Najważniejsze wnioski
Większość organizacji nie jest w stanie wykazać finansowego wpływu sztucznej inteligencji, ponieważ nie dokonała pomiaru danego procesu przed wdrożeniem tej technologii. Brakuje punktu odniesienia i dowodów – pozostaje jedynie to, co akurat udało się zaprezentować podczas demonstracji.
Wspólna platforma, warstwa danych lub zespół ds. integracji są oceniane na podstawie własnych, słabych wyników, podczas gdy przypadki użycia, które od nich zależą, są oceniane na podstawie swoich własnych wyników. Obie te wartości są błędne.
Projekty pilotażowe często są wdrażane na większą skalę nie dlatego, że się sprawdziły, ale dlatego, że nikt nie zdefiniował, co oznacza sukces, zanim pojawiły się wyniki. Bez tego progu niemal każdy wynik można po fakcie przedstawić jako sukces.
Analizy biznesowe oparte na jednej optymistycznej liczbie są zazwyczaj zapożyczone z benchmarków innych podmiotów. Znacznie lepszym podejściem jest praca w przedziale wartości – uwzględniając scenariusz optymistyczny i konserwatywny – oraz planowanie w oparciu o scenariusz konserwatywny.
Organizacje przekształcające sztuczną inteligencję w EBIT wyceniają ją jako portfel, w ramach którego jedna osoba ponosi odpowiedzialność za wynik finansowy, a nie jako zbiór niezależnie bronionych projektów pilotażowych.
Jedyną decyzją, która decyduje o tym, czy transformacja oparta na sztucznej inteligencji nabiera tempa, czy też ulega zastojowi, jest kwestia odpowiedzialności: kto ponosi odpowiedzialność za wyniki finansowe portfela i ma uprawnienia do wstrzymania działań, które nie przynoszą oczekiwanych rezultatów.
Dla średnich i dużych przedsiębiorstw, które modernizują systemy legacy, wdrażają AI/ML i optymalizują operacje w chmurze w takich sektorach jak finanse, ubezpieczenia, utilities, media, motoryzacja i opieka zdrowotna, ta luka jest kosztowna. Obiecujące projekty pilotażowe zamieniają się w rozproszone inwestycje, które nie przekładają się na EBIT na poziomie całej firmy, nawet jeśli jakość delivery rośnie.
BARC i Domino Data Lab ujęły to w liczbach: 57% przedsiębiorstw nadal zgłasza, że zwroty z inwestycji w AI nie przewyższają nakładów, a wskaźnik ten nie zmienił się od 2025 r., mimo że 93% twierdzi, iż ich rozwiązania AI działają obecnie w środowisku produkcyjnym bardziej niezawodnie. Firma McKinsey ustaliła, że jedynie 39% organizacji może w ogóle przypisać sztucznej inteligencji jakikolwiek wpływ na EBIT na poziomie przedsiębiorstwa, a większość z tej grupy przypisuje jej mniej niż 5%. Choć AI działa stabilniej, powiązanie tego z zyskiem się nie zmieniło.
Dlaczego mocne ROI z AI w pojedynczych use case'ach tak rzadko sumuje się do zwrotu na poziomie całego przedsiębiorstwa?
Dlaczego mocne ROI z AI w pojedynczych use case'ach tak rzadko sumuje się do zwrotu na poziomie całego przedsiębiorstwa?
Dziś rzadko zdarza się, żeby klient przychodził z listą udanych projektów pilotażowych. Częściej jest to lista pomysłów na projekty pilotażowe, a wraz z nią trudniejsze zadanie: ustalenie, które use case’y w całej organizacji warto objąć pilotażem. Bardzo często widzę za to rozproszone eksperymenty poza jakimkolwiek governance: zespoły wypróbowujące narzędzia niezależnie od nadzoru działu IT, często bez jasnego planu policzenia ROI z AI i bez wiedzy przełożonych o skali tych działań.
Gdy projekt pilotażowy już się odbył, moje pierwsze pytanie nie dotyczy wyniku. Jest prostsze: pokaż mi stan procesu przed rozpoczęciem projektu, zmierzony i poparty źródłem. Jeśli takiego baseline’u nie ma, nie da się udowodnić, że projekt pilotażowy wpłynął na wynik finansowy, można jedynie stwierdzić, że zrobił dobre wrażenie.
