Firma AI-native: dlaczego jest o 25% mniejsza

Badanie Harvard Business School i INSEAD obejmujące blisko 50 000 startupów wykazuje, że przedsiębiorstwa AI-native zatrudniają o 15% mniej kadry kierowniczej i generują o 30% wyższą wycenę w przeliczeniu na pracownika. Zamiast rozbudowywać hierarchię, firmy te przenoszą złożoną wiedzę operacyjną bezpośrednio do kodu produktu, redukując dług technologiczny i koszty komunikacji. Zmiana ta wymusza odejście od sztywnych planów rocznych na rzecz tygodniowych portfeli hipotez i kilkuosobowych zespołów.

Mechanizm rynkowy: jak firmy AI-native zmieniają strukturę zatrudnienia

Tradycyjna struktura korporacyjna powstała, by przesyłać informacje w dużych organizacjach, w których kadra menedżerska agregowała kontekst i przekazywała strategię. Sztuczna inteligencja przejmuje funkcje analityczne i koordynacyjne, co prowadzi do spłaszczenia hierarchii i eliminacji pośrednich warstw zarządzania. Model ten zmienia definicję wydajności oraz strukturę kosztów operacyjnych w przedsiębiorstwach technologicznych.

Badanie przeprowadzone przez naukowców z Harvard Business School (Rembrand Koning) i INSEAD (Hyunjin Kim) na próbie firm z akceleratora Y Combinator (roczniki W20 – F24) oraz bazie PitchBook (2020-2024) pokazuje przekształcenie anatomii organizacji. Przedsiębiorstwa klasyfikowane jako AI-native różnią się od tradycyjnych spółek technologicznych pod względem liczebności, poziomu doświadczenia pracowników oraz podziału ról funkcjonalnych.

Wskaźnik organizacyjny Tradycyjny startup tech Spółka AI-native Różnica wskaźnika
Średnia wielkość zespołu 42,3 pracowników 12,6 pracowników Mniejszy o 25% (przy tej samej branży)
Głębokość hierarchii 5,0 poziomów 3,8 poziomu Spłaszczenie o 0,5 poziomu
Udział inżynierów (Engineering) 35,8% 44,9% Wzrost o 13% (5-18 p.p.)
Udział kadry zarządczej (Managers) 24,2% 17,4% Spadek o 15% (3,7 p.p.)
Udział stanowisk juniorskich (Entry-level) 30,0% 19,0% Spadek o 15% (4,0 p.p.)
Wycena na pracownika (Valuation/Emp) 1,22 mln USD 1,96 mln USD Wyższa o 30% do 76%

Skrajnym przykładem restrukturyzacji hierarchii jest firma Block (kierowana przez Jacka Dorseya), która zredukowała 4 000 etatów. Organizacja skompresowała zarząd do trzech ról operacyjnych: programistów wykonawczych (individual contributors), osób bezpośrednio odpowiedzialnych za wynik (DRIs) pracujących w cyklach 90-dniowych oraz graczy-trenerów (player-coaches) połączonych z pracą inżynieryjną.

Czy sztuczna inteligencja wyeliminuje tradycyjne roczne roadmapy?

Tradycyjna roczna roadmapa produktów cyfrowych przestała spełniać swoją funkcję w otoczeniu dynamicznych zmian rynkowych. Pendo wskazuje, że aż 80% wdrożonych funkcji oprogramowania jest rzadko lub nigdy używanych przez klientów. Blokowanie budżetów i harmonogramów na dwanaście miesięcy tworzy zobowiązania oparte na przedawnionych sygnałach rynkowych.

Sformułowana przez firmę doradczą Format-3 koncepcja adaptacyjnych systemów decyzyjnych wskazuje trzy strukturalne wady tradycyjnej rocznej planometrii produktowej:

  1. Podatek od ponownego planowania (The re-plan tax): Zmiana zatwierdzonego planu wymaga akceptacji zarządu, renegocjacji zależności i skomplikowanej komunikacji z interesariuszami. Zespoły realizują założenia, o których wiedzą, że są błędne, ponieważ koszt modyfikacji planu przekracza koszt pomyłki operacyjnej.
  2. Zeskamieniałe sygnały (Fossilised signals): Publikowana roadmapa bazuje na wywiadach z klientami sprzed miesiąca i danych konkurencyjnych sprzed kwartału, więc jest nieaktualna w momencie rozpoczęcia prac inżynieryjnych.
  3. Teatr przekonań (Conviction theatre): Długoterminowa pewność faworyzuje menedżerów produktów (PM), którzy najbardziej przekonująco demonstrują nierealną pewność na spotkaniach zarządu.

