Sztuczna inteligencja stała się jednym z głównych tematów w europejskich działach IT, ale ambicje wyraźnie wyprzedzają efekty. Z badania Red Hat wynika, iż 72% firm w regionie EMEA traktuje rozwój narzędzi AI jako priorytet na najbliższe 18 miesięcy, jednak tylko 7% deklaruje, iż AI już dziś przekłada się na wymierną wartość biznesową.
Priorytet w strategii, trudny egzamin w praktyce
Raport Red Hat pokazuje rosnącą presję na wdrożenia AI w przedsiębiorstwach europejskich. Tylko jedna na dziesięć firm nie uwzględnia AI w planach strategicznych na najbliższe półtora roku, a dla większości ankietowanych organizacji rozwój tej technologii ma docelowo wzmocnić konkurencyjność.
Problem polega na tym, iż wiele firm utknęło na etapie przygotowań i pilotaży. Według badania 26% podmiotów w EMEA jest w fazie przygotowań do wdrażania AI, kolejne 34% dopiero szuka konkretnych zastosowań i testuje potencjał w wybranych obszarach. Równocześnie 21% firm deklaruje, iż w perspektywie pięciu lat chce wykorzystywać AI do realnego tworzenia wartości dla klientów, ale na takim poziomie dojrzałości jest dziś zaledwie 7% organizacji.
Ten rozdźwięk jest istotny biznesowo. Oznacza, iż inwestycje w AI często nie przechodzą płynnie od eksperymentów do skalowania, a zarządy widzą rosnące oczekiwania, przy braku twardych wyników. W konsekwencji pojawia się presja na szybsze wdrożenia, lepszy nadzór nad danymi i mocniejsze powiązanie projektów AI z codziennymi procesami firmy, a nie tylko z pojedynczymi demonstracjami technologii.
Silosy, koszty, dane i „shadow AI” poza kontrolą
Red Hat wskazuje, iż jedną z głównych barier skalowania AI jest brak współpracy między zespołami rozwijającymi narzędzia AI a działami IT, na co zwróciło uwagę 30% ankietowanych. Silosy kompetencji, danych i procesów utrudniają przejście od pilotażu do wdrożenia na szeroką skalę oraz komplikują spójne zarządzanie środowiskiem AI.
Wśród kolejnych wyzwań pojawiają się wysokie koszty wdrożenia i utrzymania rozwiązań AI, 29%, obawy o bezpieczeństwo i prywatność danych, 28%, oraz trudności z integracją modeli AI z istniejącymi systemami IT, 27%. Raport sygnalizuje też problem przejrzystości modeli i brak jasnych kryteriów oceny zwrotu z inwestycji, co utrudnia uzasadnianie projektów przed biznesem.
Osobny wątek ma wymiar kompetencyjny, ale nie sprowadza się do braku specjalistów jako takich. Połowa badanych firm wskazuje trudność w łączeniu AI z danymi gromadzonymi w organizacji, 48% dostrzega wyzwanie w efektywnym wykorzystaniu możliwości AI, a 46% nie wie, jak w praktyce wykorzystywać agentów AI. To sugeruje, iż hamulcem jest warstwa wdrożeniowa i operacyjna, czyli wiedza, jak wpiąć AI w realne procesy oraz jak ją utrzymywać, mierzyć i bezpiecznie rozwijać.
Najbardziej niepokojącą konsekwencją luki między ambicją a wykonaniem jest zjawisko „shadow AI”, czyli korzystanie przez pracowników z narzędzi AI poza formalnymi ramami organizacji, bez spójnych zasad i nadzoru. Aż 91% firm w EMEA przyznaje, iż taki proceder występuje, w 42% przypadków obejmuje całą organizację, a w 38% jest widoczny w konkretnych zespołach. Tylko 9% przedsiębiorstw deklaruje pełną kontrolę nad wykorzystaniem AI przez pracowników.
W praktyce oznacza to ryzyko wycieków danych, niejawnych transferów informacji do zewnętrznych usług, rozjazdu standardów jakości oraz trudności w audycie tego, gdzie i po co używa się AI. Jednocześnie skala „shadow AI” potwierdza, iż pracownicy już teraz widzą wartość narzędzi opartych na modelach językowych i szukają przyspieszenia pracy, choćby jeżeli organizacja nie zdążyła przygotować bezpiecznych, firmowych odpowiedników.
Open source jako próba odzyskania kontroli
W odpowiedzi na rosnące potrzeby i ryzyka firmy coraz częściej szukają sposobów, by przyspieszyć wdrożenia i jednocześnie zachować kontrolę. Raport wskazuje, iż jednym z kierunków jest sięganie po rozwiązania oparte na otwartych technologiach. Aż 92% firm w regionie EMEA uznaje wykorzystanie korporacyjnych rozwiązań open source za istotny element strategii AI.
Jako przykład podejścia Red Hat i IBM opisują projekt InstructLab, narzędzie, które ma umożliwiać współtworzenie modeli AI osobom spoza świata data science, poprzez wnoszenie wiedzy dziedzinowej. W ujęciu praktycznym chodzi o to, aby budować mniejsze, bardziej wyspecjalizowane modele pod konkretne zastosowania biznesowe, a przy tym zwiększać przejrzystość i możliwość audytu, co jest ważne w środowisku firmowym.
Z perspektywy rynku sygnał jest czytelny. Europa deklaruje AI jako priorytet, ale jeżeli organizacje nie uporządkują danych, nie zintegrują projektów z istniejącym IT i nie zbudują mierzalnego podejścia do efektów, luka między planami a realną wartością będzie się utrzymywać. A wtedy „shadow AI” nie zniknie, przeciwnie, stanie się codziennym, trudnym do kontrolowania faktem.