To rozróżnienie ma znaczenie, bo są trzy sygnały ostrzegawcze, które widać wcześnie i nie wymagają czekania na raport kwartalny.
Trzy sygnały ostrzegawcze wskazujące, że projekt pilotażowy nie da się wdrożyć na większą skalę
- Sukces mierzony aktywnością, a nie wynikiem. Stwierdzenie „80% zespołu z tego korzysta” opisuje stopień wdrożenia, a nie wartość.
- Za projekt pilotażowy odpowiada dział IT lub dział ds. innowacji, a nie właściciel procesu, który ponosi odpowiedzialność za wyniki finansowe danego przepływu pracy.
- Korzyść jest wyrażona wyłącznie w zaoszczędzonych godzinach, bez żadnej wzmianki o tym, co się dzieje z tymi godzinami.
Ten ostatni punkt powoduje niepowodzenie większej liczby programów, niż można by się spodziewać.
Projekt pilotażowy dowodzi, że technologia działa, ale nie potwierdza, że organizacja może odnieść korzyści z jej wykorzystania. Są to dwa różne rodzaje dowodów, a większość organizacji gromadzi jedynie ten pierwszy.
Badania przeprowadzone w ramach projektu NANDA na MIT wprowadzają tu pewne istotne komplikacje. Ich szeroko cytowane ustalenie, że 95% projektów pilotażowych dotyczących generatywnej sztucznej inteligencji nie wykazuje żadnego wymiernego wpływu na wyniki finansowe, jest często interpretowane jako werdykt dotyczący samej technologii. Nie do końca tak jest. Badacze wskazują na lukę w nauce (narzędzia, które nie zapamiętują informacji zwrotnych i wymagają ciągłego ponownego instruowania) oraz słabą integrację z istniejącymi procesami pracy jako główne przyczyny, obok braku punktu odniesienia. Po połączeniu tych czynników otrzymujemy pełniejszy obraz sytuacji: narzędzia te często nie są wkomponowane w sposób wykonywania pracy, a nawet tam, gdzie są, nikt nie zapisał, jak wyglądała sytuacja „przedtem”.
Dlaczego przez koszty wspólnych fundamentów każdy business case dla AI wygląda lepiej, niż wygląda portfel jako całość?
Dlaczego przez koszty wspólnych fundamentów każdy business case dla AI wygląda lepiej, niż wygląda portfel jako całość?
Oto schemat, który wielokrotnie obserwuję w organizacjach, które później twierdzą, że sztuczna inteligencja „się nie opłaca”: ograniczają finansowanie właśnie tych inicjatyw, które nigdy nie miały przynosić samodzielnego zwrotu z inwestycji. Miały one stanowić fundament, na którym opierało się wszystko inne.
Podstawowa funkcjonalność, wspólna platforma danych, warstwa integracyjna czy przejrzysty system ewidencyjny rzadko same w sobie przynoszą imponujący zwrot z inwestycji. To infrastruktura, a jej rzeczywisty koszt jest zazwyczaj wyższy niż wynika to z dokumentacji, gdy uwzględni się przygotowanie danych, szkolenia pracowników, licencje oraz bieżącą konserwację.
Jej zadaniem jest sprawienie, by kilka innych zastosowań przebiegało szybciej, taniej lub w ogóle stało się możliwe. Gdy ocenia się ją tą samą miarą co samodzielny use case, przegrywa i często jest pierwszą pozycją wykreślaną podczas przeglądu kosztów, właśnie dlatego, że nikt nie potrafi wskazać pozycji w P&L, która należałaby wyłącznie do niej.
Potwierdzają to dane dotyczące kosztów. Badania przeprowadzone przez FinOps Foundation wykazały, że 98% specjalistów aktywnie zarządza obecnie wydatkami na AI, co stanowi znaczny wzrost w porównaniu z 63% rok wcześniej, jednak średnio potrafią oni przypisać jedynie 40-60% tych wydatków do konkretnego zespołu, produktu lub use case’u. Organizacja zna całkowitą kwotę. Nie wie jednak, kto jest za nią odpowiedzialny.
W praktyce najwyraźniejszym wskaźnikiem nie jest faktura, ale to, kto o to pyta:
- Kto zadaje pytanie o koszty. Gdy pytanie „ile faktycznie wydajemy na AI?” pada z ust dyrektora finansowego (CFO), a nie dyrektora ds. technologii (CTO), organizacja już pozostaje w tyle; zdrowa organizacja zna tę kwotę, zanim ktokolwiek musi o nią zapytać.
