Bez AI stracimy konkurencyjność
Szerokie wykorzystanie sztucznej inteligencji w różnych obszarach gospodarki może przynieść istotne korzyści, takie jak obniżenie kosztów, podniesienie jakości czy skrócenie czasu procesów biznesowych. Znaczenie tej technologii dla gospodarki wymaga strategicznego podejścia, łączącego wspieranie AI z polityką przemysłową. Brak systemowego podejścia opóźnia wdrażanie rozwiązań opartych na AI, ograniczając polskim podmiotom skuteczne konkurowanie z bardziej innowacyjnymi podmiotami zagranicznymi. W polskiej administracji trwają obecnie prace nad takim dokumentem.
Polski Instytut Ekonomiczny, wpisując się w te działania, w raporcie „W poszukiwaniu priorytetów rozwoju AI w Polsce” wskazuje na trzy możliwe podejścia w tworzeniu strategii AI. Pierwsze zakłada określenie kluczowych zależności technologicznych i znalezienie nisz do zagospodarowania. Drugie to strategia oparta na analizie wskaźników gospodarczych i priorytetach polityki przemysłowej kraju. Trzecie podejście zakłada, że AI będzie rozwiązywało kluczowe wyzwania społeczno-gospodarcze.
Drugie miejsce od końca
Polskie przedsiębiorstwa odstają od średniej unijnej pod względem wykorzystania technologii cyfrowych, a także jeśli chodzi o odsetek już korzystających ze sztucznej inteligencji. Luka ta jest szczególnie istotna w przypadku małych przedsiębiorstw. Z kolei duże firmy osiągają poziom cyfryzacji porównywalny ze średnią UE. Wykorzystanie technologii sztucznej inteligencji pozostawało również niższe od przeciętnego dla Unii Europejskiej w poszczególnych elementach działalności organizacji. W zbiorczej perspektywie, przedsiębiorstw zatrudniających przynajmniej 10 pracowników, zaledwie 5,9 proc. polskich podmiotów wykorzystywało jakiś rodzaj sztucznej inteligencji w 2024 r., co plasowało Polskę na drugim od końca miejscu w Unii Europejskiej, jedynie przed Rumunią.
Przyjmując podejście sektorowe obserwujemy, że polskie przedsiębiorstwa wykorzystywały sztuczną inteligencje przynajmniej dwukrotnie rzadziej, niż wynikałoby ze średniego wyniku UE, z wyjątkiem sektora Informacji i komunikacji, który osiągał 67 proc. przeciętnego unijnego wykorzystania AI. Polskie podmioty wykorzystywały AI rzadziej niż wynikałoby ze średniej unijnej, we wszystkich badanych procesach składających się na działalność przedsiębiorstwa. Zarówno polskie, jak i unijne podmioty najpowszechniej korzystały z AI w marketingu, natomiast mniej niż 1 proc. przedsiębiorstw wykorzystywało tę technologię w logistyce. Należy jednak pamiętać, że ze względu na dynamicznie zachodzące zmiany w obszarze technologii sztucznej inteligencji, dostępne dane pochodzące z pierwszej połowy 2024 r., mogą być zdezaktualizowane i nie oddawać stanu rzeczywistego.
Z punktu widzenia wykorzystania AI dla podnoszenia potencjału produktywności polskiej gospodarki istotne wydaje się spojrzenie, jak duży jest potencjał przyjmowania nowych rozwiązań przez firmy dotychczas unikające cyfryzacji. Jak wynika z badania przeprowadzonego przez Ministerstwo Rozwoju i Technologii1 aż 33 proc. polskich mikro, małych i średnich przedsiębiorstw nie było zainteresowanych wykorzystaniem technologii cyfrowych w ogóle. Z tymi danymi korespondują wyniki badania przeprowadzonego przez Polski Instytut Ekonomiczny, według których znaczna część polskich przedsiębiorstw ocenia potrzebę dokonywania inwestycji w maszyny, urządzenia lub sztuczną inteligencję w celu zwiększenia produktywności jako nieistotną.
Aż 55 proc. mikro i małych przedsiębiorstw oceniło potrzebę takich inwestycji jako nieistotną. Nie są to optymistyczne dane pod kątem zwiększania wykorzystania sztucznej inteligencji w przedsiębiorstwach, ponieważ MŚP stanowią zdecydowaną większość działających w Polsce podmiotów (99,8 proc. w 2023 r.) i odpowiadały za generowanie 45,3 proc. polskiego PKB. Bez zaangażowania mikro, małych i średnich przedsiębiorstw niemożliwe jest upowszechnienie wykorzystania technologii AI w gospodarce.
