Paradoks zwrotu z inwestycji w sztuczną inteligencję: dlaczego modele ogólne i starsze systemy ERP zrujnują Twój budżet

W październiku 2025 roku Deloitte opublikował raport potwierdzający to, co każdy konsultant powinien wiedzieć już od dawna. Firmy inwestują miliardy dolarów w generatywną sztuczną inteligencję, ale obiecany zwrot z inwestycji wciąż pozostaje nieuchwytny.

Oczekiwaliśmy, że sztuczna inteligencja natychmiast zautomatyzuje nasze systemy korporacyjne i drastycznie obniży koszty operacyjne. Zamiast tego, kadra zarządzająca mierzy się z rosnącymi rachunkami za oprogramowanie, wstrzymanymi programami pilotażowymi i wyraźnym brakiem mierzalnej wartości biznesowej. Rynek jest wciąż wyraźnie zdezorientowany, a niedawna panika wokół modeli biznesowych SaaS odzwierciedla tę głęboką niepewność.

Jeśli Twoja firma ma trudności ze znalezieniem zwrotu z inwestycji w nowe inicjatywy z zakresu sztucznej inteligencji, problem nie leży w samej koncepcji sztucznej inteligencji. Problem leży głównie na poziomie fabryki.

Moim zdaniem jesteśmy obecnie świadkami ogromnego niedopasowania architektonicznego. Organizacje popełniają dwa błędy jednocześnie: kupują niewłaściwy rodzaj inteligencji i próbują podłączyć ją do niewłaściwego rodzaju oprogramowania.

Pozwólcie, że dokładnie wyjaśnię, gdzie moim zdaniem Wasz budżet na sztuczną inteligencję się kurczy i w jaki sposób możecie odwrócić ten trend, przemyślając na nowo całe podejście do systemów korporacyjnych.

Złudzenie Uniwersalnego Mózgu

W trakcie moich ostatnich doświadczeń zauważyłem powracający, niebezpieczny instynkt: chęć pogoni za największymi i najsłynniejszymi modelami sztucznej inteligencji na rynku. Z mojej perspektywy większość ludzi wydaje się być całkowicie skupiona na generalistycznych Dużych Modelach Językowych (LLM), wyposażonych w biliony parametrów i coraz szersze, uniwersalne możliwości.

Nie zrozumcie mnie źle, uważam, że te ogromne, ogólne modele są bez wątpienia fantastyczne w przypadku wielu zastosowań konsumenckich.

Jednak moja wizja przyszłości technologii korporacyjnych jest zupełnie inna. W mojej codziennej pracy stale widzę, że te obszary wymagają zupełnie innego zestawu umiejętności.

Zdecydowanie zgadzam się z pionierem sztucznej inteligencji, Yannem LeCunem, który wskazuje, że te ogromne modele LLM nie posiadają wrodzonego zrozumienia świata fizycznego. Są one jedynie silnikami probabilistycznymi zaprojektowanymi do przewidywania kolejnego słowa logicznego. Moim zdaniem, nie ma sensu uparcie dążyć do modeli z coraz większą liczbą parametrów, jeśli celem jest realizacja wysoce specyficznej logiki biznesowej.

Jeśli poprosisz specjalistę od prawa (LLM) o optymalizację przepływu materiałów w cross-dockingu w ruchliwym magazynie lub o przeliczenie wielopoziomowego wykazu materiałów (BOM) na podstawie nagłego braku komponentów, gwarantuję, że sam się prosisz o kłopoty. Odpowiedź może brzmieć gramatycznie bezbłędnie i niezwykle pewnie, ale sam przekonałem się, że ta sama odpowiedź będzie prawdopodobnie fizycznie niewykonalna lub finansowo katastrofalna.

Wierzę, że prawdziwy zwrot z inwestycji w oprogramowanie dla przedsiębiorstw nie tkwi w ogólnej wiedzy obejmującej bilion parametrów. Chodzi o hiperspecjalizację.

Widzę jasną odpowiedź na to konkretne marnotrawstwo zasobów: Model Małego Języka (SLM). Model SLM zazwyczaj działa na mniej niż 10 miliardach parametrów i jest trenowany na starannie wyselekcjonowanych zbiorach danych o jakości podręcznikowej. Zamiast wiedzieć trochę o wszystkim, co jest dostępne w internecie, SLM jest zaprojektowany tak, aby wiedzieć absolutnie wszystko o jednej konkretnej domenie.

Jeśli firma rozważa wdrożenie lokalnego SLM, dosłownie przejmuje kontrolę nad inteligencją. Twoje zastrzeżone dane nigdy nie opuszczają bezpiecznego obszaru. Uzyskujesz dostęp do wysoce wyspecjalizowanego agenta, który rozumie fizyczne i logistyczne ograniczenia Twoich konkretnych operacji, zużywając przy tym zaledwie ułamek mocy obliczeniowej i kosztów API wymaganych przez gigantów chmury.

