PwC i rynek AI: 75% zysków trafia do 20% dojrzałych firm

Wyniki PwC 2026 AI Performance Study wskazują na rosnącą przepaść między nakładami na sztuczną inteligencję a ich realną stopą zwrotu w przedsiębiorstwach. Podczas gdy 60% firm wdraża rozwiązania AI w wielu działach, zaledwie 4% posiada dojrzały model nadzoru (governance) pozwalający kontrolować ryzyko. Brak operacyjnego sterowania architekturą AI przekształca innowacje w kosztowny dług technologiczny i infrastrukturalny, zagrażający ciągłości biznesowej firm w Polsce i Unii Europejskiej.

Przepaść w nadzorze nad AI: mechanizm przewagi 5% liderów

Tradycyjne procedury audytowe zawodzą w starciu z systemami agentycznymi i dryfem modeli danych. Przedsiębiorstwa traktują nadzór nad sztuczną inteligencją jako koszt kwartalny, podczas gdy liderzy rynkowi przekształcają go w mnożnik zwrotu z inwestycji. Grupa 5% najbardziej dojrzałych cyfrowo organizacji wykazuje 1,7-krotnie wyższy wzrost przychodów oraz 3,6-krotnie wyższy zwrot dla akcjonariuszy.

Analiza rynku wykazuje, że przewaga liderów nie wynika z wielkości budżetu IT ani ze wczesnego startu, lecz z operacyjnego egzekwowania ram nadzoru nad sztuczną inteligencją. Zgodnie z badaniem PwC 2026 AI Performance Study, obejmującym 1217 dyrektorów z 25 sektorów, aż 75% korzyści ekonomicznych z AI przypada na 20% firm. W tym samym czasie 60% przedsiębiorstw nie osiąga mierzalnego zwrotu z wydatków na rozwój modeli.

Większość organizacji poprzestaje na deklaracjach polityki wewnętrznej, nie tworząc mechanizmów weryfikacji w czasie rzeczywistym. Zaledwie 34% firm utrzymuje rejestr modeli (model inventory), 21% prowadzi stałe testy stronniczości (bias and fairness testing), a tylko 17% wykonuje testy bezpieczeństwa typu AI red teaming.

Różnica ta przekłada się na twarde wskaźniki sprawozdawcze. Aż 72% spółek z indeksu S&P 500 zadeklarowało w 2026 roku co najmniej jedno istotne ryzyko związane z AI, podczas gdy w 2023 roku wskaźnik ten wynosił zaledwie 12%. Narastająca presja regulacyjna potęguje problem – 78% firm zgłasza brak przygotowania do wymogów rozporządzenia EU AI Act.

Ile kosztuje brak dojrzałego nadzoru nad AI?

Brak kontroli nad agentami AI prowadzi do narastania tzw. długu agentycznego (agent debt). Sektor finansowy i ubezpieczeniowy ponosi natychmiastowe straty – 42% firm z tego obszaru padło już ofiarą udanego ataku socjotechnicznego wykorzystującego sztuczną inteligencję. Bez jasnej alokacji odpowiedzialności koszty awarii i naruszeń regulacyjnych obciążają budżety operacyjne.

Głównym czynnikiem sukcesu jest wyznaczenie jednej osoby odpowiedzialnej za ryzyko AI przed uruchomieniem projektu. Rynki nadrabiają te zaległości w szybkim tempie: 76% organizacji posiada obecnie Chief AI Officer (wzrost z 26% rok wcześniej), a 60% firm z listy Fortune 100 planuje powołanie dedykowanego szefa ds. nadzoru nad AI w 2026 roku (rolę tę utworzyły już m.in. Sony, Bank of America i UBS).

Brak struktur kontrolnych paraliżuje wdrażanie autonomicznych systemów w procesach biznesowych: – Zaufanie do autonomii: 37% maruderów cyfrowych deklaruje całkowity brak komfortu przy przekazaniu AI pełnej obsługi interakcji z klientem, wobec zaledwie 4% liderów. – Decyzje strategiczne: 64% prezesów w governed enterprises podejmuje kluczowe decyzje biznesowe w oparciu o rekomendacje generowane przez AI. – Wydatki na agentów AI: Autonomiczni agenci wygenerowali 17% wartości z AI w 2025 roku, z prognozą wzrostu do 29% w 2028 roku. Firmy budujące przewagę alokują 15% budżetu AI w systemy agentyczne, podczas gdy maruderzy nie przeznaczają na ten cel niemal żadnych środków.

