Twoja firma właśnie zaciąga dług AI. Wytłumaczę Ci dlaczego.

W Wiedźminie prawo niespodzianki działa prosto: ratujesz komuś życie, a zamiast złota bierzesz to, co ten ktoś zastanie w domu, a o czym jeszcze nie wie, że to ma.
W biznesie to często umowa zawarta w minutę, a cena jest ujawniona lata później.
I zwykle wyższa, niż ktokolwiek zakładał przy podpisie.

Enterprise w Polsce i na świecie podpisało taką umowę pod koniec 2022 roku. Z AI.

Pod koniec 2025 roku Gartner nazwał to, co zastaliśmy w domu. Anthony Mullen, VP Analyst firmy, zdefiniował dług AI (AI debt) jako skumulowany koszt przeszłych decyzji – zamierzonych lub nie –  które faworyzują krótkoterminowe zyski w pracy nad AI kosztem długoterminowej stabilności.
Skutki? Przeróbki, refaktoryzacja na kolanie, nieefektywność, ryzyko i utracone szanse.

Sama nazwa jest z końcówki 2025. Rachunek natomiast, nalicza się od ponad trzech lat.

Przez te ostatnie lata organizacje masowo uruchamiały pilotaże, powoływały zespoły GenAI i zatwierdzały budżety, które jeszcze w 2021 roku wymagałyby osobnej uchwały zarządu.

Dane z lat 2025–2026, z najnowszymi sprzed kilku dni, pokazują, co z tego wynikło:

• rekordowa adopcja,
• wartość widoczna lokalnie, znacznie trudniejsza do skalowania,
• rosnąca góra zobowiązań, których nikt nie zaksięgował.

Ten artykuł pokazuje historię kredytu, który biznes zaciągnął w entuzjazmie,
a spłaca i spłacać go będzie jeszcze długo w produkcji.

Jedno rozróżnienie na start, bo termin bywa mylący. Prasa finansowa pisze o „AI debt” w znaczeniu dosłownym – obligacji, którymi big techy finansują centra danych. Gartner mówi o czymś innym: o długu organizacyjnym.

Oba rosną równolegle. Ten tekst dotyczy drugiego.

Z tego tekstu dowiesz się:

• Czym dokładnie jest dług AI i dlaczego wykracza poza dług techniczny znany z inżynierii oprogramowania,
• Dlaczego coraz więcej projektów AI nie dociera do produkcji i co pokazują cztery niezależne badania,
• Co naprawdę mierzy słynne linkedinowe „95% pilotaży GenAI bez ROI” od MIT i dlaczego cytowanie tej liczby bez zastrzeżeń podważa wiarygodność mówiącego,
• Ile kosztuje shadow AI w walucie naruszeń danych (IBM policzył co do dolara),
• Jak zarządzać długiem AI, zamiast odkrywać go dopiero przy pierwszym problemie.

Dług AI ma starszego brata. W 2014 roku zespół D. Sculleya z Google opublikował pracę „Machine Learning: The High-Interest Credit Card of Technical Debt”, a rok później jej rozwinięcie na konferencji NIPS – „Hidden Technical Debt in Machine Learning Systems”.

Inżynierowie Google nazwali tam mechanizmy, które dziś oglądamy w skali całych organizacji: zasadę CACE („Changing Anything Changes Everything”,  w systemach ML zmiana czegokolwiek zmienia wszystko), dżungle pipeline’ów i glue code.
Za ostatnim pojęciem stoi spostrzeżenie, że kod uczenia maszynowego to drobny ułamek realnego systemu – resztę stanowi spoiwo, które ktoś musi utrzymywać.

Gartner rozszerzył tę optykę poza kod.
Dług AI w jego ujęciu rozciąga się na siedem wymiarów dojrzałości: 

• strategię,
• wartość,
• organizację,
• ludzi i kulturę,
• governance,
• inżynierię,
• dane;

Dług AI rządzi się trzema zasadami: jest nieunikniony, narasta z każdym cyklem innowacji i jest wzajemnie powiązany.

Tu leży sedno różnicy: dług techniczny zazwyczaj spłacał dział IT.
Dług AI spłaca cała organizacja – łącznie z tymi, którzy nie wiedzą, że go zaciągnęli.

Metafora kredytowa nie jest tu ozdobnikiem – precyzyjnie opisuje mechanikę zjawiska:

Każdy pilotaż uruchomiony bez planu utrzymania, każdy model wdrożony bez monitoringu, każda decyzja „zrobimy governance później” – to kolejna linia kredytowa.
Kapitał trzeba będzie zwrócić, a oprocentowanie, jak trafnie ujęli to autorzy z Google, jest wysokie.

