Wciąż ostrożni wobec używania AI w marketingu? Oto co naprawdę pokazują dane
Adopcja AI w marketingu w 2026 r. znajduje się w dziwnym miejscu. Większość organizacji go używa. Większość nie używa go dobrze. A przepaść między tymi dwiema grupami szybko się powiększa.
Jeśli wahałeś się, prawdopodobnie masz powody. Rzadko są irracjonalne. Czasami są ukształtowane przez złe doświadczenie z wcześniejszym narzędziem. Czasami przez dostawcę, który obiecał zbyt wiele. Czasami przez ciche przekonanie, że cała kategoria to bardziej hype niż substancja. Te obiekcje pojawiają się w prawdziwych rozmowach z liderami marketingu przez cały czas i większość z nich brzmi odpowiedzialnie — to rodzaj ostrożności, jaką miałby przemyślany specjalista.
Jednak bazowy krajobraz zmienił się na tyle, że kilka z tych obiekcji celuje teraz w wersję AI, która już nie istnieje. Ten artykuł omawia dziewięć z nich. Dla każdej sprawdzimy, co jest uzasadnione, co faktycznie pokazują aktualne dane i co to oznacza dla decyzji przed tobą.
Czy to naprawdę działa?
"To nadal nieudowodnione"
Zdrowy sceptycyzm jest dobry. Trwały sceptycyzm to konkurencyjna wada. Istnieje okno, kiedy technologia jest naprawdę eksperymentalna i czekanie ma sens, i późniejsze okno, kiedy "nadal nieudowodnione" staje się sposobem unikania decyzji, którą rynek już podjął.
AI w marketingu przeszedł z pierwszego okna do drugiego jakiś czas temu. Badanie McKinsey State of AI z 2025 r. wykazało, że 88% organizacji regularnie używa AI w co najmniej jednej funkcji biznesowej, w górę z 78% rok wcześniej. Marketing i sprzedaż konsekwentnie należą do funkcji z najwyższą adopcją w badaniu. Poważne pytanie teraz nie brzmi, czy AI w marketingu działa — lecz jak go dobrze używać.
"Nie możemy uzasadnić ROI"
Obserwowałeś, jak dostawcy obiecują transformacyjne zwroty, tylko po to, by zobaczyć, że rzeczywiste liczby są płaskie. To doświadczenie jest realne i ukształtowało podejście wielu marketerów do AI teraz. Ale warto oddzielić dwie rzeczy: implementacje AI, które zawodzą, bo podstawowa technologia nie działa, i implementacje AI, które zawodzą, bo były źle zdefiniowane, źle zintegrowane lub sprzedane na hype. Płaskie wyniki to prawie zawsze druga kategoria — a głośne anegdoty o nich bardziej ukształtowały nastroje w branży niż ciche sukcesy.
Faktyczne liczby opowiadają inną historię. Badanie Deloitte za Q4 2024, obejmujące 2.773 starszych decydentów, wykazało, że 74% organizacji twierdzi, że ich najbardziej zaawansowana inicjatywa GenAI spełnia lub przekracza oczekiwania dotyczące ROI. Dane McKinsey z 2025 r. idą dalej i wskazują, dlaczego niektóre implementacje działają, a inne nie: wśród najlepszych graczy — organizacji, które przypisują AI 5% lub więcej EBIT — są oni około 3 razy bardziej skłonni do fundamentalnego przeprojektowania przepływu pracy i skalowania agentów AI w całym biznesie, i bardziej skłonni do realizowania wzrostu i innowacji jako podstawowych celów AI, a nie tylko efektywności.
Implementacje, które dostarczają ROI, to te skierowane na napędzanie biznesu do przodu, a nie tylko na przycinanie kosztów na marginesach.
