Deliverables:

Mapa źródeł danych z oceną jakości per zasób
Lista luk między stanem obecnym a stanem AI-ready
Szacunek kosztu i czasu doprowadzenia danych do gotowości
Lista 5-10 przypadków użycia możliwych dziś (na danych w obecnym stanie) i 5-10 możliwych po podniesieniu jakości

Czerwone flagi, których szukamy:

"Mamy hurtownię danych", najczęściej oznacza nieaktualizowany od 2 lat magazyn ETL z 60% niewykorzystywanych tabel
"Mamy ERP", najczęściej oznacza, że 30% kluczowych pól jest pustych lub wypełnionych "n/d"
"Mamy zgodę RODO na wszystko", najczęściej nieprawda

Filar 2: Audyt procesów (waga w OPS: 30%)

Pytania:

Które procesy w firmie są najbardziej kosztowne (czas + pieniądze)
Które są powtarzalne, ustrukturyzowane i mierzalne
Które są realnie wykonywane tak, jak są opisane w dokumentacji (najczęściej różnica jest 40-60%)
Gdzie są wąskie gardła, gdzie powstają błędy, gdzie ludzie czekają na innych ludzi

Deliverables:

Mapa procesów end-to-end dla 5-10 obszarów priorytetowych
Klasyfikacja każdego procesu w macierzy potencjał AI × gotowość organizacyjna
Lista quick wins (procesy do automatyzacji w poniżej 90 dni) i long-term plays
Baseline KPI dla każdego procesu: czas, koszt, jakość, satysfakcja użytkowników

Krytyczna uwaga: Nie każdy proces wymaga AI. Część załatwia się klasycznym RPA (Robotic Process Automation), część prostym workflow w Microsoft Power Automate, część zmianą instrukcji służbowej. Rzetelny audyt mówi "tu AI ma sens, tu nie", nie wciska AI wszędzie.

Filar 3: Audyt kompetencji i organizacji (waga w OPS: 25%)

Pytania:

Czy zarząd realnie wie, co to jest AI (vs marketing buzzword)
Czy są ludzie w organizacji, którzy podtrzymają wdrożenie po wyjściu konsultanta (capability transfer)
Czy struktura wynagrodzeń premiuje współpracę z AI, czy jej blokowanie
Jaki jest sentiment do AI w zespołach operacyjnych, z badania Writer/Workplace Intelligence 2025 wynika, że 31% pracowników świadomie sabotuje wdrożenia AI

Deliverables:

AI Literacy Score dla zarządu, middle management i zespołów operacyjnych
Analiza change readiness: kto będzie sojusznikiem, kto blokerem
Plan budowania capability transfer (żeby po zakończeniu projektu firma sama umiała utrzymać i rozwijać rozwiązanie)
Rekomendacje zmian w KPI i systemie wynagrodzeń

Filar 4: Audyt technologii i fit-gap (waga w OPS: 15%)

Pytania:

Jaką infrastrukturę firma ma dziś, jaką musi mieć dla danego use case
Cloud (AWS, Azure, GCP) vs private cloud vs on-premise
Build vs buy: budujemy własne, kupujemy gotowe (Salesforce Einstein, Microsoft Copilot), czy hybrid
Jakie są koszty utrzymania, retencji modelu, monitoringu

Deliverables:

Mapa architektury docelowej
Porównanie 3-5 opcji technologicznych z TCO na 3 lata
Lista ryzyk technicznych (vendor lock-in, data residency, AI Act compliance)

Dlaczego tylko 15% wagi: Bo to najmniej ważny filar. RAND i MIT pokazują jednoznacznie, technologia w 2026 rzadko jest przyczyną porażki. Pęknie organizacja, pękną dane, pęknie sponsoring. Technologia jest gotowa, jeśli reszta jest gotowa.

Jak wygląda proces audytu krok po kroku

Standardowy audyt yesfor.ai dla średniej polskiej korporacji (200-500 osób) trwa 4-6 tygodni i przebiega w 6 fazach:

Faza 1: Discovery call (30 minut, online, bezpłatnie)

Rozmowa wstępna z osobą decyzyjną. Dwa cele: zrozumieć kontekst biznesowy i sprawdzić, czy w ogóle warto robić audyt. Czasem klient potrzebuje czegoś innego, wdrożenia konkretnego narzędzia, szkolenia zarządu, RPA zamiast AI. Mówimy to wprost. Audyt nie zawsze ma sens, pytanie brzmi nie "czy", tylko "gdzie jest największy potencjał".