Rozbudowa autonomii bez nadzoru generuje jednak lukę operacyjną. Blisko 75% organizacji planuje wdrożenie agentów AI w ciągu dwóch lat, ale tylko 21% dysponuje dojrzałym modelem kontroli. Luka ta tworzy dług agentyczny – dystans między liczbą decyzji przekazanych systemom a zdolnością organizacji do ich rejestracji, weryfikacji i odwrócenia.

Wąskie gardła sieci energetycznych i ukryty koszt zasobów

Ekstrapolacja zapotrzebowania na moc obliczeniową uderza w fizyczne limity sieci elektroenergetycznych i zasobów wodnych. Zapotrzebowanie centrów danych AI w USA wzrośnie dwukrotnie do 2030 roku, osiągając 151 734 MW. Główną barierą staje się brak przepustowości sieci przesyłowych i stacji transformatorowych, co wymusza zmianę lokalizacji inwestycji.

Analizy S&P Global Market Intelligence pokazują, że obciążenie generowane przez infrastrukturę AI przekształca rynek energii. Pojedyncza szafa serwerowa o wysokiej gęstości (high-density rack) pobiera tyle prądu, co 80 do 100 gospodarstw domowych. W efekcie czterech największych hiperskalerów (Amazon, Google, Meta, Microsoft) odpowiada za 87% łącznego zakupu czystej energii przez korporacje w USA, kontraktując m.in. 30 GW mocy z elektrowni jądrowych.

Braki w przepustowości sieci przesyłowych zmuszają inwestorów do poszukiwania autonomii energetycznej: – Generacja własna (behind-the-meter): Zidentyfikowano 134 projekty łączące serwerownie z lokalną generacją prądu (głównie gazową), która do 2030 roku pokryje 25% nowego zapotrzebowania centrów danych. – Lokalne bariery przydziału: Państwowy operator Taipower w Tajwanie wprowadził w maju 2026 roku sztywny limit przydziału mocy na poziomie 5 MW dla nowych centrów danych na północ od Taoyuan, blokując wnioski z powodu przeciążenia sieci. – Ślad wodny chłodzenia: Sektor centrów danych zużywa globalnie ponad 560 miliardów litrów wody rocznie (z prognozą do 1200 miliardów litrów w 2030 roku). Serwerownia o mocy 100 MW zużywa rocznie 2,5 miliarda litrów wody, a chłodzenie ewaporacyjne traci 80% pobranej wody w procesie odparowania.

W Wielkiej Brytanii raport GOV.UK / GDSA prognozuje deficyt wody na poziomie 5 miliardów litrów dziennie do 2050 roku, co generuje ryzyko strat dla gospodarki rzędu 25 miliardów funtów. Mimo to brytyjskie plany Water Resources Management Plans (WRMPs) sfinalizowane w 2025 roku w ogóle nie uwzględniają zapotrzebowania nowo powstających centrów danych AI.

Wstrząsy w łańcuchu dostaw i ekonomia inferencji modeli

Skalowanie modeli czołowych (frontier models) napotyka ekstremalną koncentrację w łańcuchu dostaw sprzętu oraz rosnące koszty trenowania. Obroty towarami wspierającymi AI sięgnęły 3,1 biliona USD w 2024 roku, lecz produkcja zależy od trzech podmiotów. Koszty trenowania modeli rosną w tempie 2,4-krotnie rocznie, grożąc przekroczeniem 1 miliarda dolarów za proces w 2027 roku.

Raport Atradius wskazuje na krytyczne punkty podatności globalnego rynku sprzętowego. NVIDIA posiada ponad 80% udziału w rynku procesorów GPU do zadań AI, holenderski ASML jest jedynym na świecie producentem maszyn litograficznych EUV, a tajwański TSMC wytwarza zdecydowaną większość najnowocześniejszych układów scalonych. Unia Europejska znajduje się w trudnej pozycji strategicznej pomiędzy Azją dominującą w produkcji a USA kontrolującym oprogramowanie i chmurę.

