Z czego składa się koszt wdrożenia AI Pytanie „ile kosztuje wdrożenie AI” jest źle postawione dokładnie tak samo, jak pytanie „ile kosztuje remont”. Odpowiedź zależy od zakresu, a zakres w projektach AI rozkłada się na trzy niezależne od siebie pozycje. 1. Praca wdrożeniowa. Jednorazowo Analiza procesu, projekt rozwiązania, budowa, testy, uruchomienie. Rozliczana za projekt albo za dzień pracy. To zwykle największa pojedyncza pozycja w pierwszym wdrożeniu. 2. Koszt modelu i infrastruktury. Co miesiąc Opłaty za API modelu językowego naliczane od liczby przetworzonych tokenów, hosting, monitoring. Ta pozycja jest zmienna: rośnie wraz z liczbą zapytań. Firmy notorycznie ją pomijają na etapie budżetu, bo w klasycznych projektach IT nie miała odpowiednika. 3. Integracje. Jednorazowo, ale nieprzewidywalnie Podłączenie rozwiązania do CRM, ERP, poczty, bazy dokumentów. To jest pozycja, która rozstrzyga o rzędzie wielkości całego projektu. Widełki rynkowe w Polsce (stan na lipiec 2026) Poniższe kwoty to widełki podawane publicznie w cennikach i materiałach polskich firm wdrożeniowych, między innymi Falcon Works i StormIT. Zebrane w lipcu 2026 roku. Są to materiały marketingowe sprzedawców, nie niezależne badanie rynku, i tak należy je czytać. Niezależnego polskiego źródła danych o kosztach wdrożeń AI na dziś nie ma. Traktuj je jako punkt odniesienia do rozmowy: żadna z tych liczb nie zastąpi wyceny opartej na twoim konkretnym procesie. To, jak sam rozliczam pracę wdrożeniową, opisałem osobno w cenniku usług AI. Zakres Koszt jednorazowy Koszt miesięczny --- --- --- Asystent na firmowych dokumentach, jeden proces 2–8 tys. zł 100–500 zł Chatbot obsługi klienta z integracją 5–15 tys. zł 200–1000 zł Automatyzacja procesu z podłączeniem do systemów 10–30 tys. zł 300–2000 zł Voicebot / agent głosowy 20–45 tys. zł 200–1000 zł Wdrożenie obejmujące wiele procesów i działów od 50 tys. zł od 1000 zł Rozstrzał wewnątrz każdego wiersza wynika prawie zawsze z tego samego: ile systemów trzeba podłączyć i w jakim stanie są dane. Cztery czynniki, które realnie decydują o cenie Stan danych Jeśli wiedza, na której ma pracować model, siedzi w uporządkowanej bazie, jest tanio. Jeśli siedzi w PDF-ach, skanach, załącznikach do maili i w głowach trzech osób, najpierw płacisz za uporządkowanie danych, a dopiero potem za AI. To bywa 40–60% budżetu pierwszego wdrożenia (udział z mojej praktyki wdrożeniowej, nie z badań). Dostępność API po stronie systemów System z nowoczesnym API podłącza się w godziny. System bez API podłącza się przez eksporty, pliki pośrednie i obejścia, czyli w tygodnie, i zostawia dług techniczny na przyszłość. Wymagany poziom niezawodności Asystent podpowiadający pracownikowi może się czasem pomylić. Człowiek to wyłapie. Rozwiązanie odpowiadające klientowi bez nadzoru wymaga testów, zabezpieczeń i procedury eskalacji. Ten sam pomysł funkcjonalny potrafi kosztować trzy razy więcej tylko dlatego, że odpowied Po co robić audyt przed wdrożeniem Najdroższy błąd w projektach AI nie polega na wyborze złego narzędzia. Polega na wdrożeniu poprawnego rozwiązania do procesu, który się do tego nie nadawał, albo na oparciu go o dane, które okazały się nieaktualne dopiero w trakcie budowy. Skala tego zjawiska jest udokumentowana: według raportu MIT NANDA The GenAI Divide (2025) mierzalny wpływ na wynik finansowy osiąga mniej więcej co dwudziesty pilotaż generatywnej AI. Liczby i zastrzeżenia raportu omawiam w tekście o ROI wdrożeń. Kluczowa jest jednak podana tam przyczyna. Autorzy raportu wskazują, że rozstrzyga sposób podejścia: brak integracji z systemami, w których naprawdę toczy się praca, i brak dopasowania do kontekstu organizacji. Jakość modelu i regulacje schodzą przy tym na dalszy plan. To są dokładnie te rzeczy, które widać przed napisaniem pierwszej linijki kodu, o ile ktokolwiek na nie spojrzy. Audyt przesuwa moment odkrycia tych problemów przed wydanie głównego budżetu. Kosztuje ułamek wdrożenia, a rozstrzyga o tym, czy wdrożenie w ogóle ma sens. Orientacyjne widełki rynkowe dla takiej usługi zebrałem w tekście ile kosztuje konsultant AI. Czym ten audyt nie jest Nie jest przeglądem narzędzi dostępnych na rynku ani prezentacją możliwości modeli językowych. Punktem wyjścia jest twój proces i twoje dane. Jeśli wynik analizy brzmi „ten proces nie nadaje się do automatyzacji, a te dane wymagają najpierw pół roku porządków”, to jest to pełnoprawny wynik audytu. Co sprawdzam: