AI w firmie bez chaosu: zasady, ryzyka, pierwsze wdrożenia

W wielu firmach AI już jest. Nie przyszła z projektu IT, tylko z przeglądarki pracownika, który założył darmowe konto, żeby szybciej napisać ofertę albo streścić długi mail od klienta.

Z badania Microsoftu i LinkedIna z 2024 roku wynika, że 78% osób używających AI w pracy korzysta z własnych narzędzi, a w małych i średnich firmach odsetek ten wynosi 80%. Do tego 52% użytkowników waha się, czy przyznać, że używa AI przy ważnych zadaniach. Zastrzeżenie: badanie objęło 31 tysięcy pracowników umysłowych w 31 krajach, więc to nie jest próba polskich firm, a dane mają ponad dwa lata. Polskich liczb o „AI przynoszonym z domu" nie znalazłem w ogólnodostępnych źródłach. Trudno jednak zakładać, że u was jest inaczej, dopóki tego nie sprawdzicie.

Dla zarządu wynika z tego jedno. Pytanie „czy wdrażać AI" jest już nieaktualne. Zostaje pytanie, czy wiecie, co w firmie działa, na jakich danych i kto za to odpowiada. Poniżej trzy części: zasady, ryzyka i pierwsze wdrożenia. Na końcu cztery dokumenty do pobrania, które pozwolą przejść od razu do pracy.

Gdzie jesteśmy

Według Eurostatu w 2025 roku AI stosowało 19,95% przedsiębiorstw w Unii (firmy od 10 pracowników), wobec 13,48% rok wcześniej. Różnice między firmami są duże: małe firmy 17%, średnie 30,36%, duże 55,03%. Polska ma 8,36%, jeden z najniższych wyników w UE. Dla porównania, GUS podawał za 2024 rok 5,9%.

Polskie badania dają różne liczby, bo inaczej definiują AI i inaczej dobierają próbę. Ankieta Ministerstwa Rozwoju i Technologii z 2024 roku (650 firm mikro, małych i średnich) pokazała 16%. Badanie PIE z grudnia 2024 (1000 firm) 19% w średnich i 21% w dużych. Nie wstawiajcie tych wyników do jednej tabeli. Według PIE 77% firm, które AI nie stosują, nie planuje jej wdrożenia, dopóki nie będzie to konieczne.

Ciekawiej wygląda to, co Eurostat zapisał o firmach, które AI rozważały i z niej zrezygnowały. Około 70% wskazuje brak kompetencji, około połowy niepewność prawną i ochronę danych. Że AI jest im niepotrzebna, mówi tylko około 18%. Z tych liczb wynika, że firmy rezygnują z braku ludzi i jasnych zasad, a nie z braku pożytku.

Najczęstsze zastosowania wśród firm, które AI używają: marketing i sprzedaż (34,7%) oraz organizacja procesów administracyjnych i zarządzanie (31,05%). To dobre miejsce do poszukiwania pierwszego wdrożenia.

Zasady: sześć decyzji, które zamykają temat chaosu

Pierwsze decyzje można podjąć bez dużego projektu IT. Warto zarezerwować czas na spis narzędzi, ocenę danych, sprawdzenie umów i szkolenie. Zakres pracy oraz koszt zależą od sytuacji firmy.

1. Jeden właściciel tematu. Nie komitet, nie „wszyscy odpowiadają". Jedna osoba, która ma prawo powiedzieć „to narzędzie nie wchodzi" i obowiązek odpowiedzieć na pytanie „czy mogę tego użyć". W firmie do 50 osób bywa to właściciel albo dyrektor operacyjny, w większej CIO. Ta osoba nie musi znać się na modelach językowych. Musi znać dane firmy i mieć dostęp do zarządu.

2. Spis tego, co już działa. Zanim cokolwiek zakażecie, sprawdźcie, czego ludzie używają. Anonimowa ankieta na pięć pytań (jakie narzędzia, do jakich zadań, jakie dane, konto prywatne czy firmowe, co chcielibyście móc robić) wystarczy na start. Brak spisu i polityki kosztuje: w raporcie IBM z 2025 roku 63% organizacji, w których doszło do naruszenia, nie miało polityki zarządzania AI albo dopiero ją opracowywało. Wśród tych, które politykę mają, tylko 34% regularnie sprawdza, czy pracownicy nie używają niezatwierdzonych narzędzi.

