Drugi dzień konferencji TechEx North America w San Jose przyniósł coś więcej niż kolejną porcję optymistycznych prognoz. Uczestnicy zmierzyli się z jednym z trudniejszych tematów w branży: dlaczego tak wiele projektów AI obumiera zaraz po fazie pilotażu.
Kluczowe fakty:
- Na konferencji TechEx North America w San Jose wprowadzono pojęcie "AI graveyard" – cmentarzyska projektów AI, które działały dobrze w testach, ale nie wyszły w rzeczywistości biznesowej.
- Główny problem to skalowanie rozwiązań AI – przejście od efektywności jednej osoby do realnej zmiany na poziomie całego działu lub organizacji, na którym zatrzymuje się większość wdrożeń.
- Eksperci zidentyfikowali "velocity gap" jako lukę powstającą, gdy działy biznesowe wdrażają narzędzia AI szybciej niż zespoły bezpieczeństwa są w stanie je objąć nadzorem.
Organizatorzy nie owijali w bawełnę i już na wstępie wprowadzili pojęcie „AI graveyard”, czyli swoistego cmentarzyska projektów, które dobrze działały w warunkach testowych, a w rzeczywistości biznesowej po prostu nie wyszły. Brzmi znajomo? Dla wielu uczestników konferencji zdecydowanie tak.
Prawie co drugi pracownik w Polsce używa AI za plecami swojego szefa. 71% polskich pracowników oszczędza dzięki AI od pół godziny do ponad dwóch godzin dziennie …
Problem skalowania, który wszyscy znają, ale mało kto rozwiązał
Sedno problemu dało się zamknąć w jednym obrazowym przykładzie: personal copilot. Narzędzie AI działa świetnie na biurku jednego pracownika. Przynosi mierzalne korzyści, użytkownik jest zachwycony, a jeśli tym użytkownikiem jest ktoś z zarządu, entuzjazm rozchodzi się po całej firmie niczym dobra plotka. I tu zaczyna się prawdziwy problem.
Przejście od efektywności jednej osoby do realnej zmiany na poziomie całego działu lub organizacji to miejsce, w którym większość wdrożeń się zatrzymuje. Sesje w ramach ścieżki Enterprise AI Implementation, ROI and Adoption koncentrowały się właśnie na tym etapie, próbując znaleźć odpowiedź na pytanie: co tak naprawdę blokuje skalowanie?
Wśród najczęściej wskazywanych przyczyn znalazły się:
- brak gotowych fundamentów danych (tzw. agent-ready data foundation),
- niedoszacowanie realnych kosztów przy modelu rozliczania tokenowego,
- zbyt ogólne zastosowania agentów AI zamiast skupienia na konkretnych obszarach biznesowych,
- niedopasowanie między tempem wdrożeń a możliwościami infrastruktury.
Bezpieczeństwo kontra tempo wdrożeń
Osobny wątek, który zdominował dyskusje na scenie Cyber Security and Cloud Expo, to tzw. velocity gap. Chodzi o lukę, która powstaje, gdy działy biznesowe wdrażają narzędzia AI szybciej, niż zespoły bezpieczeństwa są w stanie je objąć nadzorem. Efekt? Ryzyko rośnie, a często nikt nawet nie wie, że rośnie.
Powrócił też stary znajomy: shadow IT. Tym razem w nowej odsłonie jako shadow AI. Pracownicy korzystają z niezatwierdzonych narzędzi, wklejają do nich wrażliwe dane, a granice systemu rozszerzają się bez wiedzy osób odpowiedzialnych za bezpieczeństwo.
Obserwując kolejne raporty z branżowych konferencji, widzę pewien schemat: firmy są gotowe inwestować w AI, ale wciąż nie są gotowe na AI. To subtelna, ale istotna różnica. Z jednej strony mamy realne sukcesy na poziomie jednostkowym i pilotażowym, z drugiej strukturalne bariery, które ujawniają się dopiero przy próbie skalowania. Warto zadać sobie pytanie: czy organizacje budują AI na solidnych fundamentach danych i procesów, czy jedynie „przyklejają” kolejne narzędzia do istniejącego chaosu? Bo jeśli to drugie, to cmentarzysko projektów będzie się powiększać, niezależnie od tego, jak dobry jest sam model.
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Jako remedium na niekontrolowane przyjmowanie AI poza nadzorem zespołów bezpieczeństwa, prelegenci wskazywali na podejście zero trust. Nie tylko dla ludzi, ale też dla maszyn i agentów. Każdy element systemu, w tym zautomatyzowane przepływy pracy, powinien podlegać tym samym modelom uprawnień co reszta infrastruktury IT.
Physical AI skradł show
Nie wszystko kręciło się wokół problemów. Na podłodze targowej i w nowym torze tematycznym poświęconym Physical AI było sporo autentycznego entuzjazmu. Roboty humanoidalne przyciągały tłumy, a dyskusje o przyszłości fizycznych systemów autonomicznych należały do najlepiej odwiedzanych paneli całego wydarzenia.
Uczestnicy wskazywali, że AI w kodowaniu oprogramowania to pierwsza branża, która zebrała już wymierne, zawodowe korzyści z zastosowania dużych modeli językowych. Fizyczne systemy autonomiczne mają być kolejną. Co istotne, eksperci podkreślali, że modele stojące za physical AI przyszłości to raczej nie będą klasyczne LLM-y, choć te pozostaną przydatne wszędzie tam, gdzie urządzenia muszą komunikować się z ludźmi.
Nauka przez działanie
Nowością tegorocznej edycji był TechEx Learning Hub, czyli praktyczne warsztaty kodowania, podczas których uczestnicy budowali własne modele agentowe korzystając z Google Colab. Do tego sesje Nvidii i hackathon Google. Formuła była otwarta, od osób stawiających pierwsze kroki w środowisku IDE, aż po doświadczonych deweloperów.
TechEx North America 2026 nie był konferencją pesymistów. Był natomiast miejscem, gdzie entuzjazm wobec AI zderzył się z trzeźwą oceną rzeczywistości wdrożeniowej. I to, szczerze mówiąc, jest dokładnie to, czego branża teraz potrzebuje. Kolejna edycja cyklu TechEx odbędzie się we wrześniu w Amsterdamie.