Teraz kontr-dowody. S&P Global Market Intelligence wykazało, że 42% organizacji porzuciło większość swoich projektów AI proof-of-concept przed osiągnięciem produkcji, w górę z 17% rok wcześniej. To realna liczba, która zasługuje na uwagę. Co nam mówi, to nie że AI nie działa — liczba 74% Deloitte dotyczy najbardziej zaawansowanych inicjatyw organizacji, podczas gdy liczba porzuceń obejmuje wszystko, włącznie z pospiesznie uruchomionymi pilotami, źle zdefiniowanymi eksperymentami i projektami, które nigdy nie powinny były być uruchomione. Obie statystyki opisują ten sam świat. AI działa — to złe implementacje nie działają.
"Próbowaliśmy AI wcześniej i nie dostarczył"
To jest najbardziej osobista obiekcja na liście i najtrudniejsza do bezpośredniego zakwestionowania. Jeśli poprzednie narzędzie cię lub twój zespół zawiodło, to doświadczenie jest realne, i niechęć do jego powtórzenia jest rozsądna. Ale warto sprawdzić, czym faktycznie było to poprzednie narzędzie.
Jeśli wspomnienie zespołu o "próbowaliśmy AI" jest zakotwiczone w 2023 r., pamiętasz kategorię produktów, która nie istnieje już w tej samej formie. Grupa badawcza Human-AI z Wharton prowadziła to samo badanie śledzące rok do roku przez trzy lata i wykazała, że odsetek decydentów regularnie używających GenAI wzrósł z poniżej 40% w 2023 r. do ponad 80% w 2025 r., przy 46% zgłaszających codzienne użytkowanie. Taki skok w użytkowaniu śledzi realną zmianę w tym, co narzędzia mogą robić.
Dane o możliwościach to potwierdzają. Raport Stanford AI Index 2025 wykazał, że na SWE-bench, benchmarku kodowania i logiki, systemy AI rozwiązały 4,4% problemów w 2023 r. i 71,7% w 2024 r. Najmniejszy model zdolny do uzyskania 60% na głównym benchmarku rozumowania skurczył się ze 540 miliardów parametrów w 2022 r. do 3,8 miliarda w 2024 r. — 142-krotna redukcja rozmiaru modelu potrzebnego do tej samej pracy. Nic z tego nie oznacza, że AI jest teraz bezbłędny; niezawodność nadal się waha i złe implementacje nadal się zdarzają. Oznacza, że rozczarowujące doświadczenie z 2023 r. jest słabym predyktorem tego z 2026 r., ponieważ podstawowe narzędzia przeszły przez więcej niż jedno pokolenie od tamtej pory.
Czy naprawdę możecie to zrobić?
"Będzie kosztować za dużo, trwać za długo lub wymagać umiejętności, których nie mamy"
Jeśli twój obraz projektu AI to sześciocyfrowy kontrakt, kilkumiesięczna integracja i stały etatowy data scientist, ten obraz jest sprzed dwóch lub trzech lat. Struktura kosztów podstawowej technologii nie tylko spadła. Runęła.
Raport Stanford AI Index 2025 śledził koszt zapytania do modelu AI przy jakości równoważnej GPT-3.5. W listopadzie 2022 r. ten koszt wynosił 20,00 USD za milion tokenów. Do października 2024 r. wynosił 0,07 USD za milion tokenów — 280-krotna redukcja w ciągu około 2 lat. Wydanie z 2025 r. tego samego raportu potwierdziło, że trend nie zwolnił: koszty sprzętu AI spadają o około 30% rocznie, a efektywność energetyczna poprawia się o około 40% rocznie. Ekonomika pracy AI w 2026 r. nie ma prawie nic wspólnego z ekonomiką z 2022 r.