Przyjrzeliśmy się również danym mogącym świadczyć o potencjale wdrażania rozwiązań z obszaru sztucznej inteligencji w przyszłości. Jako przybliżenie tego potencjału przyjęliśmy zastosowanie oprogramowania biznesowego typu CRM, ERP lub BI2 przez polskie firmy. Skuteczne przyjęcie tych rozwiązań wymaga działań na poziomie całego przedsiębiorstwa, w tym dostosowania procesów organizacyjnych, stworzenia procedur czy wdrożenia zarządzania opartego na danych. Również w przypadku tych wskaźników wynik polskich podmiotów pod względem wykorzystania tych technologii jest zauważalnie gorszy od średniego wyniku w Unii Europejskiej. Podobnie jak w przypadku bardziej ogólnego wskaźnika intensywności cyfrowej, wynik polskich przedsiębiorstw przemysłowych jest względnie najgorszy w porównaniu ze średnim wynikiem podobnych przedsiębiorstw w UE.
Stos technologiczny
Koncepcja stosu technologicznego jest pierwszym podejściem wspierającym identyfikację priorytetów dla rozwoju AI, które proponujemy. Rozwiązania powszechnie nazywane „sztuczną inteligencją”, aby działać, wymagają szeregu rozwiązań software’owych i sprzętowych.
Propozycja PIE jest schematycznym przedstawieniem tego, co składa się na te rozwiązania. Celem nie jest dokładne odzwierciedlenie złożonych relacji, ale ułatwienie skupienia uwagi na najważniejszych kwestiach. Przedstawiona koncepcja stosu jest tylko jedną z możliwych wersji, przygotowaną przez nas na podstawie rozmów z ekspertami oraz przeglądu podobnych koncepcji dostępnych w innych publikacjach.
Hardware to pierwszy poziom stosu. Skupia się w nim cały proces projektowania i wytwarzania fizycznych elementów, niezbędnych do tworzenia i wykorzystywania sztucznej inteligencji. W skład tego poziomu wchodzi wytwarzanie procesorów, akceleratorów AI czy wszelkiego rodzaju czujników oraz urządzeń i maszyn generujących i zbierających dane. W związku z tym, że rozpoczęcie procesu produkcyjnego wymaga znacznych nakładów kapitałowych, na tym poziomie występują wysokie bariery wejścia oraz niewielka liczba polskich producentów. Potencjał do rozwoju tego poziomu stanowią m.in. produkty podwójnego przeznaczenia, wytwarzane na potrzeby wojska i obronności, a także rozwiązania z sektora kosmicznego. Rozwój tego typu produkcji powinien być wspierany przez środki publiczne i generować popyt na krajowe rozwiązania we wczesnej fazie rozwoju produktu. Pozwala to na późniejsze skalowanie i w przypadku sukcesu – na eksport tak wypracowanych rozwiązań.
Poziom Infrastruktury sieciowej łączy w sobie tworzenie, utrzymywanie i zarządzanie infrastrukturą niezbędną do funkcjonowania AI, w tym superkomputerami, centrami danych czy sieciami telekomunikacyjnymi. Obecnie w zakresie chmury obliczeniowej warstwa ta jest w przeważającej mierze obsługiwana przez podmioty amerykańskie, dążące do utrzymania sprawowanej w ten sposób kontroli. Taka zależność jest też identyfikowana w skali całej UE. Jeśli chodzi o sieci telekomunikacyjne, to sytuacja w Polsce jest znacznie bardziej zróżnicowana, a usługi przesyłu danych oferowane są zarówno przez firmy polskie, jak i europejskie.
Rozwijanie krajowej lub europejskiej warstwy infrastruktury sieciowej, również poprzez inwestycje publiczne, ma znaczenie w budowaniu bezpieczeństwa strategicznego. Identyfikujemy przenoszenie kluczowych procesów do zaufanych centrów danych jako istotne dla bezpieczeństwa.
W tę warstwę wpisują się także fabryki AI – tworzone w ramach inicjatywy UE centra naukowo-badawcze skupione wokół super- komputerów. Jedno tego typu centrum jest zlokalizowane w Polsce (PCSS w Poznaniu). Podobny ośrodek może powstać w najbliższym czasie w Krakowie (Cyfronet AGH).
