Dojrzałość trustworthy AI idzie w parze z wyższym ROI

62% wobec 4%.

Taki wynik pojawił się w raporcie SAS„Data and AI Impact Report: The New Economics of Trust”, opracowanym z wykorzystaniem wyników badania IDC i opublikowanym 1 września 2026 roku.

Badanie przeprowadzono w kwietniu 2026 roku. Objęło 2699 decydentów z 28 krajów, mających wiedzę o inicjatywach dotyczących danych i AI w swoich organizacjach lub wpływ na te inicjatywy. Respondenci reprezentowali bankowość, ubezpieczenia, life sciences i sektor publiczny.

Organizacje o najwyższym poziomie praktyk trustworthy AI znacznie częściej deklarowały silny lub wysoki zwrot z inwestycji w AI. W raporcie oznaczało to co najmniej 2 dolary zwrotu na każdego dolara zainwestowanego w AI.

Wśród liderów taki wynik osiągało 61,6% organizacji. W grupie o najniższym wyniku - 4,1%. Po zaokrągleniu otrzymujemy komunikowane przez SAS 62% wobec 4%.

Polska Szkoła AI - Governance AI a ROI

Stąd stwierdzenie: „15 razy częściej”.

Tę liczbę trzeba jednak właściwie rozumieć. Badanie nie mówi, że governance zwiększa ROI piętnastokrotnie. Pokazuje korelację pomiędzy dojrzałością praktyk związanych z trustworthy AI a deklarowanym zwrotem z inwestycji.

Dane pochodzą z ankiety. Raport opublikował SAS, wykorzystując wyniki badania IDC. Jest to materiał firmowy dostawcy technologii, a nie niezależna publikacja akademicka. Jego wyniki są kierunkowo zbieżne z odrębnym badaniem McKinsey & Company , ale nie mamy podstaw, by mówić o związku przyczynowym.

Różnica pomiędzy badanymi grupami pozostaje jednak duża. Organizacje o najwyższym poziomie trustworthiness raportowały również 1,85 razy większą skalę zrealizowanych korzyści w 13 badanych kategoriach biznesowych, takich jak wzrost przychodów, oszczędności kosztów czy poprawa doświadczenia klienta.

Co właściwie oznacza tutaj trustworthy AI?

W badaniu organizacje oceniano w pięciu obszarach: jakości danych i data governance, nadzoru nad modelami, explainability i fairness, polityki Responsible AI oraz audytu i odpowiedzialności.

Obszary te tworzyły złożony Trustworthiness Index. Aby znaleźć się w grupie liderów, organizacja musiała osiągnąć co najmniej 80 punktów na 100. Organizacje z wynikiem od 0 do 39 punktów klasyfikowano jako laggards, czyli grupę o najniższej dojrzałości.

To znacznie więcej niż posiadanie polityki korzystania z AI.

Polityka jest dopiero początkiem

Dobrze pokazuje to drugie badanie, zrealizowane w maju 2026 roku przez Coleman Parkes Research na zlecenie SAS.

Objęło ono 100 osób odpowiedzialnych za technologię i dane w przedsiębiorstwach z Wielkiej Brytanii i Irlandii. 75% respondentów pochodziło z Wielkiej Brytanii, a 25% z Irlandii. 40% próby reprezentowało organizacje zatrudniające ponad 5000 osób.

W 2026 roku 77% badanych organizacji miało formalną politykę GenAI. W porównywalnym badaniu SAS z 2024 roku odsetek ten wynosił 59%.

Jednocześnie tylko około jednej na osiem organizacji potrafiło wykazać, że zasady korzystania z GenAI są rzeczywiście przestrzegane. Zaledwie 12% respondentów oceniało swój system governance jako dobrze rozwinięty i kompleksowy. 63% deklarowało, że infrastruktura governance nadal jest w budowie.

Nie było to badanie panelowe tych samych organizacji, a próba z 2026 roku jest niewielka i ograniczona do dwóch krajów. Dlatego nie traktowałbym tych wartości jako obrazu całego rynku. Pokazują jednak problem, który coraz częściej pojawia się w organizacjach.

Firma może mieć politykę AI, szkolenie wprowadzające i zatwierdzoną listę narzędzi, a jednocześnie niewiele wiedzieć o tym, jak pracownicy rzeczywiście korzystają z AI w codziennej pracy.

Tu zaczyna się temat realnej adopcji AI.

Liczba wykupionych licencji mówi, ilu osobom udostępniono technologię. Liczba logowań pokazuje, czy ludzie ją uruchamiają. Żadna z tych informacji nie odpowiada jednak na pytanie, czy AI rzeczywiście zmieniło sposób wykonywania pracy.