Taka krzywa kosztów bezpośrednio wpływa na to, co dostawcy mogą oferować i kto może z tego korzystać. Rzeczy, które trzy lata temu były projektami klasy enterprise, są teraz produktami subskrypcyjnymi. Bariera umiejętności spadła wraz z ceną. Raport Deloitte State of AI in the Enterprise z 2026 r. — oparty na 3.235 liderach z 24 krajów — wykazał, że dostęp pracowników do AI wzrósł o około 50% w ciągu jednego roku, z poniżej 40% do około 60% pracowników wyposażonych w zatwierdzone narzędzia AI. Większość z tych pracowników nie jest specjalistami AI. Są marketerami, analitykami, ludźmi z operacji — konfigurują AI tak, jak konfigurują kampanie emailowe, a nie jak konfigurują bazy danych.
Jeśli nie oceniałeś narzędzi AI w ciągu ostatnich 12 miesięcy, nie patrzysz na tę samą kategorię produktów, którą pamiętasz. Koszt, czas wdrożenia i wymagane umiejętności są na innej krzywej niż wtedy, gdy wielu liderów marketingu uformowało swój mentalny model tego, co oznacza "robienie AI".
"Nasze dane nie są wystarczająco czyste dla AI"
To jest bardzo racjonalne. Sygnalizuje dyscyplinę, świadomość trybu awarii i niechęć do narażania się na zły wynik. Problem polega na tym, że zakłada istnienie progu czystych danych, który przekroczyłbyś, gdybyś zaczekał, i że firmy już używające AI go przekroczyły.
Tak nie jest. Badanie Cisco Data and Privacy Benchmark z 2026 r., oparte na ankiecie 5.200 specjalistów IT i bezpieczeństwa z 12 rynków, wykazało, że 65% organizacji ma trudności z efektywnym dostępem do wysokiej jakości danych. To jest uniwersalny punkt wyjścia. Tymczasem 88% organizacji używa AI w co najmniej jednej funkcji biznesowej, według McKinsey. Te dwie liczby nie mogą obu opisywać świata, w którym gotowość danych jest warunkiem wstępnym dla AI. To, co faktycznie się dzieje, polega na tym, że organizacje wdrażają AI i ulepszają swoje zarządzanie danymi równolegle, a nie sekwencyjnie.
Postawa "nie jesteśmy gotowi" zakłada istnienie linii mety, którą możesz przekroczyć przed rozpoczęciem. Takiej nie ma. Jakość danych to ciągła dyscyplina, a nie kamień milowy. Organizacje przed tobą są z przodu, bo zaakceptowały to wcześniej.
"Nie mamy wewnętrznej wiedzy AI"
Jeśli to jest obiekcja, która cię powstrzymywała, jesteś w ogromnej firmie — i firma jest bardziej prestiżowa, niż możesz myśleć. Raport Deloitte z 2026 r. wskazał lukę w umiejętnościach AI jako jedyną największą barierę dla integracji, przy zaledwie 20% liderów mówiących, że czują się dobrze przygotowani pod względem talentów. Dominująca reakcja wśród pozostałych to nie czekanie. Większość firm — 54%, według tego samego raportu — po prostu edukuje istniejących pracowników, aby podnieść ich płynność AI.
Matematyka tutaj jest bezlitosna. Analiza PwC prawie miliarda ogłoszeń o pracę wykazała, że wymagania dotyczące umiejętności dla stanowisk narażonych na AI zmieniają się 66% szybciej niż dla innych stanowisk. Czekanie, aż znajdziesz talent, to czekanie na cel, który porusza się szybciej, niż rynek rekrutacyjny może nadążyć. Droga naprzód jest taka sama dla wszystkich: zacznij od ludzi, których masz, wybierz jeden przypadek użycia i ucz się w trakcie.
Czy naprawdę powinieneś to robić?
"Stracimy kontrolę nad decyzjami, za które jesteśmy odpowiedzialni"
Obawa dotycząca czarnej skrzynki jest zazwyczaj bardzo zasadna: poprzednie narzędzie podejmujące decyzje, których nie mogłeś zobaczyć, nie mogłeś cofnąć i nie mogłeś wyjaśnić innym. Ale rozmowa o AI wyszła poza pytanie, czy ludzie pozostają w pętli. Aktualne pytanie brzmi, jak ta pętla jest zaprojektowana.