Oprogramowanie to warstwa odpowiedzialna za wytwarzanie systemów komputerowych (w przypadku AI przede wszystkim modeli AI), które dają środowisko bądź zestaw podstawowych funkcjonalności dla uruchamiania aplikacji. Do tej warstwy zalicza się np. tworzenie fundacyjnych modeli sztucznej inteligencji, które stanowią podstawę do przeprowadzania późniejszych wdrożeń. Tworzenie własnych modeli ma znaczenie zarówno z punktu widzenia postępu naukowego, jak i utrzymania kontroli nad działaniem takiego modelu. Przykładami lokalnie rozwijanych modeli są polskie duże modele językowe, PLLuM oraz Bielik. Istotną specjalizacją Polski w tej warstwie może być tworzenie mniejszych, wyspecjalizowanych modeli, a także rozwijanie modeli otwartoźródłowych (open source).
Warstwa Aplikacji skupia się na zastosowaniu narzędzi korzystających z algorytmów sztucznej inteligencji. Mogą to być zarówno rozwiązania przygotowywane pod specyficzne potrzeby danego przedsiębiorstwa, jak i gotowe rozwiązania krajowych lub zagranicznych dostawców. W warstwie tej zawarty jest największy potencjał ekonomiczny, przynajmniej w krótkim okresie. Wdrożenie rozwiązań wykorzystujących sztuczną inteligencję w firmach może z jednej strony podnieść ich produktywność, a z drugiej przyczynić się do rozwoju polskiego sektora IT. Należy przy tym wskazać na istotną barierę, jaką jest niska gotowość firm w Polsce do wdrażania rozwiązań cyfrowych. Identyfikujemy w tej warstwie problemy kompetencyjne kadry zarządzającej i wdrażającej, która nie wykazuje świadomości i otwartości na podejmowanie inwestycji w rozwiązania sztucznej inteligencji oraz problemy regulacyjne, wynikające z przepisów na poziomie UE.
Warunkiem koniecznym dla włączenia Polski w działania na wszystkich etapach stosu technologicznego AI jest dostęp do kapitału, w tym kapitału wysokiego ryzyka. Podobnie jak w innych politykach wspierania innowacyjności, kapitał publiczny ma zasadniczą rolę w finansowaniu badań podstawowych a także aplikacyjnych. W polskich warunkach wsparcie publiczne dla kapitału wysokiego ryzyka jest wciąż niezbędne, choć należy tu mobilizować również źródła prywatne. Istotne dla pobudzania popytu na innowacyjne rozwiązania mogą też być firmy będące pod kontrolą skarbu państwa. Wreszcie, należy też wspierać inwestycje ze środków prywatnych i przyciąganie kapitału inwestycyjnego do Polski (przez odpowiednie warunki do tworzenia nisz i specjalizacji związanych ze sztuczną inteligencją).
Funkcjonowanie stosu wymaga także elementów wertykalnych, przenikających jego warstwy. Dane to kluczowy zasób dla rozwoju sztucznej inteligencji. Ten element zawiera zarówno dane osobowe, jak i standaryzowane dane przemysłowe, zanonimizowane dane medyczne czy dane publiczne wysokiej jakości. Kolejnym elementem wertykalnym są kadry i ich kompetencje, niezbędne do odpowiedniego zbierania danych, rozwoju nowych rozwiązań, utrzymania infrastruktury oraz skutecznych wdrożeń. Warstwa ta dotyka zarówno szeroko rozumianych kompetencji cyfrowych i powszechnego obeznania z AI, jak i kompetencji specjalistycznych: technicznych i zarządczych.
Jako odrębny element proponujemy uwzględnienie badań naukowych – działań skupionych na zwiększaniu zasobu wiedzy, bez skupiania na bezpośredniej implementacji w rozwiązaniach rynkowych. Ostatnim wertykalnym elementem stosu technologicznego standardy, w tym kwestie bezpieczeństwa i etycznego korzystania z AI.
Podejście sektorowe
W drugim proponowanym podejściu, w celu wyłonienia sektorów priorytetowych, PIE proponuje wykorzystanie szeregu wskaźników gospodarczych. Łączą one podejście bazujące na potencjale gospodarczym oraz już identyf ikowane sektory istotne gospodarczo.
Wskaźniki dotyczące konkurencyjności międzynarodowej pozwalają określić, w których sektorach już obecnie polskie firmy są w stanie skutecznie konkurować na rynkach zagranicznych. Przyjęcie tych wskaźników wpisuje się w logikę wspierania już istniejących mocnych stron gospodarczych. Firmy działające na rynkach zagranicznych są z jednej strony wystawione na bardziej intensywną konkurencję, a z drugiej działają często w otoczeniu, w którym na większą skalę wykorzystywane są narzędzia cyfrowe. Wzmocnienie ich przez wykorzystanie sztucznej inteligencji pozwoli utrzymać ich obecną pozycję oraz daje pole do dalszego rozwoju na rynku większym niż krajowy.