Faza 2: Zakres i wycena (tydzień 1)

Definiujemy: ile procesów obejmujemy, z iloma osobami rozmawiamy, jakie systemy analizujemy, jakie deliverables dostarczamy. Podpisujemy krótką umowę (3 strony) z fixed price. Bez niespodzianek w fakturze.

Faza 3: Warsztaty z zarządem (tydzień 2)

Cztery sesje po 2 godziny:

Sesja strategiczna, co chcecie osiągnąć i w jakim horyzoncie
Sesja operacyjna, które procesy najbardziej bolą
Sesja danych, co macie, czego nie macie, gdzie shadow IT
Sesja KPI, jak będziemy mierzyć sukces

Faza 4: Wywiady operacyjne (tydzień 2-3)

Tu jest sól audytu. Rozmowy nie z prezesem, z ludźmi, którzy faktycznie wykonują zadania każdego dnia. Kierownicy działów, key userzy, analitycy, controllerzy. Mapujemy każdy proces krok po kroku: kto co robi, w jakiej kolejności, w jakim narzędziu, ile to zajmuje, gdzie błędy.

Z reguły 15-25 wywiadów po 45-60 minut.

Faza 5: Analiza i scoring (tydzień 3-4)

Praca po naszej stronie. Składamy dane z wywiadów, dokumentacji, systemów. Wyliczamy AI Readiness Score dla każdego z 12 wymiarów. Identyfikujemy luki, ryzyka, quick wins. Szacujemy ROI dla 5-10 priorytetowych przypadków użycia.

Faza 6: Raport i prezentacja (tydzień 4-6)

Pisemny raport (40-80 stron) zawiera:

Executive summary (1 strona dla zarządu)
AI Readiness Score firmy + benchmarking do polskiego rynku
Mapa procesów ze wskazaniem priorytetów
Roadmap wdrożeń (12, 24, 36 miesięcy)
Business case dla 3-5 quick wins z liczbami
Lista ryzyk i rekomendacji
Załączniki techniczne

Raport prezentujemy zarządowi (2-3 godzinna sesja). Klient dostaje wersję edytowalną, może go przekazać dowolnemu wykonawcy, w tym konkurencji yesfor.ai. Wiedza zostaje u Was, nie u konsultanta.

Ile kosztuje audyt AI w polskiej firmie

Pełna transparentność cen, czego u Big4 nie dostaniecie:

| Wielkość firmy | Zakres audytu | Cena | Czas trwania | |---|---|---|---| | SME (10-100 osób) | 1-2 procesy, 5-8 wywiadów | 8 000 - 15 000 PLN | 2 tygodnie | | Mid-market (100-500 osób) | 3-5 procesów, 10-15 wywiadów | 25 000 - 50 000 PLN | 4 tygodnie | | Enterprise (500+ osób) | 5+ procesów, 20-30 wywiadów | 80 000 - 200 000 PLN | 6-8 tygodni |

Dlaczego widełki, a nie sztywne ceny: różnica między dolnym a górnym pułapem to złożoność systemów, liczba wywiadów, dostępność danych historycznych i wymagana głębokość raportu. Wycena po discovery call jest fixed price.

Co podnosi cenę:

Procesy w kilku oddziałach / lokalizacjach
Wiele systemów źródłowych do analizy
Wymóg compliance (sektor finansowy, medyczny, publiczny)
Anglojęzyczne deliverables (dla zarządów międzynarodowych)
NDAs i audyty bezpieczeństwa po stronie klienta

Co obniża cenę:

Jasno zdefiniowany scope na wejściu
Wcześniej zmapowane procesy
Gotowy zespół po stronie klienta do współpracy
Powtórne zamówienie (lojalność klienta)

Porównanie z alternatywami

| Opcja | Czas | Koszt | Co dostajecie | |---|---|---|---| | Audyt w yesfor.ai | 4-6 tyg. | 25-200 tys. PLN | Plan operacyjny, vendor-agnostic, capability transfer | | AI Strategy w Big4 (Deloitte/PwC/EY/KPMG) | 3-6 mies. | 500 tys. - 2 mln PLN | Strategiczny slidedeck, zwykle vendor-biased | | "Bezpłatny audyt" od dostawcy AI | 1-2 tyg. | 0 PLN | Plan wdrożenia ich narzędzia | | Wdrożenie bez audytu | 6-24 mies. | 1-10 mln PLN | 80% szans, że trafiacie do statystyki RAND |

Audyt jest najtańszym elementem całego łańcucha wartości AI. To 2-5% budżetu, który zabezpiecza pozostałe 95-98%.