Dziewiąte doroczne wspólne badanie BCG i MIT Sloan Management Review, Leading in the Age of AI Agents — oparte na 2.102 respondentach z 21 branż i 116 krajów — wykazało, że 76% kadry kierowniczej opisuje teraz agentyczny AI bardziej jako współpracownika niż narzędzie. Współpracownicy mają obowiązki, które im przydzielasz. Mają osąd w swoim zakresie, nie ponad nim. Raportują z powrotem. Zmiana sposobu myślenia odzwierciedla to, jak produkty działają teraz.
Nowoczesna generacja narzędzi marketingowych AI jest zbudowana wokół wyraźnej kontroli człowieka — wzmocnienia brandowe, wykluczenia kategorii, reguły zakresu cenowego, parametry recall, przełączniki anulowania. Marketer ustawia ograniczenia. AI wypełnia luki w ich ramach. Jak MIT Sloan i BCG argumentowały w maju 2026 r., zadaniem nie jest delegowanie nadzoru do pola wyboru na końcu workflow-u — lecz zaprojektowanie nadzoru w sam workflow. Nie oddajesz kluczy. Delegujesz części pracy, które i tak nienawidziłbyś robić ręcznie.
"Nasze dane nie są bezpieczne u dostawców AI"
To jest jedyna obiekcja na liście, która nie wygasa. Behawioralne dane klientów są wrażliwe, regulatorzy zwracają uwagę i żaden uczciwy dostawca nie powie ci, że ryzyko wynosi zero. Nie możemy cię odwieść od tej troski i szczerze mówiąc, nie próbowalibyśmy.
Co możemy wskazać, to że obawa może teraz otrzymać odpowiedź poprzez konkretne, weryfikowalne pytania, a nie intuicyjną ocenę. Międzynarodowe Stowarzyszenie Specjalistów ds. Prywatności — globalne ciało dla praktyków prywatności — wykazało w swoim Raporcie o Profesji Zarządzania AI z 2025 r., że 77% organizacji buduje teraz programy zarządzania AI, i że te, których funkcja prywatności prowadzi zarządzanie AI, są znacznie bardziej skłonne do poczucia się pewnie co do zgodności z EU AI Act (67% wobec niższych wskaźników gdzie indziej). Benchmark Cisco z 2026 r. dodaje, że 90% organizacji rozszerzyło swoje programy prywatności specjalnie z powodu AI, a 99% zgłasza mierzalne korzyści z inwestycji w prywatność.
Ta zmiana ma znaczenie, ponieważ oznacza, że zespoły bezpieczeństwa przed tobą zbudowały już standardowe ramy weryfikacji i możesz oprzeć się na ich pracy zamiast ją wynajdywać od nowa. Właściwe pytania do zadania dowolnemu dostawcy AI w 2026 r. są konkretne:
- Czy jesteście zgodni z GDPR i CCPA?
- Czy jesteście certyfikowani ISO/IEC 27001 w zakresie bezpieczeństwa informacji?
- Czy jesteście certyfikowani ISO/IEC 42001 w zakresie systemów zarządzania AI?
- Czy dostosowujecie się do NIST AI Risk Management Framework?
- Czy wspieracie prawo do bycia zapomnianym?
- Gdzie dane są fizycznie przechowywane i jakie jurysdykcje przekraczają?
- Kim są wasi podprocesatorzy?
Jeśli dostawca odpowie na te pytania czysto, ryzyko jest ograniczone i znane. Jeśli nie odpowie — masz swoją odpowiedź. Decyzja nie musi opierać się wyłącznie na zaufaniu. Teraz chodzi bardziej o należytą staranność, którą naprawdę możesz przeprowadzić.