3. Trzy klasy danych. Pracownik nie będzie czytał regulaminu na dwadzieścia stron, ale zapamięta prostą regułę. Proponuję taką (to moja propozycja, nie wynik badań):

• zielone: treści publiczne i marketingowe, można używać każdego zatwierdzonego narzędzia;
• żółte: dokumenty wewnętrzne bez danych osobowych, tylko konta firmowe zatwierdzonych narzędzi;
• czerwone: dane osobowe klientów i pracowników, tajemnice handlowe, kod źródłowy, umowy z klientami, dane finansowe. Do narzędzia AI tylko po decyzji właściciela tematu i ocenie ryzyka.

4. Lista zatwierdzonych narzędzi i konta firmowe. Darmowe konta prywatne ograniczają kontrolę firmy: ani nad tym, co z danymi robi dostawca, ani nad tym, co się dzieje po odejściu pracownika. Wybierzcie jedno-dwa narzędzia, kupcie licencje firmowe i sprawdźcie w umowie, czy dostawca używa waszych danych do trenowania modeli, gdzie je przechowuje i jak długo. Pytania do dostawcy są w materiałach do pobrania.

5. Człowiek odpowiada za wynik. Ktoś, kto wysyła tekst, liczbę czy odpowiedź do klienta, odpowiada za to, co wysłał, niezależnie od tego, kto to napisał. Wpiszcie to wprost do polityki. Jak to wygląda w praktyce, pokazuje sprawa Air Canada, opisana w części o ryzykach.

6. Rozwijanie kompetencji AI. Artykuł 4 AI Act obowiązuje od 2 lutego 2025 roku i dotyczy firm, które używają systemów AI, nie tylko ich producentów. Rozporządzenie zmieniające AI Act (2026/1744, o którym niżej) złagodziło sformułowanie: zamiast zapewniać „wystarczający poziom" kompetencji, firmy mają podejmować działania wspierające ich rozwój. Obowiązek zatem został, tylko mniej sztywny. Krótkie szkolenie z waszych zasad i na waszych przykładach to rozsądny początek, a przy okazji zmniejsza ryzyko wycieku. Czy wystarczy, zależy od tego, jak szeroko używacie AI, więc zapytajcie o to prawnika. Zachowajcie listę uczestników.

Ryzyka: co się faktycznie wydarzyło

Wyciek danych

W maju 2023 roku Samsung zakazał pracownikom generatywnej AI. Według relacji Bloomberga powodem było wgranie przez pracownika wrażliwego kodu źródłowego do ChatGPT, a firma obawiała się, że dane trafiają na zewnętrzne serwery, skąd trudno je usunąć. To pojedynczy, dobrze opisany przypadek. Skalę pokazuje raport IBM Cost of a Data Breach 2025, oparty na 600 organizacjach, w których doszło do naruszenia (marzec 2024 – luty 2025):

• 13% zgłosiło naruszenie modelu lub aplikacji AI, a 97% z nich nie miało kontroli dostępu do AI;
• jedna na pięć organizacji doświadczyła naruszenia związanego z shadow AI, czyli nieuzgodnionym używaniem narzędzi;
• organizacje z wysokim poziomem shadow AI miały średnio o 670 tysięcy dolarów wyższy koszt naruszenia niż organizacje z niskim poziomem lub bez shadow AI;
• średni globalny koszt naruszenia wyniósł 4,44 mln dolarów.

Zastrzeżenie: to firmy, które już miały incydent, a kwoty są średnimi globalnymi. Dla firmy 50-osobowej bezwzględne wartości będą inne. Kierunek jest jednak spójny z tym, co widać wyżej: brak kontroli nad tym, jakie narzędzia i jakie dane krążą, kosztuje.

Błędne odpowiedzi i odpowiedzialność

W sprawie Moffatt przeciwko Air Canada (British Columbia Civil Resolution Tribunal, 14 lutego 2024) chatbot linii powiedział klientowi, że zniżkę na lot z powodu śmierci w rodzinie można uzyskać wnioskiem złożonym do 90 dni po zakupie biletu. Zasady linii przewidywały co innego. Linia argumentowała, że poprawna informacja jest gdzie indziej na stronie, a chatbot to osobny podmiot odpowiedzialny za siebie. Trybunał się z tym nie zgodził: firma odpowiada za całość informacji na swojej stronie, niezależnie od tego, czy pochodzi ze statycznego tekstu, czy z bota. Odszkodowanie wyniosło około 650 dolarów kanadyjskich plus odsetki i koszty. Kwota drobna, zasada nie.

McKinsey w badaniu State of AI 2025 (1993 respondentów, 105 krajów, czerwiec–lipiec 2025) podaje, że 51% organizacji używających AI doświadczyło co najmniej jednej negatywnej konsekwencji, a prawie jedna trzecia wszystkich badanych wskazuje na skutki nieścisłości w odpowiedziach AI.