procesy, dane, systemy, ludzi Przegląd procesów Rozmowy z osobami, które wykonują pracę, a dopiero w drugiej kolejności z ich przełożonymi. Dla każdego kandydata: objętość, czas jednostkowy, odsetek przypadków wymagających wyjątkowej obsługi, koszt błędu. Ocena stanu danych Gdzie fizycznie leżą informacje potrzebne do procesu, w jakim są formacie, kto ma dostęp, jak często się zmieniają, co jest nieaktualne, ile wiedzy nie zostało nigdzie zapisane. To najważniejsza część audytu i zwykle ta, która najbardziej zaskakuje. Przegląd systemów Które systemy mają API, które trzeba obsłużyć obejściem, gdzie leżą ograniczenia licencyjne i gdzie bariery dostępowe. Ocena organizacyjna Kto mógłby być właścicielem wdrożenia, czy ma na to czas, jak zespół reaguje na perspektywę automatyzacji. Ten ostatni punkt bywa bagatelizowany, a jest częstą przyczyną cichej porażki wdrożeń. Klasyfikacja pod kątem AI Act Ustalenie, czy planowane zastosowania są systemami wysokiego ryzyka w rozumieniu załącznika III do AI Act. Dla większości typowych wdrożeń odpowiedź brzmi „nie”, ale zgodność z rozporządzeniem wymaga w praktyce, żeby ocena była wykonana świadomie i udokumentowana przed wprowadzeniem systemu do użytku; odtwarzanie jej po fakcie nie spełnia wymogu. Aktualne terminy opisałem w tekście o nowych terminach AI Act. Produkt końcowy Raport zawierający: 1. Listę procesów-kandydatów uszeregowaną według stosunku spodziewanego efektu do nakładu. 2. Dla każdego: zmierzony lub oszac Skąd te dane i jak je czytać Badanie EY „Jak polskie firmy wdrażają AI” zostało zrealizowane w czwartym kwartale 2025 roku na próbie 499 firm i opublikowane 7 maja 2026. Struktura próby: 45% produkcja, 33% usługi, 22% handel; 56% to firmy średnie, 44% duże. Wszystkie liczby w tabeli niżej dotyczą podpróby usługowej, czyli około 165 firm. Przy tej liczebności różnice mniejsze niż kilka punktów procentowych mieszczą się w błędzie statystycznym. Dwie rzeczy trzeba mieć w głowie od początku. Po pierwsze, to badanie ankietowe, więc wszystkie liczby są deklaracjami respondentów. „Korzyści spełniły oczekiwania” mierzy odczucie zarządu; zweryfikowanego zwrotu z inwestycji z takiej ankiety nie wyczytamy. Po drugie, próba obejmuje firmy średnie i duże, czyli ten segment rynku, który w ogóle wdraża: według GUS AI używa 8,7% przedsiębiorstw objętych badaniem (od 10 pracujących), więc obraz z badania EY jest obrazem awangardy, nie średniej. Z tymi zastrzeżeniami: to najlepsze publiczne dane o stanie polskich wdrożeń, jakie mamy. Liczby, które robią różnicę W badaniu EY z Q4 2025 sektor usługowy ma najwyższy odsetek projektów wstrzymanych (18 proc.) przy 71 proc. firm z wdrożeniami za sobą lub w toku, a systematycznie mierzy efekty tylko 44 proc. Miara (sektor usługowy) Wynik --- --- Firmy po pierwszych wdrożeniach lub w ich trakcie 71% (37% wdrożyło, 34% w trakcie) Projekty wstrzymane lub porzucone 18% (najwięcej ze wszystkich branż) Systematyczny pomiar efektów 44% Pomiar sporadyczny 43% Korzyści zgodne z oczekiwaniami 38% Korzyści poniżej oczekiwań łącznie 39% (23% niższe, 16% wyraźnie niższe) Najważniejsza para liczb to 77% i 44%. Ocenę korzyści formułuje 77% firm usługowych (38% „zgodne z oczekiwaniami”, 23% „niższe”, 16% „wyraźnie niższe”), a systematycznie mierzy tylko 44%: różnica wynosi 33 punkty procentowe, więc około jedna trzecia firm usługowych w tej próbie ocenia wdrożenia, których nie mierzy systematycznie. Rozczarowanie bez pomiaru jest tak samo mało warte jak entuzjazm bez pomiaru: jedno i drugie to wrażenie. Warto też zestawić 71% z 18%. Fala pierwszych wdrożeń przetoczyła się przez rynek, a prawie co piąta firma usługowa już się z niej wycofała. Trudno z tego wyczytać, że technologia zawodzi. Kończy się raczej okres, w którym wdrożenie AI było celem samym w sobie. Ostatnia mila, czyli gdzie znika zwrot W komentarzu EY do badania pada obserwacja, którą warto przytoczyć: zbudowanie prototypu jest stosunkowo proste, ale wdrożenie AI do codziennej pracy zespołów („ostatnia mila wdrożenia”) to według autorów badania 90% wysiłku. To samo zjawisko, na innym rynku i innym materiale, pokazał raport MIT NANDA The GenAI Divide (150 wywiadów z kadrą zarządzającą, 350 ankiet pracowniczych, 300 publicznych wdrożeń): około 95% pilotaży generatywnej AI nie przynosi mierzalnego efektu w wyniku finansowym, a decydują przyczyny organizacyjne. Na pierwszym miejscu raport stawia lukę uczenia się: narzędzia nie zapamiętują inf