I coraz częściej słyszę dziś od klientów dwie wersje tego samego zdania.

„Nie automatyzujmy tego. Mamy AI, AI nam to zrobi.”

Albo: „Po co kupować to narzędzie enterprise? Zbudujemy sobie własne w Cursorze.”

Nie przeczę, że oba zdania mogą być całkowicie racjonalne. Problem zaczyna się wtedy, gdy organizacja myli koszt stworzenia rozwiązania z kosztem jego posiadania.

AI dramatycznie obniżyło pierwszy.
To zresztą przestaje być tylko anegdotą z moich rozmów.
W najnowszym badaniu McKinsey niemal jedna trzecia respondentów deklaruje, że ich organizacja zrezygnowała z zakupu przynajmniej jednego produktu lub funkcji software’owej, bo mogła zbudować ją wewnętrznie przy użyciu agentic coding tools.

Drugiego (kosztu posiadania) nie zlikwidowało. Czasem wręcz przeciwnie – pozwoliło nam wyprodukować znacznie więcej rzeczy, które ktoś później musi utrzymać, zabezpieczać, monitorować, integrować i w końcu i tak wymienić.

AI nie zlikwidowało długu technicznego.
Zwiększyło tempo, w jakim możemy go produkować.
I dołożyło do niego nowe kategorie zobowiązań.

Skalę zaległości w spłatach pokazują cztery niezależne badania z 2024 i 2025 roku.

S&P Global Market Intelligence w badaniu Voice of the Enterprise (ponad tysiąc firm z Ameryki Północnej i Europy) odnotowało, że odsetek organizacji porzucających większość swoich inicjatyw AI skoczył z 17% do 42% w ciągu jednego roku – wzrost niemal 2,5-krotny.
Średnio 46% proof-of-conceptów nigdy nie dociera do produkcji: prawie co drugi pilotaż ląduje w koszu (link).

RAND Corporation w raporcie „The Root Causes of Failure for AI Projects” przywołuje – z uczciwym zastrzeżeniem „by some estimates”, czyli szacunki, według których ponad 80% projektów AI kończy się porażką, czyli dwa razy częściej niż projekty IT bez komponentu AI.
Własny wkład RAND to analiza przyczyn na podstawie 65 wywiadów z praktykami: technologia zajmuje w niej ostatnie miejsce, a prowadzą nieporozumienia co do celu projektu, braki w danych i infrastrukturze.

McKinsey w globalnym badaniu State of AI z listopada 2025 (1993 respondentów, 105 krajów) policzył, że zaledwie 39% firm widzi jakikolwiek wpływ AI na EBIT, a status „AI high performer” – co najmniej 5% EBIT przypisane AI plus deklarowana istotna wartość – osiąga około 6% badanych.
Najnowsza fala tego samego badania, opublikowana 25 sierpnia 2026 (1719 respondentów, 97 krajów), pokazuje, że przez rok nic się tu nie ruszyło: odsetek high performerów stoi na 6%, a jakikolwiek wpływ na EBIT raportuje 37% firm.

BCG w raporcie „The Widening AI Value Gap” (wrzesień 2025, 1250 menedżerów wyższego szczebla) dzieli rynek jeszcze ostrzej: 5% firm „future-built” osiąga wartość z AI na skalę,
35% ją skaluje, a 60% – sześć firm na dziesięć – raportuje minimalne efekty mimo realnych nakładów.

Tu potrzebne jest jedno ważne zastrzeżenie: te liczby nie mówią, że 90 czy 95 procent zastosowań AI jest nieopłacalne.
Każde z badań mierzy inny poziom sukcesu. W najnowszym McKinsey 80% respondentów deklaruje poprawę własnej produktywności dzięki AI, 37% widzi już pozytywny wpływ na EBIT, a 44% organizacji skaluje AI na poziomie całego przedsiębiorstwa.

Problemem nie jest więc brak wartości.

Jest nim jest przepaść pomiędzy wartością lokalną a zdolnością do zamiany jej w trwały wynik na poziomie całej organizacji.

Najmocniejszy dowód w tej sekcji ma kilka dni.
Między falą McKinsey z listopada 2025 a falą z sierpnia 2026 firmy skalowały AI szerzej, wydawały więcej i wdrażały agentów – a udział tych, które zamieniają to na wynik finansowy, nie drgnął.
Rok pracy całego rynku wystarczył na utrzymanie stanu posiadania.