Dane osobowe

UODO opublikował w 2026 roku listy pytań kontrolnych dla firm wdrażających AI, w czterech wersjach, w tym osobnej dla MŚP korzystających z gotowych systemów bez ich trenowania. Dokument podkreśla, że to samo narzędzie niesie inne ryzyko przy tekstach marketingowych, inne przy obsłudze klientów, a jeszcze inne w rekrutacji. W dokumencie przywołano też badanie, według którego 41–58,5% organizacji nie widzi związku między narzędziami AI a przetwarzaniem danych osobowych (próby nie podano, więc traktuję tę liczbę jako sygnał, nie statystykę). UODO zastrzega, że listy nie są wiążącą wykładnią ani nie zastępują pełnej analizy ryzyka.

Integracje i agenci

Im więcej uprawnień dacie narzędziu, tym większe ryzyko. W OWASP Top 10 dla aplikacji opartych na modelach językowych (wydanie 2025) na liście są między innymi wstrzykiwanie poleceń (prompt injection), ujawnianie wrażliwych informacji oraz nadmierna sprawczość (excessive agency), czyli sytuacja, w której model ma więcej funkcji, uprawnień lub autonomii, niż zadanie wymaga. Moja praktyczna reguła: pierwszego agenta traktujcie jak praktykanta w pierwszym tygodniu. Dostęp do odczytu tak, do zapisu w systemach finansowych nie.

Gartner prognozuje (czerwiec 2025), że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 roku z powodu rosnących kosztów, niejasnej wartości biznesowej lub niewystarczającej kontroli ryzyka. To prognoza, nie pomiar, i opiera się m.in. na ankiecie wśród 3412 uczestników webinarów. Gartner szacuje też, że z tysięcy dostawców „agentów" tylko około 130 oferuje realne możliwości agentowe, a reszta przemianowuje chatboty i automatyzacje (agent washing). Według McKinseya 23% organizacji skaluje już systemy agentowe, a kolejne 39% eksperymentuje.

Prawo: co obowiązuje, a co przesunięto

Rozporządzenie (UE) 2026/1744, opublikowane w Dzienniku Urzędowym 24 lipca 2026 roku i obowiązujące od 27 lipca, przesunęło terminy dla systemów wysokiego ryzyka. Stan na dziś:

• 2 lutego 2025: zakazane praktyki i obowiązek rozwijania kompetencji AI (art. 4);
• 2 sierpnia 2025: obowiązki dostawców modeli ogólnego przeznaczenia;
• 2 sierpnia 2026: obowiązki przejrzystości (art. 50), z okresem przejściowym do 2 grudnia 2026 na znakowanie treści generowanych przez systemy wprowadzone wcześniej;
• 2 grudnia 2027: samodzielne systemy wysokiego ryzyka (załącznik III, m.in. AI w rekrutacji i ocenie pracowników), wcześniej 2 sierpnia 2026;
• 2 sierpnia 2028: systemy wysokiego ryzyka wbudowane w produkty regulowane, wcześniej 2 sierpnia 2027.

Kary za naruszenia mogą sięgać 35 mln euro lub 7% rocznego światowego obrotu (zakazane praktyki) i 15 mln euro lub 3% (pozostałe obowiązki). Dla MŚP, w tym start-upów, art. 99 ust. 6 stosuje niższą z dwóch wartości. Z opisów omnibusu nie wynika, by tę regułę zmieniał.

W Polsce ustawa z 3 lipca 2026 roku o systemach sztucznej inteligencji obowiązuje, zgodnie z oficjalnym rejestrem ELI, od 11 sierpnia 2026 roku, a przepisy o kontrolach i karach od 28 października 2026. Ustawa powołuje Komisję Rozwoju i Bezpieczeństwa Sztucznej Inteligencji (KRiBSI), która ma prowadzić kontrole, wydawać opinie i organizować piaskownice regulacyjne.

Co z tego wynika dla większości MŚP: jeśli używacie gotowych narzędzi do tekstów, analiz i obsługi korespondencji, zakazane praktyki (na przykład manipulowanie zachowaniem czy rozpoznawanie emocji w pracy) zwykle was nie dotyczą, choć warto to potwierdzić, a wysokie ryzyko pojawi się, gdy AI zacznie wpływać na decyzje o ludziach (rekrutacja, ocena pracowników). Już teraz należy uwzględniać rozwój kompetencji AI (art. 4) oraz obowiązki przejrzystości w przypadkach określonych w art. 50. Nie każdy tekst przygotowany z pomocą AI podlega takim samym wymogom oznaczania; znaczenie mają rodzaj treści, zastosowanie i przewidziane wyjątki.

