Sektor finansowy zwiększa wydatki na AI, lecz ROI nadal wymyka się wielu firmom

Instytucje finansowe przeznaczają na sztuczną inteligencję coraz większe budżety, ale same inwestycje i eksperymenty nie gwarantują jeszcze mierzalnej wartości biznesowej. Główny wniosek Quinlan & Associates jest prosty: sektor nie musi już rozstrzygać, czy wdrażać AI. Musi natomiast wykazać, które wdrożenia poprawiają przychody, obniżają koszty, ograniczają ryzyko albo poprawiają efekty dla klientów.

Skala wydatków rośnie, a luka w ROI pozostaje

Quinlan & Associates szacuje, że usługi finansowe wydały 76 mld dolarów na inicjatywy związane z AI w 2025 r., a do 2030 r. wydatki sektora przekroczą 130 mld dolarów. 14 Jednocześnie 95% tradycyjnych instytucji finansowych albo analizuje możliwości wykorzystania AI, albo już używa jej w działalności operacyjnej, zaś 71% deklaruje trudności z osiągnięciem lub wykazaniem jednoznacznego zwrotu z inwestycji (ROI). 3

To istotne rozróżnienie. Powszechne wykorzystanie AI pokazuje determinację organizacji, ale nie dowodzi, że konkretne programy tworzą trwałą wartość. Ustalenia powiązane z Quinlan wskazują też, że 43% inicjatyw AI zostaje anulowanych. To pokazuje, jak często projekty nie docierają do stabilnego etapu produkcyjnego. 15

Dlaczego projekty AI nie przekładają się na zwrot

Quinlan wskazuje trzy wzajemnie powiązane przeszkody w osiąganiu wartości:

1. Strategia zaczynająca się od technologii. Organizacje mogą wychodzić od dostępnego narzędzia, zamiast od jasno zdefiniowanego problemu biznesowego, ścieżki klienta, wąskiego gardła w procesie i celu wartościowego. Wówczas trudniej wybrać zastosowania z wiarygodną drogą do mierzalnego efektu. 6
2. Zbyt późno wprowadzane zasady zarządzania ryzykiem i kontroli. Gdy ryzyko, zgodność regulacyjna i mechanizmy kontroli traktowane są jako etap akceptacji po rozpoczęciu projektowania, zespoły mogą odkryć ograniczenia dopiero po poniesieniu znacznych kosztów i nakładów czasu. 6
3. Model operacyjny nieprzygotowany na skalowanie. Rozproszone dane, słabe fundamenty wdrożeniowe oraz niedostateczne zdolności do nadzorowania, wdrażania i skalowania AI mogą sprawić, że obiecujący projekt utknie między pilotażem a zastosowaniem w całej organizacji. 6

Są to ograniczenia wykonawcze, a nie wyłącznie technologiczne. Instytucja może kupić licencje na modele, realizować proof of concepty i prowadzić liczne eksperymenty, nie przeprojektowując jednak procesów oraz odpowiedzialności koniecznych do uzyskania wyniku finansowego.

Governance jest częścią mechanizmu ROI

W usługach finansowych wiarygodne zarządzanie AI nie jest oddzielnym kosztem zgodności. Współdecyduje o tym, czy dane zastosowanie można zatwierdzić, wdrożyć, monitorować i obdarzyć zaufaniem na poziomie autonomii wymaganym przez jego uzasadnienie biznesowe.

W poradniku Światowego Forum Ekonomicznego dla sektora finansowego zaleca się wbudowanie zarządzania ryzykiem i zasad odpowiedzialnej AI na każdym poziomie: wczesne określenie apetytu na ryzyko, rygorystyczną walidację modeli oraz zapewnienie, że działania AI pozostają wyjaśnialne, identyfikowalne i kontrolowalne. 1 Jest to szczególnie ważne, gdy firmy przechodzą od systemów wspomagających do systemów zdolnych wykonywać wieloetapowe działania. Jasne granice, ścieżki eskalacji i nadzór człowieka mogą ograniczyć niepewność operacyjną, która blokuje skalowanie wartościowych zastosowań.

Znaczenie fundamentów potwierdzają także dane branżowe. Badanie IIF-EY wskazuje jako główne wyzwania przy uruchamianiu AI w środowisku produkcyjnym jakość i dostępność danych, obok potrzeby posiadania wykwalifikowanych pracowników oraz zabezpieczeń w zakresie governance. 4

Co mówią badania BCG i NVIDIA

Szerszy obraz badawczy potwierdza diagnozę Quinlan, choć opiera się na innych próbach i miarach.

Badanie BCG obejmujące ponad 280 menedżerów finansowych wykazało medianę deklarowanego ROI z AI i generatywnej AI na poziomie 10% — poniżej 20%, do których dążyło wielu respondentów. Niemal jedna trzecia ankietowanych zgłosiła jedynie ograniczone korzyści. 43 W odrębnym badaniu ponad 1250 przedsiębiorstw BCG ustaliło, że zaledwie 5% firm osiąga wartość z AI na dużą skalę, a 60% nie odnotowuje istotnej wartości mimo znacznych inwestycji.

Badanie NVIDIA z 2025 r. dotyczące usług finansowych pokazuje drugą stronę tego obrazu: część wdrożonych zastosowań przynosi wymierne korzyści. Blisko 70% respondentów stwierdziło, że AI zwiększyła przychody o co najmniej 5%, a ponad 60% wskazało na obniżenie rocznych kosztów o minimum 5%. Najwyższy deklarowany zwrot wśród zastosowań generatywnej AI przynosiły handel i optymalizacja portfela oraz doświadczenie klienta.

Wyniki tych badań nie są sprzeczne. AI może generować zwrot, lecz samo wdrożenie nie jest jeszcze końcowym rezultatem. Różnicę tworzy wybór zastosowania o wysokiej wartości, zmiana właściwego procesu pracy, zbudowanie niezawodnych danych i kontroli oraz pomiar efektu operacyjnego i finansowego.

Rynek przechodzi od adopcji do skutecznego wykonania

Najwyraźniejszym sygnałem z raportu Quinlan jest rozbieżność między wydatkami, aktywnością instytucji i zrealizowaną wartością: baza inwestycji na poziomie 76 mld dolarów w 2025 r., szerokie zaangażowanie w AI oraz utrzymujące się trudności w udowodnieniu zwrotu. 14 3

Dla liderów instytucji finansowych praktyczna odpowiedź oznacza traktowanie AI jako programu transformacji biznesowej, a nie zestawu niezależnych pilotaży. Punktem wyjścia powinien być mierzalny cel biznesowy. Wymagania dotyczące ryzyka i governance warto określić przed rozpoczęciem rozwoju rozwiązania, przypisać odpowiedzialność za wynik oraz śledzić wskaźniki w całym cyklu życia po wdrożeniu. BCG podobnie wskazuje, że firmy osiągające znaczącą wartość koncentrują się na niewielkiej liczbie inicjatyw, szybko je skalują, zmieniają kluczowe procesy, rozwijają kompetencje zespołów i systematycznie mierzą zwroty operacyjne oraz finansowe.

Kolejny podział konkurencyjny prawdopodobnie nie będzie więc przebiegał między instytucjami, które mają AI, a tymi, które jej nie mają. Zadecyduje zdolność do bezpiecznego i mierzalnego wykorzystywania AI w kluczowych procesach — zamiast gromadzenia eksperymentów bez powtarzalnej drogi do wartości.