Kiedy potrzebujesz audytu zewnętrznego, a kiedy nie

Audyt prawdopodobnie ma sens, jeśli:

Firma ma 50+ osób i chce wdrożyć AI w kluczowym procesie (nie eksperymencie HR-owym)
Budżet planowany na wdrożenie to 500 tys. PLN+
Macie 2+ propozycje od różnych dostawców i nie wiecie, którą wybrać
Pierwszy projekt AI w firmie nie wypalił i nie wiecie, dlaczego
Zarząd ma podzielone zdania, czy w ogóle iść w AI
Przygotowujecie się do compliance z AI Act (sektor wysokiego ryzyka)

Audyt prawdopodobnie NIE ma sensu, jeśli:

Macie konkretny, dobrze opisany problem i szukacie wykonawcy do wdrożenia, wtedy lepiej zacząć od bezpośredniej wyceny
Firma ma poniżej 30 osób i jeden właściciel-decydent, szybciej rozmawiać bezpośrednio o narzędziu
Budżet wdrożenia poniżej 100 tys. PLN, audyt zje 20-30% budżetu
Macie wewnętrzny dział AI/ML, który potrafi zrobić to sam

W tych przypadkach mówimy klientowi otwartym tekstem: "nie potrzebujesz nas, oto co zrobić zamiast tego". Tak, tracimy projekt. Ale dostajemy referencje.

Jak wybrać firmę do audytu AI

Osiem pytań, które trzeba zadać dostawcy audytu zanim podpiszesz umowę:

1. Czy raport zostaje moją własnością po zakończeniu?

Powinien. Jeśli dostawca chce zachować prawa do raportu albo nie chce wydać wersji edytowalnej, to red flag. Wiedza ma zostać u Was.

2. Czy jesteście niezależni od konkretnego dostawcy technologii?

Vendor-agnostic to nie hasło. Spytajcie wprost: "Czy macie partnerstwa z dostawcami AI? Czy dostajecie prowizje od poleceń?". Jasna odpowiedź = uczciwy partner. Wymijająca odpowiedź = audyt skończy się rekomendacją ich partnera.

3. Jak będziecie rozmawiać z naszymi ludźmi?

Audyt bez rozmów z key userami to nie audyt. Powinniście usłyszeć: minimum 10-15 wywiadów dla średniej firmy, z osobami z różnych poziomów organizacji, nie tylko z C-level. Bez rozmów z ludźmi, którzy codziennie wykonują procesy, nie ma jak ocenić co naprawdę nie działa.

4. Jakie deliverables konkretnie dostanę?

Lista konkretnych dokumentów: mapa procesów, AI Readiness Score (lub inny mierzalny wskaźnik), business case z liczbami, roadmap, raport pisemny. Brak konkretu = brak procesu.

5. Czy macie własną metodologię?

Jeśli odpowiedź to "używamy frameworków Gartnera/McKinseya", pytajcie dalej. Własna, udokumentowana, publicznie opisana metodologia (np. YESFOR Framework yesfor.ai) to znak dojrzałości warsztatu. Bez metodologii każdy audyt jest improwizacją.

6. Pokażcie 2 anonimowe raporty z poprzednich audytów

Każdy poważny dostawca może pokazać anonimizowane fragmenty raportów. Jeśli odpowiadają "to poufne, nie pokażemy nic", prawdopodobnie wstydzą się jakości.

7. Ile trwa wdrożenie zaleceń z audytu?

Audyt, który kończy się rekomendacją "transformujcie się przez 3 lata", jest bezużyteczny. Powinniście dostać quick wins do wdrożenia w 90 dni + długoterminowy plan. Bez quick wins zarząd traci zainteresowanie.

8. Co się stanie, jeśli zrezygnuję z wdrożenia po audycie?

Dobra odpowiedź: "Raport zostaje u Was, możecie zrobić co chcecie, w tym wybrać konkurencję.". Zła odpowiedź: "Mamy klauzulę zakazu konkurencji w umowie.".

Case study: hipotetyczne wdrożenie w korporacji budowlanej

Kontekst: Polski generalny wykonawca, 3000 osób, obroty 2 mld PLN. Zarząd po konferencji w Davos podejmuje decyzję: "wdrażamy AI". CTO dostaje 8 mln PLN budżetu i 12 miesięcy.

Scenariusz A, bez audytu (klasyczna porażka)

Miesiące 1-3: CTO wybiera dostawcę po procesie RFP. Stawia na rozwiązanie do predictive maintenance maszyn budowlanych. Vendor obiecuje 30% redukcję awarii.