Pierwsze wdrożenia: od czego zacząć

Co mówią dane o efektach

Dwa badania warto znać, bo pokazują, że efekt zależy od zadania i że ludzie źle oceniają własne przyspieszenie.

Brynjolfsson, Li i Raymond (NBER, publikacja w Quarterly Journal of Economics 2025) zbadali 5179 agentów obsługi klienta w jednej firmie. Asystent AI zwiększył liczbę rozwiązanych zgłoszeń na godzinę średnio o 14%, o 34% u początkujących i o niższych kwalifikacjach, a u doświadczonych efekt był minimalny.

METR w lipcu 2025 opublikował próbę z 16 doświadczonymi deweloperami open source i 246 zadaniami. Z dostępem do AI pracowali o 19% wolniej, choć po badaniu uważali, że byli o 20% szybsi. Zastrzeżenie: próba mała, jedno środowisko, narzędzia z początku 2025 roku. W lutym 2026 METR sam napisał, że przy nowym projekcie eksperymentu ma niepewny sygnał o obecnym efekcie, bo 30–50% programistów nie zgłaszało zadań, które woli robić z AI. Pewne jest tylko to, że wrażenia użytkowników są kiepskim miernikiem, więc mierzcie.

Na poziomie firm obraz jest podobny. McKinsey: 88% organizacji używa AI w co najmniej jednej funkcji, ale tylko około jedna trzecia zaczęła skalować, a 39% przypisuje AI jakikolwiek wpływ na wynik operacyjny (EBIT), przy czym większość z nich mówi o mniej niż 5%. Gartner prognozował w lipcu 2024, że co najmniej 30% projektów generatywnej AI zostanie porzuconych po fazie prototypu do końca 2025 roku, z powodu jakości danych, braku kontroli ryzyka, kosztów i niejasnej wartości.

Jak wybrać pierwsze zadanie

Poniższe kryteria to moje, nie z badań. Dobre pierwsze zadanie spełnia cztery warunki naraz: wykonywane jest często (co najmniej kilkanaście razy w tygodniu), dane są zielone lub żółte, wynik zawsze sprawdza człowiek przed wysłaniem, a czas lub jakość da się zmierzyć przed pilotażem i po nim.

Takie zadania zwykle mieszczą się w obszarach, w których firmy w Eurostacie stosują AI najczęściej: sprzedaż, marketing i administracja. Przykłady do rozważenia: przygotowanie szkicu odpowiedzi na typowe zapytania ofertowe, streszczenia notatek ze spotkań i wątków mailowych, pierwsza wersja opisów produktów lub ogłoszeń, porządkowanie i kategoryzowanie zgłoszeń.

Nie zaczynajcie od: oceny kandydatów lub pracowników (w AI Act to obszar wysokiego ryzyka, a UODO podaje rekrutację jako przykład zastosowania o innym profilu ryzyka niż teksty marketingowe), chatbota odpowiadającego klientom bez przekazania do człowieka (patrz Air Canada) i agenta z uprawnieniami do zapisu w księgowości lub bankowości.

Jak zaprojektować pilotaż

Znów moja propozycja, ale każdy element wynika z błędów opisanych wyżej:

• jedno zadanie, 5–15 użytkowników, 6–8 tygodni;
• pomiar przed startem: ile trwa zadanie, ile poprawek, ile reklamacji. Bez tego po pilotażu zostaną wrażenia;
• limit budżetu ustalony na początku, razem z czasem ludzi;
• kryteria „idziemy dalej / kończymy" spisane przed startem, nie po wynikach;
• właściciel tematu przegląda przypadki, w których narzędzie się pomyliło, i dopisuje je do instrukcji.

Przykład hipotetyczny: firma 40-osobowa, dział ofert przygotowuje 25 ofert tygodniowo, średnio po 2 godziny. Pilotaż obejmuje 5 handlowców i jeden typ oferty. Założone przed startem kryterium: czas przygotowania spada o co najmniej 25% przy niezmienionej liczbie poprawek zgłaszanych przez klientów. Wynik poniżej progu oznacza koniec pilotażu, a nie „jeszcze miesiąc". Liczby są umowne i służą tylko do pokazania, jak ustawić próg.

Plan na 90 dni

Materiały do pobrania

Poniżej trzy dokumenty PDF i edytowalny rejestr XLSX. Szablony służą do dostosowania do sytuacji firmy. Przykładowe wartości w karcie pilotażu są hipotetyczne.

Materiały nie stanowią porady prawnej. Przed wdrożeniem polityki skonsultujcie ją z prawnikiem, zwłaszcza jeśli przetwarzacie dane osobowe lub działacie w sektorze regulowanym.