- Koszt, którego nie da się przypisać konkretnemu właścicielowi. Jeśli faktury nie da się powiązać z zespołem ani procesem, nikt nie może zdecydować, co wyłączyć, a zarządzanie kosztami sprowadza się do automatycznego odnawiania subskrypcji.
- To samo zadanie, zrealizowane trzy razy. Przykładem może być etap OCR (optycznego rozpoznawania znaków) lub klasyfikator dokumentów powielony w różnych zespołach, które nigdy nie porównywały swoich notatek – widoczne w wykazie przypadków użycia na długo przed tym, zanim pojawią się w danych liczbowych.
- Nikt nie potrafi wskazać, kto wycofuje narzędzie z użytku. Zapytaj, kto ma uprawnienia do wyłączenia czegoś, z czego nikt nie korzysta. Odpowiedzią będzie cisza.
Jak fragmentacja toolchainu po cichu obniża ROI inicjatyw AI wraz z ich skalowaniem?
Jak fragmentacja toolchainu po cichu obniża ROI inicjatyw AI wraz z ich skalowaniem?
Matematyka w tym przypadku nie pozostawia miejsca na kompromisy. Jeden use case może wymagać integracji pięciu narzędzi. Dziesięć use case’ów tworzy około pięćdziesięciu punktów integracji. Sto use case’ów to już coś, czego żadna organizacja nie jest w stanie utrzymać bez dedykowanego zespołu, a wtedy fragmentacja przestaje być centrum kosztów i staje się ograniczeniem dla wszystkich pozostałych działań.
Badanie Deloitte z 2025 roku na ten temat jest jednoznaczne: organizacje pozostające w tyle pod względem ROI z AI korzystają z rozdrobnionych toolchainów, które wymagają ciągłej ręcznej interwencji, podczas gdy te, które odnotowują wymierne zyski, zainwestowały zamiast tego w zintegrowane platformy. To bezpośredni, mechaniczny skutek powyższej kombinatoryki. Dlatego fragmentacja nie objawia się stagnacją, lecz odwróceniem trendu. Każda dodatkowa integracja point-to-point to kolejna rzecz, która może się po cichu zepsuć, kolejne miejsce, w którym koszt pozostaje niewidoczny, dopóki ktoś go nie uzgodni, i kolejny powód, dla którego to samo zadanie jest budowane od nowa, bo nikt nie ufa istniejącej wersji albo nie potrafi jej znaleźć.
Dlaczego pułapka „imponującego projektu pilotażowego” zatrzymuje ROI z AI na poziomie pojedynczych use case'ów?
Dlaczego pułapka „imponującego projektu pilotażowego” zatrzymuje ROI z AI na poziomie pojedynczych use case'ów?
Najczęstszym powodem, dla którego projekt pilotażowy jest skalowany, choć nie powinien, nie jest to, że sam projekt był nieudany. Chodzi raczej o to, że kryteria sukcesu zostały sformułowane dopiero po uzyskaniu wyników. Jeśli próg nie został ustalony na początku, niemal każdy wynik można przedstawić jako sukces, i często tak się dzieje.
Istnieje powiązany z tym schemat, który warto nazwać ostrożnie, ponieważ nie chodzi tu tyle o osąd jednej osoby, co o to, jak optymizm narasta w trakcie realizacji programu. Gdy business case opiera się na pojedynczej wartości docelowej, a nie na przedziale, ta liczba zazwyczaj oznacza, że nikt jej nie obliczył: została pożyczona z komunikatu prasowego konkurenta albo z branżowego benchmarku i przedstawiona jako plan.
Wybór konserwatywnej wartości z tego przedziału, zamiast opierania się na scenariuszu optymistycznym, to niewielka dyscyplina, która pozwala uniknąć wielu rozczarowań w dalszej części procesu. Pozostawia to również widoczną przestrzeń na dalsze ulepszanie wyników poprzez lepsze wdrożenie, lepsze dane i lepsze dostosowanie, zamiast traktowania pierwszego wyniku jako pułapu.