Pułapka niestandardowego podwozia

Zdobycie odpowiedniego, wyspecjalizowanego modelu sztucznej inteligencji rozwiązuje tylko połowę równania. Drugim głównym powodem, dla którego zwroty z AI są tak nieuchwytne, jest środowisko, w którym ta inteligencja jest wdrażana.

Jak szczegółowo opisałem w moim poprzednim artykule „Zabójcza sztuczna inteligencja: dlaczego brudne dane doprowadzą Twojego agenta do bankructwa”, istnieje brutalna rzeczywistość zabijająca sztuczną inteligencję w przedsiębiorstwach: nie możesz włożyć wyregulowanego silnika Ferrari do zardzewiałego, trzydziestoletniego podwozia i oczekiwać cudu.

Tradycyjnie firmy traktowały swoje mocno spersonalizowane, lokalne systemy ERP jako symbol honoru. Dziś ta skrajna personalizacja to technologiczne więzienie z natury pełne brudnych danych.

Ponieważ sztuczna inteligencja uczy się wyłącznie na podstawie historycznych wzorców, dostarczanie jej dziesięciu lat przestarzałych danych uczy ją skalowania nieefektywności z prędkością światła. Ten „śmieci na wejściu, katastrofa na wyjściu” to właśnie powód, dla którego firmy płacą wysokie ceny za oprogramowanie AI, ale nie widzą żadnego zwrotu z inwestycji.

Praktyczne spostrzeżenia dla liderów przedsiębiorstw

Jeśli jesteś CEO, dyrektorem finansowym lub liderem IT i musisz uzasadnić bieżący budżet na sztuczną inteligencję lub zaplanować kolejną migrację systemu ERP, oto praktyczne kroki, które musisz podjąć, aby uzyskać mierzalny zwrot z inwestycji.

1. Konwertuj swoje podstawowe dostosowania: przestań traktować swój system ERP jak szyty na miarę element. Aktywnie konwertuj starsze dostosowania na nowoczesne rozszerzenia. Chociaż sztuczna inteligencja technicznie potrafi odczytywać niestandardowe tabele, brakuje jej wstępnego szkolenia semantycznego, aby zrozumieć Twoje unikalne pola, co prowadzi do kosztownych cykli ponownego szkolenia lub halucynacji. Przenosząc logikę niestandardową do zewnętrznych rozszerzeń opartych na API, Twoja podstawowa baza danych pozostaje standardowa i natychmiast zrozumiała dla sztucznej inteligencji.

2. Skoncentruj się na małych modelach językowych: przestań martwić się, który gigant technologiczny opublikował w tym tygodniu model z największą liczbą parametrów. Zacznij oceniać otwarte modele, które można precyzyjnie dostosować do Twojej branży. Oblicz zwrot z inwestycji (ROI) z hostingu SLM we własnym, kontrolowanym środowisku (czy to na dedykowanym sprzęcie lokalnym, czy w prywatnej infrastrukturze chmurowej, takiej jak AWS) w porównaniu z nieprzewidywalnymi, cyklicznymi kosztami wynajmu tokenów API o charakterze ogólnym.

3. Przeprowadź „czystą” migrację danych: zanim uruchomisz jakikolwiek program pilotażowy AI, musisz zrobić porządek. Migrując do nowoczesnego systemu ERP w chmurze, bądź absolutnie bezwzględny w stosunku do swoich danych historycznych. Nie migruj piętnastu lat zamkniętych faktur ani kodów nieaktywnych dostawców. Zarchiwizuj te informacje w oddzielnym jeziorze danych (Data Lake) i użyj Generative BI do ich przeszukiwania w razie potrzeby. Do nowego systemu przenieś tylko aktywne dane podstawowe, otwarte transakcje i aktualne stany magazynowe. Wysoki stosunek sygnału do szumu (SNR) to podstawowy warunek dokładności AI. Jeśli chcesz zgłębić temat, zacznij od: Podręcznik migracji (The Migration Playbook).

Moje ostateczne ujęcie

Paradoks zwrotu z inwestycji (ROI), na który zwraca uwagę Deloitte, stanowi niezwykle ważny sygnał ostrzegawczy dla całej branży technologicznej. Przypomina nam, że samo wykupienie subskrypcji najnowszego, popularnego oprogramowania nie przekształca w magiczny sposób organizacji w autonomiczną potęgę.

Prawdziwa inteligencja przedsiębiorstwa wymaga głębokiej dyscypliny architektonicznej. Rynek niewątpliwie doświadczy czystki wśród firm, które próbują zmusić sztuczną inteligencję do naprawy swoich wadliwych, przestarzałych procesów. Jednak organizacje, które łączą wysoce wyspecjalizowane podejście modeli SLM ze standaryzowaną elastycznością rozszerzalności chmurowego systemu ERP, w końcu przestaną gonić za szumem informacyjnym. Zbudują fundamenty niezbędne do generowania realnej, kumulowanej wartości w hali produkcyjnej.

Napisane przez Andreę Guaccio 

28 marca 2026