"AI sprawi, że nasz marketing będzie brzmiał generycznie"
Ta obawa stała się pilniejsza, gdy coraz więcej treści generowanych przez AI weszło na świat, i warto ją traktować poważnie. Każdy, kto przeczytał paragraf oczywistego outputu LLM, zna jego teksturę: technicznie poprawny, lekko pusty, pełen konstrukcji "nie tylko X ale i Y". Jeśli tak AI jest obecny w twoim marketingu, głos twojego brandu jest w niebezpieczeństwie.
Ale nie w ten sposób większość marketerów go faktycznie używa. Badanie Ahrefs State of AI in Content Marketing z 2025 r. przeanalizowało, jak marketerzy faktycznie używają AI. Ich analiza prawie 900.000 stron internetowych wykazała, że tylko 4% kwalifikowało się jako czysta treść wygenerowana przez AI, nawet gdy 87% marketerów stwierdziło, że używa AI do wspomagania tworzenia treści. Dominującym wzorcem, ze znaczną przewagą, jest AI jako warstwa szkicu, którą ludzie następnie edytują, kształtują i przepisują. Ryzyko genericznie brzmiącego marketingu nie pochodzi z używania AI. Pojawia się, gdy firmy publikują output AI bez wykonania drugiego przeglądu.
Dowody po stronie konsumentów to potwierdzają. Badanie NIQ z 2024 r. oparte na neuronauce — używające EEG, śledzenia wzroku i pomiaru odpowiedzi implicitnej — wykazało, że reklamy generowane przez AI, nawet te postrzegane jako wysokiej jakości, wywoływały słabszą aktywację pamięci i niższe zaangażowanie niż tradycyjne reklamy produkowane przez ludzi, i ryzykowały stworzenie negatywnego efektu halo marki.
Rynek już mówi ci, który tryb działa. Używany jako surowy materiał, który marketer kształtuje, AI rozszerza to, co mały zespół może wyprodukować. Używany jako autonomiczny silnik treści, produkuje dokładnie generyczny output, przed którym ostrzega ta obiekcja. Narzędzie nie jest problemem — wszystko tkwi w tym, jak jest używane.
Jeśli dotarłeś do tego miejsca, prawdopodobnie zauważyłeś coś. Żadna z tych obiekcji nie jest dokładnie błędna. Każda wskazuje na coś realnego — dostawcę, który obiecał za dużo, narzędzie, które zawiodło, nieprzeszkolony zespół, regulatora, który zwraca uwagę. Te obawy nie są wyobrażone. Ale opisują ryzyka, na które możesz teraz odpowiadać konkretnymi pytaniami, w odniesieniu do benchmarku, który już się przesunął.
Nie ma wersji, w której czekasz, aż "wiesz wystarczająco dużo", a potem zaczynasz. Badanie IBM CMO z 2025 r. wykazało, że 65% liderów marketingu zgadza się, że talent piśmienny w AI jest kluczowy dla osiągnięcia ich priorytetowych celów, podczas gdy tylko 21% uważa, że ma talent potrzebny do dostarczenia przez następne dwa lata. Dwie trzecie liderów marketingu wiedzą, że zdolność AI jest teraz absolutnie niezbędnym wymogiem. Jeden na pięciu czuje się do tego przygotowany. Reszta — przytłaczająca większość — przechodzi przez tę samą niepewność, w której się znajdujesz.
Droga naprzód jest taka sama dla wszystkich: wybierz jeden konkretny przypadek użycia, zrozum go wystarczająco dobrze, aby ocenić, czy pasuje do twojego biznesu, i zdecyduj. To wszystko. Firmy, które wyprzedzają, nie wyprzedzają, bo miały lepsze odpowiedzi na początku. Wyprzedzają, bo zaczęły.
Jeśli chcesz omówić, który przypadek użycia ma sens dla twojego biznesu, chętnie pomożemy. Wypełnij poniższy formularz i porozmawiajmy!