Nie jest to zresztą problem wyłącznie branży AI. Raporty dotyczące korporacyjnych programów AI opisują organizacje prowadzące dziesiątki, a czasem setki równoległych projektów pilotażowych bez wspólnych kryteriów oceny, gdzie aktywność przeważa nad odpowiedzialnością. Znany przypadek Klarny to pouczający przykład odwrotnego scenariusza porażki: projekt pilotażowy, który został z powodzeniem przeskalowany pod jednym względem (liczba rozpatrzonych spraw, koszt jednej interakcji), podczas gdy wskaźnik istotny dla klientów, czyli jakość obsługi, pozostawał niezmierzony, aż do wyraźnego pogorszenia.
Firma później wycofała się z części tych działań i ponownie zatrudniła pracowników. Wniosek nie polega na tym, że rozszerzenie projektu pilotażowego było błędem. Chodzi o to, że „sukces” zdefiniowano na tyle wąsko, że rzeczywisty koszt stał się widoczny dopiero po fakcie.
Co odróżnia przedsiębiorstwa, które przekładają ROI z AI na EBIT, od tych, którym się to nie udaje?
Co odróżnia przedsiębiorstwa, które przekładają ROI z AI na EBIT, od tych, którym się to nie udaje?
Badanie BCG The Widening AI Value Gap wykazało, że firmy „future-built”, czyli te, które systematycznie budują zaawansowane możliwości AI w wielu funkcjach i konsekwentnie generują z nich wartość, a stanowią zaledwie 5% spośród 1 250 badanych przedsiębiorstw, odnotowują 1,7-krotnie większy wzrost przychodów i 1,6-krotnie wyższą marżę EBIT w porównaniu z organizacjami rozwijającymi się wolniej. Wiele osób zakłada, że przewaga wynika z przeprowadzania większej liczby projektów pilotażowych. Tak jednak nie jest. Tym, co odróżnia firmy future-built od pozostałych, są zintegrowane środowiska danych, zdefiniowana roadmapa, formalne governance oraz kultura organizacyjna gotowa na wprowadzenie zmian, a nie tylko na ich zatwierdzanie.
Ocena gotowości do wdrożenia sztucznej inteligencji
Zdobądź jasny obraz tego, w jakim stopniu Twoje dane są przygotowane do wspierania i rozbudowywania inicjatyw związanych ze sztuczną inteligencją w Twojej organizacji.
JPMorgan to znany większości osób przykład skalowania: firma ta realizuje kilkaset use case’ów AI na jednej, ujednoliconej platformie danych, a jej deklarowanym celem jest osiągnięcie tysiąca do końca 2026 roku. Bank DBS stanowi rzadziej przytaczany, ale trafniejszy przykład tego mechanizmu: wspólna infrastruktura danych i komponentów AI wielokrotnego użytku skróciła czas wprowadzania nowych use case’ów na rynek z około piętnastu miesięcy do poniżej trzech, właśnie dlatego, że każdy nowy use case nie zaczynał od zera, a wspólne komponenty były wykorzystywane ponownie zamiast budowane od nowa dla każdego z nich.
W organizacjach, którym się to udaje, w skali, z jaką zazwyczaj pracujemy (średnie i duże przedsiębiorstwa, a nie rozrośnięte korporacje wielonarodowe), widzimy trzy nawyki:
- Mierzą wyniki w kategoriach portfeli, a nie pojedynczych przypadków. Jedna lista, jedna spójna struktura wyceny każdego wpisu (punkt odniesienia, wartość, wpływ na EBITDA, klasyfikacja jako OPEX czy CAPEX), dzięki czemu przypadki są rzeczywiście porównywalne, a nie każdy z nich broni własnej narracji.
- Traktują czynniki wspomagające jako czynniki wspomagające. Przypadek podstawowy (jakość danych, integracja, przejrzysty rejestr) nie jest klasyfikowany niżej niż przypadki, które od niego zależą, nawet jeśli jego samodzielny zwrot z inwestycji wygląda na słaby na papierze.
- Odpowiedzialność spoczywa na właścicielu procesu, a nie na właścicielu technologii. Ta sama osoba, która zatwierdza skalowanie, odpowiada za wynik rok później.
Jakie zmiany w governance i pomiarze realnie przenoszą ROI z AI na poziom przedsiębiorstwa?
Jakie zmiany w governance i pomiarze realnie przenoszą ROI z AI na poziom przedsiębiorstwa?