Struktura kosztów trenowania modeli czołowych według publikacji arXiv 2405.21015 przedstawia się następująco: 1. Akceleratory AI i kadry inżynieryjne: Największy udział w budżecie, sięgający dziesiątek milionów dolarów na projekt. 2. Komponenty serwerowe: Od 15% do 22% całkowitych nakładów. 3. Interkonekty klastrowe (interconnect): Od 9% do 13% budżetu. 4. Zużycie energii elektrycznej: Od 2% do 6% bezpośrednich kosztów.

Z drugiej strony wyliczenia Epoch AI wykazują gwałtowny spadek kosztów inferencji. Cena osiągnięcia określonego poziomu wydajności AI spada średnio o 47% kwartalnie (13-krotnie rocznie) od 2023 roku. W momencie rynkowego debiutu nowych modeli SOTA spadek ten sięga aż 66% kwartalnie (75-krotnie rocznie).

Występuje jednak zjawisko podatku tokenizacyjnego (tokenizer tax). Analiza platformy O’Reilly wykazuje, że zapytania w językach mniej reprezentowanych wymagają znacznie większej liczby tokenów do przekazania tej samej treści (np. tekst w języku malajalam wymaga 26 tokenów wobec 13 tokenów po angielsku). Oznacza to bezpośrednio dwukrotnie wyższe koszty operacyjne API dla systemów wielojęzycznych.

Rynek pracy IT: automatyzacja zadań a augmentacja narzędzi

Analiza skutków rynkowych sztucznej inteligencji wymaga rozróżnienia między zastępowaniem zadań wykonywanych przez ludzi a rozbudową narzędzi pracy. Wpływ AI na zatrudnienie i płace zależy od tego, który z tych dwóch kanałów przeważa w danej grupie zawodowej. Badania empiryczne wskazują na przeciwstawne efekty ekonomiczne obu mechanizmów.

Opublikowane przez EconStor badanie (Oleš & Roncone 2026) wyodrębnia kanał automatyzacji (patent-task match) oraz kanał augmentacji (patent-tool match) na próbie rynku pracy w latach 2005 – 2024. Wyniki modeli estymacyjnych wykazują zasadnicze różnice w strukturze płac i zatrudnienia:

Zjawisko to oznacza, że wdrażanie rozwiązań nakierowanych wyłącznie na automatyzację procesów eliminujących pracę ludzką przynosi redukcję etatów bez wzrostu wydajności płacowej. Z kolei narzędzia wspomagające specjalistów podnoszą ich produktywność i stawki rynkowe, co jest szczególnie widoczne w grupie wysoko wykwalifikowanych inżynierów i architektów IT.

Wnioski practical i rekomendacje

• Skonfiguruj wewnętrzny rejestr modeli AI (model inventory) oraz automatyczne limity zapytań (rate limiting) i budżetów tokenów na poziomie mikroserwisów, aby zapobiec niekontrolowanemu wzrostowi kosztów wynikającemu ze zjawiska Paradoxu Jevonsa i niskiej efektywności w długich kontekstach.
• Zweryfikuj zgodność posiadanego stacku technologicznego z wymogami EU AI Act oraz Corporate Sustainability Due Diligence Directive (CSDDD), ze szczególnym uwzględnieniem śledzenia pochodzenia danych i oceny ryzyka socjotechnicznego.
• Zmierz wskaźnik efektywności tokenizacji (tokenizer tax) w aplikacjach wielojęzycznych oraz bilans wodno-energetyczny (WUE/PUE) dostawców chmury i centrów danych przed podpisaniem umów SLA.
• Wdróż strukturę odpowiedzialności z wyznaczonym liderem ryzyka AI (Chief AI Officer lub Head of AI Governance), wyznaczając precyzyjne granice autonomii dla agentów w procesach produkcyjnych i obsłudze klienta.

Źródła

• AI Governance Benchmark
• AI Power Demand: Data Center Growth Strains Global Grids
• Concentration risks in the global AI supply chain – Atradius Dutch State Business
• Environmental Cost of Artificial Intelligence: Carbon, Water, and Land Footprints
• From Stacks to Circuits: A Regenerative Socio- Technical Roadmap for AI Infrastructure within Planetary Boundaries – arXiv
• Report: Water use in AI and Data Centres Executive summary – GOV.UK
• Rewriting Copyright Law for Generative AI Would Hurt Everyone
• The Labor Market Effects of AI Automation and Augmentation – EconStor