W moim (a jakże) dość szerokim zestawieniu celowo nie padła dotąd najczęściej cytowana liczba 2025 roku: „95% pilotaży GenAI kończy się porażką”, przypisywana raportowi MIT NANDA „The GenAI Divide: State of AI in Business 2025″.
To jeden z ulubionych raportów LLM-owych deep search, które dodatkowo błędnie go interpetują. Nie dziwota, że ta liczba obiegła błyskawicznie media.

Kłopot z nią jest podwójny: to najsłabiej udokumentowany z przywołanych tu wyników, a w dodatku raport twierdzi coś innego, niż głoszą nagłówki.

W samym dokumencie mowa o 95% organizacji bez mierzalnego zwrotu z GenAI; słynny lejek „5% sukcesu” dotyczy wyłącznie narzędzi budowanych na zamówienie (60% firm je badało, 20% pilotowało, 5% wdrożyło), podczas gdy generyczne chatboty w tym samym raporcie przechodziły z pilotażu do wdrożenia w około 83% przypadków.

Raport nie przeszedł recenzji naukowej i sam określa się jako „Preliminary Findings„.
Jego opis metodologii rozjeżdża się z przekazami medialnymi: dokument mówi o 52 wywiadach i 153 ankietowanych liderach, relacje prasowe – o 150 wywiadach i 350 ankietach.

Krytycy wskazują, że liczba 95% pojawia się w raporcie właściwie w jednym zdaniu, bez zaprezentowanych danych źródłowych.
Definicja porażki jest wąska – brak mierzalnego wpływu na P&L w horyzoncie około sześciu miesięcy – a to inna kategoria niż porażka techniczna czy porzucenie projektu.
Do tego dochodzi konflikt interesów: NANDA rozwija infrastrukturę agentową i w tym samym raporcie rekomenduje ją jako drogę przez „GenAI divide„.

Czy to unieważnia liczbę?
Nie. Kierunkowo „95%” zgadza się z tym, co niezależnie zmierzyli McKinsey (6% high performers) i BCG (5% future-built).
Precyzja to inna sprawa – i tu zaczyna się praktyczna lekcja dla każdego, kto buduje argumentację za inwestycjami w AI albo przeciw nim. 

Decydent, który cytuje „95% od MIT” bez zastrzeżeń, sam zaciąga mikrodług: wiarygodnościowy. Spłata przychodzi na pierwszym spotkaniu, na którym ktoś zna krytykę tego raportu.
Albo trafi się jakiś nieprzychylny na LinkedIn komentator wygenerowanych jednym promptem treści.

Dług AI bywa abstrakcyjny do momentu, w którym IBM wystawia fakturę.

Raport Cost of a Data Breach 2025 (badanie Ponemon Institute, 600 organizacji po realnych naruszeniach) po raz pierwszy policzył koszt shadow AI – narzędzi używanych przez pracowników bez wiedzy i zgody organizacji. 

Firmy z wysokim poziomem shadow AI płaciły za naruszenie danych średnio o 670 tysięcy dolarów więcej niż firmy z niskim lub zerowym – to równowartość piętnastu procent globalnej średniej kosztu naruszenia (4,44 mln dolarów), doliczona za sam brak kontroli nad tym, czego używają pracownicy.

Naruszenie przez shadow AI zaliczyła jedna na pięć badanych organizacji.

Dwie liczby z tego samego raportu pokazują skalę zaniechania: wśród organizacji, które zgłosiły naruszenia związane z AI, 97% przyznało, że nie miało właściwej kontroli dostępu do systemów AI.
A 63% badanych firm nie ma polityki AI governance albo dopiero ją tworzy.

Warstwa governance jest w rejestrze długu AI pozycją najbardziej zdradliwą, bo jej koszt materializuje się skokowo – jako incydent, kara regulatora albo utrata danych klienta, a nie liniowo, jak koszty utrzymania modeli.

Organizacja może latami nie płacić tej raty. Do pierwszego naruszenia.

Polska ma zresztą własną odmianę tego problemu. Pisałem o niej szerzej w analizie “Ostry cień mgły, czyli shadow AI po polsku”.

Najciekawsze w ujęciu Gartnera jest to, czego w nim nie ma: wezwania do unikania długu.