Z badania IBM wśród 2000 CEO wynika, że 65% z nich deklaruje, że ich organizacje ustalają priorytety use case’ów na podstawie ROI. Jednak w tej samej ankiecie tylko 25% inicjatyw AI przyniosło oczekiwany zwrot, a zaledwie 16% przeskalowano na całe przedsiębiorstwo. Okazuje się, że deklarowanie priorytetyzacji i jej stosowanie to dwie różne dyscypliny.
Wskaźniki, które warto monitorować, można wyraźnie podzielić według poziomu:
- Poziom firmy, kwartalnie: skonsolidowany wpływ portfela AI na EBITDA (nie jest to suma poszczególnych obietnic); całkowity koszt AI wraz z odsetkiem tego kosztu faktycznie przypisanym właścicielowi; liczba przypadków użycia w produkcji w porównaniu z celowo wstrzymanymi; średni czas od pomysłu do decyzji o skalowaniu lub wstrzymaniu projektu.
- Poziom portfela: okres zwrotu z inwestycji dla każdego przypadku, struktura relacji OPEX do CAPEX oraz odsetek przypadków opartych na twardej, wyliczonej przez system wartości bazowej, a nie na deklarowanej.
- Poziom przypadku użycia: to, co większość zespołów już monitoruje – dokładność, czas obsługi, wolumen. Ta warstwa nigdy nie stanowiła problemu, ale pomiar ROI w tym obszarze oznacza oddzielenie wydajności technicznej od wpływu operacyjnego, tak aby jakość modelu nie była mylona z wartością biznesową.
Ponad 1 mld funtów brytyjskich w rezerwacjach, 90% parametrów kampanii zautomatyzowanych
ITV potrzebowało platformy do zarządzania reklamami, która wyeliminowałaby ręczne czynności, nie zwiększając przy tym złożoności procesu. Stworzyliśmy Planet V przy udziale dwóch zespołów międzyfunkcyjnych. Obecnie platforma obsługuje ponad 1 000 użytkowników miesięcznie i ponad 200 agencji, a prognozy oparte na uczeniu maszynowym przewyższają ludzkie przewidywania o 20%.
Jak obliczyć ROI z AI na poziomie portfela?
Jak obliczyć ROI z AI na poziomie portfela?
Sama formuła jest prosta: zysk finansowy netto wynikający z zastosowania AI podzielony przez całkowity koszt wdrożenia. Tym, co sprawia organizacjom trudności, nie jest sama matematyka, lecz to, jakie elementy uwzględnia się po każdej ze stron równania oraz czy formuła ta jest stosowana w sposób spójny.
Dla pojedynczego use case’u to obliczenie jest proste i większość zespołów radzi sobie z nim całkiem nieźle. W przypadku portfela oznacza to przeprowadzenie tego samego obliczenia dla każdego use case’u przy użyciu jednej spójnej struktury, tak aby rzeczywisty koszt fundamentu i rzeczywista korzyść z zależnego use case’u nie zostały podwójnie uwzględnione ani całkowicie pominięte. To właśnie ta spójność, bardziej niż sama formuła, sprawia, że zbiór pojedynczych, wiarygodnych liczb przekształca się w cel biznesowy, z którego można organizację rozliczyć.
Co powinno zmienić kierownictwo, żeby ROI z AI nie utykało na poziomie pojedynczych use case'ów?
Co powinno zmienić kierownictwo, żeby ROI z AI nie utykało na poziomie pojedynczych use case'ów?
Gdybym miał wskazać jedną decyzję, od której zależy, czy to wszystko się wydarzy, byłaby to ta: wyznaczenie właściciela wyniku. Liderzy biznesowi powinni traktować AI jako decyzję dotyczącą portfela, a nie luźny zbiór projektów pilotażowych. Potrzebna jest osoba z imienia i nazwiska, która odpowiada za P&L i wynik finansowy portfela AI oraz ma prawo wstrzymać inicjatywy, które nie zasługują na swoje miejsce.
Ta decyzja waży więcej niż dokumenty strategiczne, wybór platformy czy frameworki governance, a powód jest prosty. Strategię można spisać, platformę kupić, a proces governance wypracować w komitecie.
Każdy z tych wątków sprowadza się do tej samej decyzji, tylko widzianej z innej strony:
- Finansować wspólną platformę jako infrastrukturę, a nie jako use case konkurujący o własną linię ROI.
- Wprowadzić prawdziwą bramkę decyzyjną przed skalowaniem, opartą na dowodach, a nie na dobrym demo i przekonującym sponsorze, oraz uczciwie rozliczać koszty współdzielone i zduplikowane.