O realnej adopcji możemy mówić wtedy, gdy AI trafia do konkretnych procesów, a pracownik potrafi korzystać z niego w sposób, który przynosi mierzalną zmianę. Może to być krótszy czas wykonania zadania, lepsza jakość, mniejsza liczba błędów albo możliwość wykonania pracy, która wcześniej wymagała znacznie większego nakładu.

AI literacy łączy governance z codzienną praktyką

W rozmowach o AI literacy nadal często skupiamy się na obsłudze narzędzi: jak napisać prompt, jak używać konkretnego modelu, jak stworzyć własnego asystenta.

To potrzebne umiejętności, ale w organizacji bardzo szybko pojawiają się trudniejsze pytania.

Jakie dane można przekazać modelowi? Kiedy trzeba sprawdzić źródło? Co zrobić, jeśli odpowiedź wygląda wiarygodnie, ale dotyczy obszaru, w którym błąd może mieć poważne konsekwencje? Kto odpowiada za decyzję podjętą z wykorzystaniem AI? Czy pracownik rozumie ograniczenia narzędzia, z którego korzysta?

Właśnie dlatego AI literacy powinno obejmować również krytyczne myślenie.

Pracownik korzystający z AI musi umieć zakwestionować odpowiedź modelu. Równie ważna jest jednak zdolność rozpoznania sytuacji, w której rekomendacja AI jest właściwa, a jej kolejne sprawdzanie nie wnosi już wartości.

Problem z oceną rekomendacji AI widać w danych SAS i IDC. 97,2% badanych deklarowało, że przynajmniej w części przypadków nadpisuje rekomendacje wygenerowane przez AI. Najczęściej wskazywanym powodem był brak wyjaśnienia, dlaczego system podjął daną decyzję. Powód ten wskazało 34,5% respondentów.

Samo nadpisanie rekomendacji nie jest czymś złym. W wielu procesach możliwość jej zakwestionowania jest konieczna. Problem zaczyna się wtedy, gdy człowiek odrzuca wynik, ponieważ nie potrafi ocenić jego wiarygodności, albo przyjmuje go automatycznie, zakładając, że system wie lepiej.

Celem powinno być więc dobrze skalibrowane zaufanie. Pracownik powinien wiedzieć, kiedy AI może mu pomóc, kiedy potrzebna jest dodatkowa kontrola i gdzie kończy się bezpieczny zakres wykorzystania tego narzędzia.

Psychologia zmiany jest częścią wdrożenia

Samo techniczne uruchomienie narzędzia może być szybkie. Zmiana sposobu pracy ludzi przebiega inaczej.

AI może wpływać na poczucie kompetencji, odpowiedzialność, relację z własnym doświadczeniem zawodowym i sposób podejmowania decyzji. Dla jednej osoby jest narzędziem, które pozwala szybciej wykonać nudną część pracy. Dla innej może być systemem przejmującym zadania, które dotychczas stanowiły istotną część jej zawodowej roli.

Może to mieć istotne znaczenie dla adopcji.

Jeżeli pracownik nie rozumie, po co organizacja wprowadza AI, może traktować je jako kolejny projekt technologiczny narzucony z góry. Jeżeli obawia się konsekwencji błędu, będzie ręcznie weryfikował każdy rezultat. Gdy nie zna zasad korzystania z danych, może całkowicie zrezygnować z narzędzia albo zacząć używać własnych rozwiązań poza środowiskiem firmowym.

Każdy z tych scenariuszy wygląda inaczej, ale wszystkie mogą zakończyć się podobnie: firma posiada technologię, a sposób pracy zmienia się w niewielkim stopniu.

McKinsey & Company w badaniu „State of AI Trust in 2026: Shifting to the Agentic Era”, przeprowadzonym od grudnia 2025 roku do stycznia 2026 roku, odnotował zbieżny wzorzec w obszarze Responsible AI.

Badanie objęło około 500 organizacji z różnych branż i regionów. W obszarach strategii, governance oraz governance i kontroli agentic AI poziom dojrzałości 3 lub wyższy deklarowało tylko około 30% organizacji.

McKinsey stwierdził również silny związek pomiędzy poziomem inwestycji w Responsible AI, dojrzałością praktyk RAI i osiąganą wartością biznesową. Organizacje inwestujące w Responsible AI co najmniej 25 mln dolarów deklarowały wyższą dojrzałość i częściej osiągały materialne korzyści, w tym wpływ AI na EBIT przekraczający 5%.