Z kolei wskaźniki mierzące obecną wartość gospodarczą pokazują w bardziej standardowy sposób pozwalają zidentyfikować znaczenie sektora w gospodarce. Posługując się klasyfikacją na poziomie działów PKD zdajemy sobie sprawę, że do jednej grupy trafiają bardzo różne firmy i bardzo różne produkty. Jednak przez podobieństwo procesów biznesowych (w tym produkcyjnych) w firmach z jednego działu może sprzyjać rozszerzaniu się wykorzystania AI od pionierów do innych przedsiębiorstw.
To ostatnie zastrzeżenie jest w pewnej mierze adekwatne do wskaźnika identyfikującego sektory wysokiej techniki. Produkty trafiające do tej kategorii (np. technologie kosmiczne) są „ukryte” w różnych działach PKD. W celu zachowania spójności w niniejszej analizie, przyjęliśmy jednak założenie, że pracujemy na wyższym poziomie agregacji danych – jest to również spójne z założeniem o szerokich zastosowaniach sztucznej inteligencji, nieograniczonych do kilku wąskich branż czy typów produkcji.
Wreszcie grupa wskaźników dotyczących preferencji dla danego sektora ma na celu spójne podejście do polityki gospodarczej na wielu poziomach. Jeśli polityka przemysłowa w Polsce ma wspierać sektory w ramach budowy potencjału eksportowego, transformacji technologicznej czy poprawy konkurencyjności kraju, to nie ma powodu, żeby nie wzmocnić działań przez uwzględnienie priorytetów mających na celu rozwój i wykorzystanie AI.
Poza grupą wskaźników podstawowych proponujemy też kilka wskaźników pomocniczych – w naszej opinii mogą stanowić wsparcie dla procesu wyłaniania sektorów priorytetowych. Do tej grupy należy zaliczyć miary wielkości przedsiębiorstw. Obecność w sektorze dużych firm może ułatwiać wdrożenia nowoczesnych narzędzi – jak wynika z danych, duże firmy są bardziej zaawansowane w procesach cyfryzacji i wykorzystaniu AI. Jest to w pewnej mierze szansa krótkoterminowa – nisko wiszący owoc dla wykorzystania potencjału AI. Jednocześnie preferowanie większych firm może podtrzymywać nierówności w rozwoju gospodarczym i zaawansowaniu technologicznym firm. Odwrotny wskaźnik, tj. udział małych i średnich firm, może być z kolei wskazaniem na sektory z dużym potencjałem do poprawy produktywności. To bardziej długoterminowe wyzwanie, dające potencjalnie wyższy zwrot niż skupienie na dużych podmiotach, ale w dłuższym horyzoncie czasowym. Mniejsze firmy rzadziej mają wdrożone nowoczesne narzędzia, ale też większe są wśród nich bariery dla unowocześniania procesów i wyższa awersja do ryzyka.
Ostatnią propozycją jest uwzględnienie sieci współpracy i klastrów branżowych. Rozwój ekosystemu wokół firm innowacyjnych, budowa sieci współpracy, wymiany doświadczeń, mogą przyspieszyć wdrażanie AI w polskiej gospodarce. Sektory rekomendowane jako te, które powinny zostać objęte wsparciem w zakresie wykorzystania sztucznej inteligencji powinny spełniać większość kryteriów zero-jedynkowych oraz mieć wysokie wartości we wskaźnikach ciągłych.
Wyzwania przekrojowe
Koncepcja organizowania polityk publicznych wokół wielkich wyzwań, czy też misji, szczególnie dotyczący obszarów polityk związanych z pobudzaniem innowacyjności, wywodzi się z doświadczeń projektów Manhattan czy Apollo. Podejście takie jest obecnie wykorzystywane w wielu krajach, w tym np. w ramach programu „Horyzont Europa” w Unii Europejskiej, Singapurze czy w Wielkiej Brytanii. W Polsce pojawiało się w projektach NCBiR.
OECD wskazuje, że dobrze określona polityka oparta na misji powinna obejmować kilka faz cyklu tworzenia innowacji (od badań do wejścia na rynek); wykorzystywać różne instrumenty (popytowe, podażowe, itp.); obejmować różne obszary polityk publicznych; być nakierowana na konkretne i ambitne cele; mieć określone ramy czasowe. Poniższe propozycje dają uzasadnienie do połączenia misji (które powinny być elementem szerszego, strategicznego spojrzenia na politykę gospodarczą) z rozwojem sztucznej inteligencji. Rozwój AI może mieć bardzo istotne znaczenie w realizacji konkretnych misji w każdym z poniższych obszarów. Podobne podejście można znaleźć w dokumentach Wielkiej Brytanii, jednego z liderów w obszarze sztucznej inteligencji.