- Traktować cały obszar AI jako portfel z jednym odpowiedzialnym właścicielem, a nie jako zbiór projektów pilotażowych, z których każdy broni własnego istnienia.
Organizacje, które przekraczają barierę przypadków użycia, to nie te, które prowadzą najwięcej działań w zakresie sztucznej inteligencji. To te, które wcześnie zdecydowały, kto ponosi odpowiedzialność za wynik.
Najczęściej zadawane pytania
Co można uznać za dobry baseline do pomiaru ROI z AI?
Wartość odniesienia to wydajność procesu zmierzona przed wprowadzeniem sztucznej inteligencji, oparta na konkretnym źródle, a nie na wspomnieniach czy szacunkach. Powinien być na tyle konkretny, aby można go było później porównać, wykorzystując te same wskaźniki KPI przed i po wdrożeniu, tak aby każdą zmianę można było powiązać z konkretną przyczyną: kosztem na jednostkę pracy, czasem cyklu, wskaźnikiem błędów lub czymkolwiek, co faktycznie stanowi główny wynik procesu. Bez tego każda wartość po wdrożeniu jest jedynie twierdzeniem, a nie wynikiem.
Dlaczego projekty pilotażowe AI udają się technicznie, a mimo to nie pokazują ROI?
Najczęściej wynikało to z faktu, że sukces mierzono w kategoriach aktywności (wdrożenie, wykorzystanie, zaoszczędzone godziny), a nie w kategoriach wyników finansowych powiązanych z kosztami lub przychodami, a także z braku punktu odniesienia, z którym można by porównać wyniki. Badanie IBM „CEO 2025” wykazało, że w ostatnich latach tylko 25% inicjatyw związanych ze sztuczną inteligencją przyniosło oczekiwany zwrot z inwestycji (ROI), a zaledwie 16% z nich zostało wdrożonych w skali całego przedsiębiorstwa. Projekt pilotażowy może wykazać, że technologia działa bez zarzutu, a mimo to organizacja nadal nie jest w stanie wykazać, jaką wartość to miało.
Czym różni się ROI z AI na poziomie portfela od ROI pojedynczego use case'u?
Wskaźnik ROI dla pojedynczego przypadku użycia odpowiada na pytanie, czy dana inicjatywa zwróciła się sama w sobie. Wskaźnik ROI dla portfela odpowiada natomiast na pytanie, czy całość zasobów AI, w tym wspólna infrastruktura, z której korzystają poszczególne przypadki, ale za którą nie płacą bezpośrednio, przyniosła wynik finansowy netto – obliczony poprzez porównanie całkowitych kosztów z całkowitymi korzyściami w całym portfelu, a nie tylko w ramach jednego projektu pilotażowego. Podejście portfelowe jest jedynym sposobem na uniknięcie likwidacji podstawowych możliwości z powodu braku zwrotu, którego nigdy nie miały one przynosić samodzielnie.
Jakie wskaźniki ROI z AI powinno monitorować kierownictwo?
Przynajmniej: wpływ skonsolidowanego wskaźnika EBITDA z portfela rozwiązań opartych na sztucznej inteligencji, całkowity koszt monitorowany w sposób spójny w zakresie licencji, infrastruktury chmurowej i konserwacji, udział tego kosztu przypisany konkretnemu właścicielowi, liczba przypadków użycia w środowisku produkcyjnym w porównaniu z celowo wstrzymanymi oraz średni czas od pomysłu do podjęcia decyzji o skalowaniu lub wstrzymaniu projektu. Liczba celowo wstrzymanych projektów pilotażowych stanowi szczególnie dobry wskaźnik tego, czy pomiary są wiarygodne.
Kto powinien odpowiadać za ROI z AI w przedsiębiorstwie?
Najlepiej, aby była to jedna osoba odpowiedzialna za wyniki finansowe portfela projektów związanych ze sztuczną inteligencją (AI) oraz posiadająca uprawnienia do wstrzymania inicjatyw, które nie uzasadniają swojego istnienia. Przeniesienie odpowiedzialności na właściciela procesu, a nie na dział technologiczny, zazwyczaj przynosi bardziej rzetelne i trwałe wyniki, zwłaszcza gdy osoba ta nadzoruje również wdrażanie oraz pełne koszty eksploatacji stworzonego rozwiązania, a nie tylko koszty jego budowy.
