„AI w firmach przypięta do starych procesów jak boczny kosz do motocykla”

McKinsey & Company – jedna z najbardziej wpływowych globalnych firm doradczych – bije na alarm. Mimo że aż 78% firm deklaruje korzystanie z generatywnej AI, tyle samo… nie widzi żadnego wpływu tych wdrożeń na wyniki finansowe.

Ten paradoks „wszyscy używają, nikt nie zarabia” staje się punktem wyjścia do jednej z najbardziej wnikliwych analiz agentów AI – nowej generacji rozwiązań, które mają radykalnie zmienić sposób działania firm.

Raport „Seizing the Agentic AI Advantage” to playbook dla CEO – nie o tym, jak eksperymentować z AI, ale jak ją zintegrować głęboko w DNA organizacji.

O co chodzi z „paradoksem gen AI”?

Według McKinsey: „Gen AI trafiła do każdej sali zarządu, ale jej wpływ finansowy nadal pozostaje marginalny.”

Autorzy zauważają, że większość wdrożeń to „horyzontalne” narzędzia – chaty, copiloty, asystenci – które poprawiają indywidualną produktywność, ale nie przekładają się na konkretne wskaźniki biznesowe.

Tymczasem „90% zastosowań pionowych”, czyli funkcji osadzonych głęboko w procesach (jak np. ocena ryzyka kredytowego czy prognozowanie popytu), pozostaje w fazie pilotażowej.

McKinsey twierdzi wprost: „Technologia została przypięta do starych procesów jak boczny kosz do motocykla – a nie wbudowana w silnik.” I to właśnie ten brak integracji odpowiada za fiasko wielu inicjatyw AI.

Agent, czyli AI nowej generacji

Rozwiązanie? Agenci AI. Nie czaty, nie copiloty. Agenci – autonomiczne, zdolne do planowania, zapamiętywania i podejmowania decyzji systemy, które „przestają być asystentami, a stają się współpracownikami”.

Jak piszą autorzy: „Agent nie tylko odpowiada na pytania. On monitoruje systemy, inicjuje działania, koordynuje zespoły i przekształca dane w decyzje – bez konieczności każdorazowego udziału człowieka.”

Dzięki temu mogą nie tylko przyspieszać pracę, ale także „dawać odporność operacyjną, elastyczność i nowe źródła przychodu”.

Dlaczego dotychczas się nie udało?

Raport identyfikuje sześć głównych barier:

1. Rozproszenie inicjatyw

   Wiele firm prowadzi działania AI w sposób zdecentralizowany, bez spójnej strategii sterowanej z poziomu zarządu. Inicjatywy powstają oddolnie, często jako niezależne eksperymenty w poszczególnych działach, co prowadzi do duplikacji wysiłków i braku efektu skali.

2. Brak gotowych rozwiązań pionowych

   Pionowe, funkcjonalne wdrożenia AI (np. w finansach, logistyce, HR) rzadko występują jako produkty pudełkowe. Ich rozwój wymaga dopasowania do specyfiki firmy, danych i procesów, co z kolei wymaga zespołów z kompetencjami inżynierskimi, których większość organizacji nie posiada.

3. Ograniczenia dużych modeli językowych (LLM)

   Pierwsza generacja LLM-ów była pasywna (i irytująca), działała tylko na żądanie i nie potrafiła samodzielnie prowadzić procesów ani podejmować decyzji. Miała też trudności z dłuższą pamięcią operacyjną i złożonymi workflowami, co ograniczało ich zastosowanie w zintegrowanych procesach biznesowych. Ludzie to zapamiętali.
   
   

4. Silosy kompetencyjne

   Zespoły AI często działają osobno od IT, zespołów danych i działów biznesowych. To utrudnia integrację rozwiązań z systemami firmy i powoduje, że powstają modele, które nie są możliwe do wdrożenia lub nie są zgodne z logiką operacyjną firmy.
   
   

5. Zła jakość danych

   Wiele organizacji nie posiada wystarczająco ustrukturyzowanych, aktualnych ani kompletnych danych, a dane niestrukturalne (np. maile, notatki, rozmowy) pozostają poza kontrolą i poza zasięgiem AI. Bez uporządkowania tych zasobów niemożliwe jest stworzenie agentów, którzy podejmują trafne decyzje.

6. Strach kulturowy i inercja organizacyjna

   Wdrożenie AI oznacza często zmianę ról, procesów i odpowiedzialności. Wiele osób obawia się, że zostanie zastąpionych lub zdegradowanych, co wywołuje bierny opór. Bez silnego przywództwa, edukacji i zarządzania zmianą trudno przełamać te blokady.

Kiedy AI naprawdę działa: przykłady wdrożeń

McKinsey nie poprzestaje na diagnozie. Przedstawia trzy konkretne case studies:

• Bank, który modernizował systemy

  Zamiast setek programistów klepiących kod – zespoły agentów AI współpracujących z ludźmi. Efekt? 50% mniej pracy i czasu.
  