W zamian Format-3 wprowadza model operacyjny oparty na mapach problemów (problem maps) oraz portfelach hipotez (live bet portfolios). Zamiast zakontraktowanej listy funkcji na 12 miesięcy, organizacja definiuje 5 najważniejszych problemów biznesowych uszeregowanych według wpływu na przychody lub marżę. Zespół operacyjny co poniedziałek aktualizuje jednopoziomową listę aktywnych hipotez z nazwanym wskaźnikiem, warunkiem wycofania z prac (kill condition) oraz wyznaczoną datą decyzji. Prace wykonują mikro-zespoły (micro-squads) w składzie: 1 menedżer produktu, 1 projektant i 1 inżynier, którzy otrzymują pełną autonomię, by zweryfikować problem w ciągu kilku dni.

Kanał produktu kontra kanał procesu: skąd bierze się przewaga kapitałowa

Analiza Harvard Business School rozróżnia dwa kanały wpływu sztucznej inteligencji na organizację: kanał procesu oraz kanał produktu. Samo wyposażenie pracowników w narzędzia asystujące nie generuje trwałych oszczędności etatowych. Przełom wydajnościowy następuje wtedy, gdy możliwości modeli generatywnych zostają wbudowane bezpośrednio w sprzedawany produkt cyfrowy.

W badaniach Harvard Business School zmierzono różnicę między wewnętrznym użyciem narzędzi (kanał procesu) a architekturą samego oprogramowania (kanał produktu):

  • Kanał procesu (AI Process): Wdrożenie wewnętrznych asystentów, takich jak ChatGPT, GitHub Copilot czy Cursor, podnosi indywidualną szybkość pracy, ale w modelach regresyjnych nie wyjaśnia spadku liczby etatów ani spłaszczenia struktury.
  • Kanał produktu (AI Product): Przeniesienie kompetencji wykonawczych bezpośrednio do aplikacji pozwala skalować obroty mocą obliczeniową (compute) zamiast przyrostem personelu.

Rozkład rynkowy startupów AI-native analizowany przez Harvard Business School wykazuje następujące kategorie produktów: – 43% – Produkty autonomiczne (Autonomous workflow): Aplikacje zastępujące całe role operacyjne. Przykładowo FazeShift automatyzuje pełny cykl rozrachunków (Accounts Receivable), a Artisan zastępuje przedstawicieli handlowych w zadaniach outbound. – 24% – Wspomaganie ekspertów (Expert augmentation): Narzędzia rozszerzające wydajność specjalistów, np. Tower przyspieszający due-diligence w kancelariach prawnych. – 15% – Infrastruktura AI (AI infrastructure): Platformy takie jak Exa czy Roboflow, dostarczające interfejsy API do budowy modeli.

Efekt ten jest najbardziej widoczny w sektorze dostarczania usług (services-delivery), obejmującym opiekę zdrowotną, edukację czy prawo. W tym obszarze spółki AI-native są o 70% mniejsze od swoich tradycyjnych odpowiedników. Przykładowo platforma egzaminacyjna Educato AI zatrudnia 7 pracowników, podczas gdy tradycyjny podmiot Careerist skalujący się siecią korepetytorów zatrudnia 912 osób.

Ryzyka operacyjne i architektura zespołów typu Lean Core

Przejście na model autonomiczny wiąże się z ryzykami technicznymi i strukturalnymi. Wzrost wydajności kodowania nie przekłada się automatycznie na wzrost objętości pisanego kodu, lecz na gęstość dostarczanej wartości. Organizacja musi równolegle zmieniać procesy i kompetencje ludzkie, unikając wąskich gardeł decyzyjnych.