Miesiące 4-9: Wdrożenie. Okazuje się, że:

Dane z telematyki maszyn są niekompletne (60% pojazdów ma starsze GPS-y)
Kierowcy nie chcą logować dodatkowych zdarzeń (nie wpływa to na ich premię)
Kierownicy budów ignorują alerty, bo "lepiej znają swoje maszyny niż system"

Miesiące 10-12: System działa technicznie, ale używa go 12% osób, dla których był przeznaczony. CFO patrzy na faktury: 6,8 mln PLN wydane, 0,3 mln PLN udokumentowanych oszczędności. Projekt zamykany. Pracownicy mówią: "AI nie działa".

Co naprawdę nie zadziałało: ludzie, dane i procesy, w tej kolejności. Technologia była OK.

Scenariusz B, z audytem (czyli jak to wygląda u nas)

Tydzień 1-6: Audyt yesfor.ai. AI Readiness Score wychodzi 38/100. Główne wnioski:

Sponsoring zarządu silny (filar O: 72/100)
Procesy nie zmapowane, każda budowa ma własne (filar P: 28/100)
Dane fragmentaryczne, 4 systemy bez integracji (filar S: 31/100)
Brak AI literacy na poziomie kierowników budów (filar Skills: 22/100)

Rekomendacja: nie wchodzicie w predictive maintenance teraz. Zamiast tego, trzy quick wins:

AI-assisted estymacja kosztów ofert (3-miesięczne wdrożenie, ROI 6 mies.), dane już są w SAP, użytkowników 12 osób w dziale ofertowym, łatwe quick wins
Klasyfikacja dokumentów projektowych (BIM + AI), duża wartość, niski risk
Predykcja opóźnień w harmonogramach na podstawie historii projektów

Equipment maintenance, w fazie 2, za 12-18 miesięcy, po doprowadzeniu telematyki do AI-ready.

Miesiące 4-12: Wdrożenie trzech quick wins z budżetu 2 mln PLN (z 8 mln). Pozostałe 6 mln zostaje na fazę 2.

Wynik po 12 miesiącach:

Estymacja kosztów ofert szybsza o 60%
Win rate ofertowy wzrósł z 14% do 19%
Oszczędność czasu działu ofertowego: 2 etaty
Udokumentowany ROI: 2,1 mln PLN/rok przy koszcie 2 mln PLN
AI Readiness Score po 12 miesiącach: 58/100

Rok 2: faza predictive maintenance, ale tym razem na oczyszczonych danych, z procesami zmapowanymi, z premiami kierowców powiązanymi z używaniem systemu.

Różnica: 4,7 mln PLN różnicy w P&L w pierwszym roku. To jest cena, którą się płaci za pominięcie audytu.

Najczęściej zadawane pytania

Następny krok

Jeśli to przeczytałaś/przeczytałeś do końca, prawdopodobnie zastanawiasz się, czy Twoja firma jest w 80% (które się sypią), czy w 20% (które dowożą). Są trzy sposoby, żeby to sprawdzić:

AI Readiness Self-Assessment, 30 minut, bezpłatnie, online. Dostajesz wstępny AI Readiness Score i listę obszarów wymagających uwagi. Bez konsultanta, bez maila do działu sprzedaży.
Discovery call z yesfor.ai, 30 minut, bezpłatnie, online. Rozmowa o konkretnym kontekście biznesowym. Wyjdziesz wiedząc, czy audyt ma w Twoim przypadku sens, albo czy potrzebujesz czegoś innego.
Pełny audyt przedwdrożeniowy, 4-6 tygodni, fixed price po discovery, raport zostaje u Ciebie. Decyzja po sesji discovery, nie wcześniej.

Nie wciskamy audytu. Wciskanie audytu komuś, kto go nie potrzebuje, kończy się złą referencją. Złe referencje kosztują więcej niż jakikolwiek pojedynczy projekt.

Źródła i dalsze lektury

Badania, na których oparty jest ten artykuł:

Ryseff, J., De Bruhl, B. F., Newberry, S. J. (2024). The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed. RAND Corporation. RAND RRA2680-1
Challapally, A. et al. (2025). The GenAI Divide: State of AI in Business 2025. MIT Project NANDA.
S&P Global Market Intelligence (2025). AI Initiative Abandonment Survey.
BCG (2025). The Widening AI Value Gap.
McKinsey & Company (2025). Global AI Survey: November 2025.
Gartner (2026). AI Projects in I&O Stall Ahead of Meaningful ROI Returns. Gartner press release April 2026
Goedecke, S. (2025). Is it worrying that 95% of AI enterprise projects fail?, analiza krytyczna metodologii MIT NANDA

Dalsze artykuły na yesfor.ai: