Według danych przytoczonych przez Linux Polska 74 proc. użytkowników biznesowych przyznaje, że wykorzystało w pracy wyniki z narzędzi AI, które później okazały się błędne. Eksperci Linux Polska wskazują, że winne są nie tylko halucynacje modeli: 49 proc. ankietowanych przez Salesforce liderów danych i analityki twierdzi, że ich organizacje wyciągały złe wnioski, bo dane analizowano bez właściwego kontekstu.
- Według badania Databox z 2026 roku 74 proc. użytkowników biznesowych przyznało, że przekazało dalej decyzję, raport lub zestawienie oparte na liczbie wygenerowanej przez AI, która później okazała się błędna – 39 proc. zrobiło to w ciągu ostatnich 30 dni.
- Raport Salesforce „State of Data and Analytics" wskazuje, że 49 proc. liderów danych i analityki przyznaje, iż ich organizacje wyciągały błędne wnioski z powodu analizowania danych bez właściwego kontekstu biznesowego.
- Gartner prognozuje, że do 2027 roku organizacje stawiające na warstwę semantyczną w danych przygotowanych dla AI zwiększą dokładność agentów AI nawet o 80 proc. i obniżą koszty nawet o 60 proc.
Materiał przygotowany przez Linux Polska, polskiego integratora rozwiązań open source i baz danych, zbiera wyniki trzech badań: raportu Salesforce „State of Data and Analytics” (2. edycja, 2025), badania Databox z 2026 roku i prognozy Gartnera z maja 2026 roku. Z tego zestawienia wychodzi spójny obraz. Firmy coraz chętniej oddają analizę danych sztucznej inteligencji. Coraz rzadziej sprawdzają przy tym, czy model w ogóle rozumie, czego dotyczą liczby.
Chcesz czytać więcej treści związanych z AI?
Dodaj AIPORT.pl do preferowanych źródeł Google
64 proc. liderów biznesowych analizuje dane z pomocą AI, tylko 53 proc. pyta specjalistów
Z raportu Salesforce wynika, że niemal dwóch na trzech liderów biznesowych (64 proc.) analizuje i interpretuje dane przy pomocy sztucznej inteligencji. Po pomoc specjalistów technicznych sięga w tym celu zaledwie co drugi (53 proc.).
Pokazuje to, jak bardzo firmom zależy na szybkim przetwarzaniu informacji. Efekt bywa jednak odwrotny do zamierzonego. Liderzy biznesowi wiedzą, że kontekst ma znaczenie, i 93 proc. z nich uważa go za niezbędny do wyciągnięcia właściwych wniosków. W praktyce ten warunek często nie jest spełniony. Według analityków organizacje podejmują błędne decyzje na podstawie danych, w których kontekst biznesowy pominięto albo źle zinterpretowano.
Databox: 74 proc. użytkowników oparło decyzję na błędnej liczbie z AI
Najmocniejsza liczba w materiale pochodzi z badania Databox „Using AI You Don’t Trust: How Business Users Actually Run Analytics in 2026”. Databox, amerykańska firma tworząca narzędzia do raportowania i analityki biznesowej, przepytała w czerwcu 2026 roku ponad stu użytkowników biznesowych. 74 proc. z nich przyznało, że przekazało dalej decyzję, raport lub zestawienie oparte na liczbie wygenerowanej przez AI, która później okazała się błędna. 39 proc. zrobiło to w ciągu ostatnich 30 dni.
Inne wyniki tego samego badania dobrze pokazują, skąd biorą się pomyłki:
- 86 proc. badanych do pracy analitycznej w pierwszej kolejności sięga po narzędzie generatywnej AI, a 47 proc. wskazuje ChatGPT jako główne narzędzie,
- tylko 3 proc. korzysta przede wszystkim z AI wbudowanej w narzędzia BI (business intelligence, czyli systemy do analizy danych firmowych),
- 69 proc. często lub zawsze używa AI przy analizach trafiających do zarządu, choć w pełni ufa wynikom w tej roli jedynie 39 proc.,
- zaledwie 23 proc. sprawdza wyniki AI, licząc je ponownie na danych źródłowych; najpopularniejszą metodą weryfikacji (37 proc.) jest zapytanie innego modelu AI,
- tylko 9 proc. ma jednolitą warstwę danych, do której AI może swobodnie sięgać; 66 proc. wkleja lub wgrywa dane do narzędzia ręcznie albo podłącza je pojedynczo.
Halucynacje to tylko część problemu
Częstą przyczyną błędnych analiz są halucynacje, czyli skłonność niektórych modeli do generowania fałszywych statystyk i nieprawdziwych informacji. Linux Polska wymienia wśród przyczyn niedopracowane prompty, metody trenowania modeli oraz brak systemów kontrolujących kontekst zapytań. W efekcie narzędzie może na przykład wskazać złą przyczynę spadku sprzedaży produktu albo uznać trend z wąskiej grupy klientów za typowy dla wszystkich.
Maciej Wawrzyniak, dyrektor obszaru baz danych i inżynierii danych w Linux Polska, zwraca uwagę na inną barierę: trudność w samym korzystaniu z narzędzi. Powołuje się na dane Salesforce, według których 63 proc. analityków widzi źródło błędów w przekładaniu pytań biznesowych na zapytania techniczne. Niemal wszyscy (93 proc.) uważają, że wyniki AI byłyby lepsze, gdyby pytania o dane można było zadawać w języku naturalnym.
„Faktycznie, jeśli rozwiązania dostępne w organizacji wymagają przykładowo znajomości SQL (strukturalnego języka zapytań), wiele osób nie będzie potrafiło korzystać z pełni ich potencjału. Dlatego tak ważne jest dostosowanie ich do potrzeb pracowników operacyjnych czy analityków” – mówi Maciej Wawrzyniak.
Jego zdaniem chatboty powinny pozwalać na zadawanie pytań zwykłym językiem i automatycznie tłumaczyć je na zapytania SQL.
Wypełnij formularz, a my skontaktujemy się z Tobą, aby upewnić się czego potrzebujesz.
Poprawna analiza też może być bezużyteczna dla firmy
Nawet technicznie poprawna analiza AI czasem nie daje firmie żadnej wartości. Dzieje się tak, gdy wyniki nie uwzględniają specyfiki organizacji, jej możliwości i ograniczeń oraz celu, który chce osiągnąć.
„Analiza nie powinna być oderwana od kontekstu rynkowego, w którym funkcjonuje firma. Dlatego w strukturze plików z danymi należy uwzględniać możliwie szczegółowe metadane kontekstowe, opisujące na przykład cel biznesowy zebranych informacji, ich źródła i pochodzenie, a także definicje istniejących wskaźników. Taki opis ogranicza ryzyko generowania przez narzędzia AI błędnych wniosków i zaleceń” – mówi Tomasz Dziedzic, CTO Linux Polska.
Według Dziedzica pominięcie kontekstu często kończy się inwestowaniem w nieopłacalne projekty albo ofertą niedopasowaną do potrzeb klientów. Problem dotyczy też bezpieczeństwa. Modele AI używane do oceny zagrożeń powinny brać pod uwagę specyfikę branży, zmiany w licencjach oprogramowania, historię cyberataków i przepisy, którym podlega firma. Dopiero wtedy narzędzie nie kończy pracy na wskazaniu podatności. Ocenia również potencjalne zagrożenia i ich wpływ na ciągłość działania organizacji.
Najbardziej niepokoi mnie w tych danych nie liczba 74 proc., tylko 23 proc. Tyle osób sprawdza wynik AI, licząc go jeszcze raz na danych źródłowych. Reszta albo wierzy na słowo, albo pyta inny model, czyli prosi jedną maszynę o ocenę drugiej. Sam na co dzień pracuję z AI przy dużych ilościach informacji i widzę ten mechanizm: odpowiedź modelu brzmi pewnie, jest ładnie sformatowana i łatwo ją przekleić do raportu.
Jednocześnie trzeba uczciwie powiedzieć, że badanie Databox objęło nieco ponad stu użytkowników. To sygnał ostrzegawczy, nie pomiar całego rynku. Uważam jednak, że kierunek jest trafny. Problem nie leży w tym, że modele są „głupie”. Problem leży w tym, że dostają wklejony arkusz bez słowa wyjaśnienia, co oznacza kolumna „przychód” w tej konkretnej firmie. Pytanie, które zadaję sobie i Wam: kto w Waszej organizacji odpowiada za to, żeby AI wiedziała, co liczy?
Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl
Firmy toną w rozproszonych danych: 21 usług chmurowych i 15 platform z danymi klientów
Kolejnym wyzwaniem jest przygotowanie organizacji do wdrożenia AI. Według raportu Salesforce ilość informacji przetwarzanych przez firmy rośnie o około 30 proc. rocznie. Przeciętna organizacja korzysta z 21 usług chmurowych i 21 operacyjnych baz danych. Dane o klientach trzyma średnio na 15 różnych platformach.
Linux Polska uważa rozproszenie źródeł i nieuporządkowaną strukturę danych za jedną z głównych przyczyn błędów w analityce. Dlatego tak duże znaczenie ma dobór narzędzi i ich integracja ze środowiskiem IT.
„Rosnący wolumen danych sprawia, że firmom coraz trudniej kontrolować gromadzone zasoby. Rozproszona infrastruktura utrudnia również zadanie narzędziom analitycznym. Problemem jest z jednej strony brak spójnych i pełnych informacji, z drugiej zaś – utrudniona komunikacja między rozwiązaniami AI a bazami danych czy systemami IT organizacji. Dlatego wybór konkretnych modeli powinien być uzależniony przede wszystkim od potrzeb biznesowych i możliwości ich integracji z istniejącą infrastrukturą” – mówi Tomasz Sąciński, Senior Solutions Architect w Linux Polska.
Gartner: warstwa semantyczna może podnieść dokładność agentów AI nawet o 80 proc.
Rozwiązaniem, na które wskazuje Linux Polska, jest warstwa semantyczna. To uporządkowany opis danych, który nadaje im kontekst biznesowy: definiuje wskaźniki, wyjaśnia pochodzenie informacji i ułatwia modelom ich interpretację.
Gartner w komunikacie z 11 maja 2026 roku prognozuje, że do 2027 roku organizacje stawiające na semantykę w danych przygotowanych dla AI zwiększą dokładność agentów AI nawet o 80 proc. i obniżą koszty nawet o 60 proc. Obie wartości są górnymi granicami prognozy. Rita Sallam, Distinguished VP Analyst w Gartnerze, ujęła to tak:
„Kontekst ze spójną semantyką stanie się strategią kontroli kosztów i budowania zaufania, a nie dodatkiem” / „Context with semantic coherence will become a cost-control and trust strategy, not a nice-to-have”
Za każdą polską firmą AI stoi konkretny człowiek z imieniem i nazwiskiem, często ten sam w kilku miejscach naraz, i to właśnie ludzie, nie tabelki finansowania, są prawdziwym bohaterem tego artykułu.
Według GUS z AI korzystało w 2024 roku 5,9 proc. polskich firm
Polskie firmy są na wcześniejszym etapie niż organizacje badane przez Salesforce i Databox. Według danych GUS za 2024 rok, przytaczanych przez Polski Instytut Ekonomiczny w raporcie z września 2025 roku, sztuczną inteligencję wykorzystywało 5,9 proc. przedsiębiorstw w Polsce. W zależności od metody badania PIE szacuje ten odsetek na 6-16 proc. Aż 77 proc. firm, które nie korzystają z AI, nie planuje jej wdrażać, dopóki nie będzie to konieczne.
Te liczby można czytać na dwa sposoby. Polskie firmy mają mniej doświadczeń z AI w analityce. Mają też szansę uporządkować dane, opisać wskaźniki i zintegrować systemy, zanim podłączą do nich modele językowe. Na to zwracają uwagę eksperci Linux Polska: wartość analiz zależy od jakości danych wejściowych, integracji z infrastrukturą IT i doboru narzędzi, nie tylko od samego modelu.
Źródła i metodologia
Artykuł powstał na podstawie materiału prasowego Linux Polska z dnia 05.11.2026 oraz analizy redakcji AIPORT.pl i dodatkowych źródeł, w tym komunikatu Gartner Says Lack of Semantics Causes Inaccurate AI Agents and Wasted Spending z dnia 11.05.2026, raportu Databox: Using AI You Don’t Trust oraz raportu Salesforce „State of Data and Analytics” (2. edycja, 2025). Dane o Polsce pochodzą z opracowania Polskiego Instytutu Ekonomicznego opartego na danych GUS.
Cytat Rity Sallam, Distinguished VP Analyst w Gartnerze, został zweryfikowany z oryginalnym anglojęzycznym materiałem źródłowym.
Komentarz redakcyjny i ocena kontekstu branżowego: Piotr Wolniewicz, Redaktor Naczelny AIPORT.pl.
Artykuł będzie aktualizowany w miarę pojawiania się nowych informacji o wiarygodności analiz danych wspieranych przez AI.