W trwającym 13 miesięcy badaniu podłużnym opublikowanym w serwisie arXiv przeanalizowano wdrożenie narzędzi generatywnych w zespołach programistycznych dużej firmy doradztwa technologicznego. Wyniki wykazały zjawisko określane jako rozbieżność P-A-E (Performance – Activity – Efficiency divergence):

  • Wydajność zespołu (Performance): Liczba zrealizowanych punktów historii (story points) wzrosła o 59,1% (z 281 do 447 punktów).
  • Aktywność inżynierów (Activity): Objętość pisanego kodu wyrażona liczbą zmienionych linii (committed lines of code) pozostała na niezmienionym poziomie (statystycznie nieistotne p > 0,05).
  • Szybkość i przepływ (Efficiency): 82% deweloperów zgłosiło spadek rutynowych prac i skrócenie czasu szukania informacji w dokumentacji.

Jednocześnie badania nad wieloagentowymi ramami architektonicznymi (Agentic AI Frameworks) wskazują, że pełna autonomia wymaga rozdzielenia ról między wyspecjalizowanych agentów: Planning Agent (planowanie), Execution Agent (generowanie kodu), Validation Agent (testowanie), Governance Agent (zgodność i bezpieczeństwo) oraz Learning Agent (optymalizacja). Zastosowanie takiego układu w testowych środowiskach mikrousługowych przyniosło 38% wzrostu produktywności, 41% redukcji defektów, 47% skróconego czasu wdrażania (deployment speed) oraz 35% wyższej zgodności z normami bezpieczeństwa.

Z punktu widzenia zarządzania budżetem i komunikacją głównym ograniczeniem staje się narzut weryfikacyjny (validation overhead) oraz narzut komunikacyjny. Według danych Breakfast Digital w zespole 10-osobowym występuje 45 relacji komunikacyjnych, podczas gdy w zespole 4-osobowym liczba ta spada do 6 relacji. Zmiana ta umożliwia wdrożenie struktury Lean Core, składającej się z czterech ról:

  • Product Owner: Wyznacza priorytety biznesowe.
  • Product Architect: Tworzy funkcjonalny blueprint i strukturę danych jako Single Source of Truth dla modeli AI.
  • Product Engineer: Doświadczony inżynier wdrażający funkcjonalności przy pomocy agentów kodujących.
  • Domain Expert / AI Capability: Ekspert dziedzinowy dbający o dopasowanie rozwiązań do realiów rynkowych.

Wnioski praktyczne i rekomendacje

  • Skonfiguruj tygodniowy portfel hipotez (live bet portfolio) w miejsce rocznej roadmapy; zawrzyj w nim hipotezę, obserwowaną metrykę biznesową, warunek natychmiastowego zamknięcia (kill condition) oraz sekcję odrzuconych projektów.
  • Zmierz wskaźnik zwrotu z użycia modeli (token ROI) oraz wydajność wyrażoną gęstością dostarczanej wartości na linię kodu, zastępując tradycyjne wskaźniki czystej objętości pracy.
  • Zweryfikuj skład zespołów inżynieryjnych i przekształć je w 4-osobowe jednostki typu Lean Core (Product Owner, Product Architect, Product Engineer, Domain Expert), redukując wewnętrzne linie komunikacyjne z 45 do 6.
  • Wdróż automatyczne agenty walidacyjne i zarządcze (Governance Agents) w potoku DevSecOps przed udostępnieniem narzędzi generatywnych, ograniczając ryzyko wprowadzenia podatności i obniżając narzut weryfikacyjny.

Źródła

Przemysław Majdak

Przemysław Majdak · AI Automation Engineer

Założyciel Baluarte i wydawca BitBiz.pl. Członek ISSA Polska. Ekspert z 18-letnim stażem w branży IT — wdraża bezpieczne automatyzacje AI, systemy full-stack i zaawansowane procedury cyberbezpieczeństwa dla firm. Wszystkie artykuły autora →

2 odpowiedzi

💬 Kliknij tutaj, aby dodać komentarz

Dodaj komentarz

Twój adres email nie zostanie opublikowany. Wymagane pola są oznaczone *

  1. Awatar KasiaZpodlasia
    KasiaZpodlasia

    Ile z tej różnicy utrzymałoby się przy porównaniu z firmami w tym samym momencie wzrostu, a nie tylko z firmami, które wyszły z akceleratora w małym składzie? Część „przewagi” może wynikać z tego, jak te spółki startowały, a nie z architektury.

  2. Awatar Wiktor

    Wartość 30% wyższej wyceny na pracownika przy 12,6 osobach w zespole to też efekt tego, że rundy finansowania liczą się od kapitału, a nie od etatów, więc mała załoga po prostu zawyża wskaźnik. 😅