Rynek AI bardzo szybko dojrzewa. Jeszcze niedawno niemal każda rozmowa zaczynała się od dema, proof of concept albo kilku efektownych promptów. Dziś to już nie wystarcza. Firmy nie pytają wyłącznie, czy model „potrafi”. Pytają, czy rozwiązanie da się bezpiecznie osadzić w procesie, zintegrować z istniejącą architekturą, zasilić dobrymi danymi i utrzymać w produkcji bez chaosu kosztowego, operacyjnego i regulacyjnego.

To jest najważniejsza zmiana po pierwszej fali hype’u wokół LLM-ów. Sam model stał się bardziej dostępny, a prawdziwa przewaga wróciła do fundamentów. Dziś wartość nie powstaje już na poziomie samego dostępu do technologii. Powstaje tam, gdzie AI styka się z danymi, procesem, bezpieczeństwem, odpowiedzialnością i realnym wynikiem biznesowym.

Analitycy McKinseya pokazują, że adopcja AI rośnie bardzo szybko, ale dojrzałość wdrożeniowa za tym nie nadąża. W najnowszym badaniu ponad trzy czwarte organizacji deklaruje użycie AI w co najmniej jednej funkcji biznesowej, a 71 proc. regularne użycie GenAI. Jednocześnie mniej niż jedna trzecia firm stosuje większość praktyk potrzebnych do skutecznego wdrażania i skalowania GenAI, a mniej niż jedna piąta dobrze śledzi KPI dla tych rozwiązań. Innymi słowy, narzędzia weszły do firm szybciej niż kompetencje i procesy potrzebne do tego, żeby zamienić eksperyment w powtarzalną wartość.

Dla partnerów IT, integratorów, VAR-ów i dostawców usług zarządzanych ten sygnał jest bardzo konkretny. Kończy się epoka, w której dało się wygrać rozmowę samym hasłem „wdrażamy AI”. Taką deklarację może dziś złożyć prawie każdy. Jednak coraz mniej klientów kupuje obietnicę, natomiast rośnie odsetek takich, którzy kupują zdolność do ograniczenia ryzyka, skrócenia czasu dojścia do produkcji i uporządkowania całego środowiska wokół modelu.

Od demonstracji do wdrożenia

Największa różnica między demem a wdrożeniem nie leży w samym modelu. Leży w tym, co dzieje się wokół niego. Prototyp można dziś zbudować relatywnie szybko, korzystając z gotowego API i dobrze przygotowanych promptów. Produkcyjne wdrożenie wymaga już czegoś zupełnie innego: jakości danych, kontroli dostępu, integracji z systemami klienta, monitoringu odpowiedzi, monitoringu kosztów, testów, polityk bezpieczeństwa i jasnej odpowiedzialności za wynik.

W praktyce właśnie tu wykłada się wiele projektów AI. Nie na samym modelu, lecz na warstwie organizacyjnej. W architekturach RAG bardzo często nie zawodzi sam LLM. Zawodzą źródła, z których korzysta. Jeśli dokumenty są nieaktualne, rozproszone, źle opisane albo niespójne, model nie naprawi tego problemu. On go tylko ubierze w bardziej przekonujące zdanie. To jest dzisiaj jedna z najważniejszych prawd o rynku AI. W AI najdroższy nie jest błąd modelu. Najdroższy jest błąd procesu, który model wzmacnia. Właśnie dlatego wartość przesuwa się z warstwy narzędziowej do wdrożeniowej. Klient nie potrzebuje dziś kolejnej prezentacji o możliwościach modelu. Potrzebuje odpowiedzi na dużo trudniejsze pytania.

Które kompetencje naprawdę rosną?

Jeżeli spojrzeć na rynek bez marketingowego filtra, to rośnie dziś nie tyle popyt na ogólne „role AI”, ile na kompetencje potrzebne do złożenia działającego systemu. Najprościej opisać je w czterech warstwach: dane, integracja, AI engineering i MLOps, jak też bezpieczeństwo, compliance i governance (patrz ramka).

To nie jest tylko intuicja rynku. WEF wskazuje AI i big data oraz networks i cybersecurity jako jedne z najszybciej rosnących obszarów kompetencji do 2030 r. McKinsey z kolei pokazuje rosnące znaczenie ról takich jak AI data scientists, machine learning engineers i data engineers, a także nowych funkcji związanych z compliance i etyką AI. W dużych organizacjach właśnie przy tych rolach widać największe różnice względem mniejszych firm, a połowa respondentów z organizacji korzystających z AI deklaruje, że będzie potrzebować większej liczby data scientists niż obecnie.

W moich kilkudziesięciu rozmowach z founderami i CTO scale-upów z USA i Europy najczęściej wracają dziś nie pytania o wybór modelu, lecz o architekturę danych, bezpieczną integrację i ownership całego procesu po stronie organizacji. To jest zupełnie inny poziom dojrzałości. I to właśnie tam powstaje dziś realna wartość.

Z perspektywy rynku rekrutacyjnego i doradczego ten trend jest wyjątkowo czytelny. W Yard Corporate obserwujemy, że sam dostęp do LLM-a przestał być trwałym wyróżnikiem. Wyróżnikiem staje się zdolność do złożenia zespołu, który rozumie dane, potrafi połączyć warstwę modelową z architekturą klienta i jednocześnie dowieźć bezpieczeństwo, tempo wdrożenia i sensowny model operacyjny.

Co było najbardziej przeceniane

Po pierwszej fali hype’u najbardziej przeceniany był sam dostęp do modelu. Jeszcze niedawno wydawało się, że przewaga będzie wynikać z tego, kto „ma AI”. Dziś widać już wyraźnie, że dostęp się komodytyzuje. Sam LLM nie buduje trwałej przewagi wdrożeniowej. Po drugie, przeceniane było promptowanie jako osobna, samodzielna przewaga rynkowa. Dobrze zaprojektowana interakcja z modelem nadal ma znaczenie, ale bez danych, integracji, testowania, monitoringu i kontroli ryzyka nie zamienia się w wartość biznesową.

Po trzecie, zbyt wiele rozmów o AI sprowadzano do prostego pytania o redukcję etatów. To nośna medialnie narracja, ale zbyt płaska biznesowo. McKinsey pokazuje, że w niektórych funkcjach respondenci częściej przewidują spadek zatrudnienia, ale w IT i product development częściej spodziewany jest wzrost headcountu niż jego spadek. Dla partnerów IT oznacza to zmianę języka sprzedaży. Mniej opowieści o „tańszej pracy dzięki AI”, więcej o nowych klasach usług, odpowiedzialności i kompetencji po stronie dostawcy.

Większa wartość biznesowa z genAI koreluje dziś nie tyle z samym eksperymentowaniem, ile z przebudową workflow, mocniejszym nadzorem nad AI governance i wdrożeniem praktyk adopcyjnych, takich jak roadmapa, mechanizmy feedbacku czy dobrze zdefiniowane KPI. To bardzo ważna wskazówka dla całego kanału IT. Marża i przewaga przesuwają się z „pokazania AI” do „dowiezienia AI”.