  

• Firma badająca rynek

  Agenci analizowali dane i wyjaśniali zmiany udziałów rynkowych. Oszczędności rzędu 3 mln USD rocznie i 60% wzrost produktywności.
  
  

• Tworzenie analiz kredytowych w banku detalicznym

  Wcześniej – tydzień pracy analityka; po wdrożeniu agentów – 60% mniej czasu, 30% szybsze decyzje kredytowe.

Rewolucja wymaga… przeprojektowania procesów

McKinsey ostrzega: „Wrzucenie agenta do starego workflow to strata potencjału.”

Tylko proces zaprojektowany „od nowa, z myślą o współpracy ludzi i agentów” pozwala osiągnąć realne efekty: skrócenie cyklu decyzyjnego nawet o 90%, rozwiązanie 80% zgłoszeń bez udziału człowieka, radykalną redukcję kosztów.

Potrzeba nowej architektury: Agentic AI Mesh

Kluczowe jest stworzenie infrastruktury, która pozwoli agentom działać wspólnie, bez chaosu.

McKinsey proponuje „agentic AI mesh” – architekturę odporną na vendor lock-in, opartą na otwartych standardach, w której agenci są niezależni, współpracują, są obserwowalni i kontrolowani.

Ale to nie technologia jest najtrudniejsza

Największym wyzwaniem, jak twierdzi McKinsey, jest człowiek:

• Współpraca ludzi i agentów
  

  Jak zorganizować pracę, w której ludzie i AI działają ramię w ramię? Kto podejmuje decyzje? W jakich sytuacjach agent AI powinien działać samodzielnie, a kiedy czekać na sygnał od człowieka? McKinsey podkreśla, że brak jasnych reguł współpracy prowadzi do chaosu, frustracji i utraty efektywności. Potrzebna jest nowa etykieta pracy: reguły interakcji, eskalacji, podziału odpowiedzialności.

• Zaufanie

  Działa? Świetnie. Ale to za mało. McKinsey wskazuje, że AI musi być przewidywalna (nie może zaskakiwać działaniem), zrozumiała (użytkownik musi wiedzieć, dlaczego coś zrobiła), kontrolowalna (łatwo ją wyłączyć, zatrzymać, poprawić). Zaufanie to nie uczucie – to wynik transparentności, spójności i dobrej dokumentacji działania agenta.
  
  

• „Sprawl agentów”

  Co się dzieje, gdy każdy zespół tworzy własnego bota, bez nadzoru i standardów? Tworzy się tzw. „sprawl agentów”: dziesiątki niezależnych, niekompatybilnych agentów działających równolegle, często dublujących funkcje, obniżających jakość i bezpieczeństwo systemów. McKinsey ostrzega przed powtórką z „shadow IT” i apeluje o silne struktury nadzoru, katalogi agentów, kontrolę wersji i lifecycle management.

Co musi zrobić CEO? Trzy kroki

1. Zamknąć fazę eksperymentów

   Przeprowadzić systematyczny przegląd wszystkich pilotaży, zidentyfikować działania bez potencjału do skalowania i zakończyć je. Kluczowe jest skoncentrowanie zasobów na kilku priorytetowych obszarach, w których agentic AI może przynieść mierzalne korzyści biznesowe – np. w obsłudze klienta, logistyce, analizie finansowej czy HR.
   
   

2. Zbudować nowe struktury zarządzania AI

   Powołać strategiczną radę ds. AI z udziałem kluczowych funkcji: HR, IT, danych i operacji (CHRO, CIO, CDO, COO). Rada powinna ustalać standardy projektowania agentów, nadzorować ich cykl życia, oceniać ryzyko i zgodność z regulacjami oraz wspierać wdrożenie zasad współpracy ludzi i agentów w codziennej pracy.
   
   

3. Uruchomić pierwszy projekt transformacyjny z agentami i równolegle – fundamenty techniczne (mesh, dane, kadry, governance)

   Rozpocząć konkretny projekt w obszarze o wysokim potencjale ROI, np. automatyzacja decyzji kredytowych, agent wspierający planowanie łańcucha dostaw, czy AI-first helpdesk. Jednocześnie inwestować w architekturę agentic mesh, poprawę jakości danych, szkolenia zespołów i nowe struktury governance’u dla agentów działających autonomicznie.**

Jak podsumowuje McKinsey: „Agenci AI nie są kolejnym dodatkiem. To fundament nowego modelu operacyjnego.”

Źródło: „Seizing the Agentic AI Advantage. A CEO Playbook”, McKinsey & Company, czerwiec 2025. Autorzy: Alexander Sukharevsky, Dave Kerr, Klemens Hjartar, Lari Hämäläinen, Stéphane Bout, Vito Di Leo, Guillaume Dagorret.