Jest odwrotnie. Dług AI da się zaciągać strategicznie, tak jak CFO strategicznie używa dźwigni finansowej.
Gartner szacuje, że organizacje z dedykowanym podejściem do zarządzania długiem AI mogą dojrzewać nawet pięciokrotnie szybciej w horyzoncie 3 lat – przy czym to projekcja analityków z kwantyfikatorem „up to„, a jej metodologia pozostaje w płatnych notach badawczych – traktujmy ją więc jako wskazanie kierunku, bez gwarancji.

Kierunek potwierdzają za to dane BCG: firmy „future-built” raportują 1,7 razy wyższy wzrost przychodów i 3,6 razy wyższy trzyletni zwrot dla akcjonariuszy niż maruderzy – i to właśnie one planują wydawać na AI ponad dwukrotnie więcej niż maruderzy.

Zegar przy tym tyka coraz szybciej. Gartner prognozował w 2024 roku, że co najmniej 30% projektów GenAI zostanie porzuconych po PoC do końca 2025 roku.
Rok później dołożył kolejną prognozę: ponad 40% projektów agentic AI ma zostać anulowanych do końca 2027 roku.

Fala agentowa według BCG odpowiadająca dziś za 17% wartości z AI, a w 2028 za prognozowane 29% – zaciąga dług szybciej, niż większość organizacji spłaca zobowiązania z fali GenAI.

Rama Gartnera przenosi dyscyplinę finansową na aktywa AI, a z przywołanych wyżej badań wynika spójna checklista minimum:

1. Rejestr długu.
   Inwentaryzacja wszystkiego, co w organizacji dotknęło AI: pilotaże, modele, integracje – oraz shadow AI, do którego zinwentaryzowania potrzeba narzędzi discovery ruchu sieciowego i SaaS, bo żadna ankieta go nie pokaże.
   Bez rejestru zarządzanie długiem to zgadywanie.
2. Właściciel długu.
   Konkretna rola odpowiedzialna za bilans zobowiązań AI. Tak jak za dług finansowy odpowiada CFO, a nie „wszyscy po trochu”.
3. Koszt obsługi w business case.
   Każda decyzja o wdrożeniu jest wyceniana razem z utrzymaniem, monitoringiem, retrainingiem i governance, a nie tylko z kosztem licencji i wdrożenia.
   RAND pokazuje, że projekty umierają właśnie na tym, czego nie wyceniono.
4. Bramki wartości zamiast bramek demo.

W danych McKinsey przeprojektowanie procesów najmocniej odróżnia zwycięzców od reszty: robi to blisko trzy czwarte high performerów i ledwie jedna czwarta pozostałych firm (fala 2026).
Pilotaż, który zostawia proces bez zmian, dokłada pozycję do rejestru długu zamiast do rachunku wyników.

Świadome „nie spłacamy”.
Część długu wolno zostawić. Gartner mówi wprost o strategicznym wykorzystaniu długu. Ale to musi być decyzja z podpisem, nie zaniechanie bez właściciela.

Pracując z klientami, którzy zaczynają wdrażać AI na szeroką skalę, w praktyce sprowadzamy tę rozmowę do prostego AI Debt Register.

To takie nasze wewnętrzne narzędzie robocze, które pomaga ocenić, gdzie klient rzeczywiście zaciąga zobowiązania i jak nimi zarządzać. Spieszę z krótkim tłumaczeniem, o co chodzi.

Dla każdej inicjatywy zapisujemy pięć rzeczy: co właściwie zaciągnęliśmy, ile będzie kosztowała obsługa tego długu, kto jest jego właścicielem, po czym poznamy, że dług zaczyna ograniczać wartość i czy wtedy go spłacamy, tolerujemy, czy wycofujemy rozwiązanie. I proponujemy alternatywy.

Taki rejestr pozwala sensownie odpowiedzieć na pytanie o zdolność kredytową organizacji w AI.

Rynek odpowiedział już budżetami na pierwsze pytanie.
W 2026 roku zostaje pytanie, które każdy bank zadaje przed udzieleniem kolejnego kredytu:

“Jaka jest zdolność kredytowa tej organizacji?”;
“Ile już zaciągnęła, ile kosztuje ją obsługa i kto pilnuje harmonogramu spłat?”

Firmy, które potrafią odpowiedzieć na te pytania, wiedzą przynajmniej, jaki dług świadomie akceptują. Pozostałe często poznają jego wysokość dopiero wtedy, gdy zobowiązanie materializuje się w produkcji: czasem w postaci kosztu utrzymania, czasem nieudanego projektu, a czasem faktury za incydent, którą IBM potrafi już wycenić w dolarach.