To nadal jest związek statystyczny, a nie dowód, że sama inwestycja w Responsible AI powoduje wzrost wartości. Badanie McKinsey nie analizowało też bezpośrednio wpływu psychologii zmiany ani AI literacy na ROI. Pokazało natomiast, że braki wiedzy i szkoleń były najczęściej wskazywaną barierą wdrażania Responsible AI. Wskazało je blisko 60% organizacji, wobec około 50% rok wcześniej.

Dobrze pokazuje to związek pomiędzy AI literacy a governance. Ludzie muszą znać zasady, ale powinni też rozumieć, dlaczego one istnieją i jak stosować je w rzeczywistych sytuacjach.

Agentic AI podnosi wymagania

W przypadku klasycznego GenAI człowiek zazwyczaj otrzymuje odpowiedź i decyduje, co z nią zrobić. Agent może samodzielnie wykonać kolejne działania: pobrać dane, użyć narzędzia, zmienić rekord albo uruchomić następny etap procesu.

W takim środowisku organizacja potrzebuje większej kontroli nad danymi, uprawnieniami i odpowiedzialnością.

Według raportu SAS i IDC dojrzałość infrastruktury danych mierzono na pięciostopniowej skali, od poziomu ad hoc do w pełni zoptymalizowanego. Najwyższy poziom osiągnęło tylko 17,5% badanych organizacji. Pozostałe wdrażają AI na fundamencie, który nie zapewnia walidacji wymaganej przez agentic AI.

W porównaniu z organizacjami na najniższym poziomie dojrzałości danych, organizacje w pełni zoptymalizowane cztery razy częściej oczekiwały silnego ROI z projektów AI i sześć razy częściej wymagały stosowania kontroli jakości danych oraz explainability.

McKinsey zwraca uwagę na podobny problem. Wraz ze wzrostem autonomii systemów rosną konsekwencje błędów. System może już nie tylko wygenerować nieprawidłową odpowiedź. Może również wykonać nieprawidłowe działanie, niewłaściwie użyć narzędzia albo przekroczyć ustalone granice.

To zmienia zakres odpowiedzialności organizacji. Szkolenie użytkowników nadal jest potrzebne, ale część zasad musi być egzekwowana przez sam system, nadane mu uprawnienia i sposób zaprojektowania całego procesu.

Od governance do wyniku biznesowego

Na podstawie tych badań nie można zbudować prostego równania, zgodnie z którym większy budżet na governance automatycznie przynosi wyższy ROI.

Można natomiast zobaczyć zależność pomiędzy kilkoma obszarami, które w wielu organizacjach nadal rozwijane są osobno.

Governance określa zasady i odpowiedzialność. AI literacy pomaga ludziom zrozumieć technologię i jej ograniczenia. Krytyczne myślenie pozwala oceniać wyniki. Psychologia zmiany wpływa na to, czy nowe zachowania utrzymają się po szkoleniu. Dopiero wykorzystanie AI w codziennych procesach pozwala ocenić jego rzeczywisty wpływ na biznes.

W Polska Szkoła AI pracujemy właśnie na styku tych obszarów. Łączymy edukację technologiczną z psychologią zmiany, AI literacy, governance i pracą nad konkretnymi procesami organizacji.

Z doświadczeń zdobytych podczas szkoleń i wdrożeń wiemy, że znajomość narzędzi jest potrzebna, ale droga do realnej adopcji AI jest znacznie dłuższa. Ludzie muszą wiedzieć, jak korzystać z technologii, rozumieć granice jej zastosowania i potrafić oceniać uzyskane wyniki. Liderzy potrzebują natomiast jasnych zasad, określonej odpowiedzialności i sposobu mierzenia tego, czy AI rzeczywiście zmienia pracę zespołów.

Nowe badania nie rozstrzygają, w jakim stopniu governance bezpośrednio wpływa na ROI. Pokazują jednak wyraźną korelację: organizacje bardziej dojrzałe w obszarze trustworthy AI znacznie częściej deklarują również dobre wyniki biznesowe związane z AI.

Dla firm, które dziś inwestują w AI, to wystarczający powód, aby governance, AI literacy i adopcję zacząć analizować łącznie.

Źródła

• SAS i IDC, „Data and AI Impact Report: The New Economics of Trust”

• SAS, komunikat dotyczący wyników raportu, 1 września 2026 roku

• SAS i Coleman Parkes, badanie governance GenAI w Wielkiej Brytanii i Irlandii

• McKinsey, „State of AI Trust in 2026: Shifting to the Agentic Era”

• Polska Szkoła AI, www.polskaszkola.ai