Autorzy AI Opportunities Action Plan wskazują, że biorąc pod uwagę tempo rozwoju możliwości sztucznej inteligencji technologie te mogą stać się bardzo ważnym narzędziem do realizacji pięciu misji zdefiniowanych na poziomie całego rządu. W niniejszej publikacji nie określamy precyzyjnie poszczególnych misji i nie wyznaczamy konkretnych celów ani ram czasowych. W każdym z zaproponowanych przez nas obszarów można wskazać różne cele, w zależności od priorytetów określanych na szczeblu politycznym. Konkretne priorytety i kształt wyzwań (misji) powinny zostać wskazane w strategii rozwoju AI lub w węższych strategiach sektorowych.
Ochrona zdrowia jest sektorem krytycznym dla państwa. Wykorzystanie sztucznej inteligencji w tym obszarze może przyczynić się do rozwoju badań naukowych, produkcji nowych leków, tworzenia nowych lub rozwoju istniejących firm, a także przynieść wymierne korzyści społeczne – poprawić diagnostykę, profilaktykę, skrócić kolejki do lekarzy. Korzyści gospodarcze będą bezpośrednie (rozwój firm z potencjałem eksportowym) oraz pośrednie (np. mniej- sza liczba absencji w pracy, ograniczenie kosztów opieki zdrowotnej). Rozwijanie własnych rozwiązań medycznych opartych na AI może zapewnić niezależność technologiczną w obszarze kluczowym z perspektywy państwa
Zapewnienie bezpieczeństwa (i szerzej rozumianej odporności społecznej) jest kluczowe z punktu widzenia Polski i UE, szczególnie w przypadku zagrożeń wynikających z agresywnej polityki rosyjskiej oraz pozycji Polski na wschodniej flance NATO. Wykorzystanie sztucznej inteligencji może dotyczyć zarówno technologii stricte wojskowych, technologii podwójnego zastosowania, wzmacniania cyberbezpieczeństwa, jak i innych obszarów. Tworzenie AI na potrzeby obronności może przynieść korzyści dla rozwoju nauki, polskich przedsiębiorstw oraz stworzyć potencjał eksportowy, np. na podstawie rozwiązań podwójnego zastosowania i systemów cyberbezpieczeństwa. Rozwój tego typu zastosowań wpisuje się w obecny zwrot w polityce UE, jest także zgodny ze wzmacnianiem konkurencyjności UE. Obszar technologii podwójnego zastosowania jest wskazywany jako jeden z obiecujących sektorów w kontekście wzmacniania innowacyjności w UE, m.in. w raporcie Draghiego. Z kolei raport Niinistö podkreśla defensywną i proaktywną motywację do wykorzystywania technologii sztucznej inteligencji. Wskazuje na konieczność ograniczenia istniejących zależności i unikania popadania w nowe (motywacja defensywna). Z kolei jako przykład budowania odporności na poziomie lokalnym podaje się rozwój koncepcji inteligentnych miast (smart cities), w których, dzięki wykorzystaniu algorytmów sztucznej inteligencji, poprawi się zarządzanie infrastrukturą krytyczną, ograniczone zostaną ryzyka awarii, a działania w sytuacjach kryzysowych będą lepiej skoordynowane.
Wzmocnienie bezpieczeństwa i odporności wymaga działań we wszystkich warstwach stosu technologicznego. Z punktu widzenia wykorzystania w zastosowaniach obronnych, kluczowy jest specjalistyczny sprzęt, bezpieczne i niezawodne sieci łączności, dostosowane modele (w tym specjalistyczne i małe modele) oraz oczywiście aplikacje. Standardy bezpieczeństwa muszą być przestrzegane na najwyższym poziomie. Dla rozwoju technologii podwójnego zastosowania oraz technologii wojskowych konieczne są znaczące inwestycje kapitałowe – czy to bezpośrednio ze środków budżetowych, czy za pośrednictwem wyspecjalizowanych instytucji (np. EBI, DIANA).
Systemy sztucznej inteligencji w sektorze energetycznym stanowią element transformacji systemowej, umożliwiający optymalizację zarządzania sieciami dystrybucyjnymi oraz zwiększenie bezpieczeństwa energetycznego kraju. Wdrożenie AI w energetyce dotyczy wielu warstw stosu technologicznego, a także wielu typów usług. Większe wykorzystanie czujników – w tym rozwój inteligentnych sieci (smart grids) – może być podstawą do lepszego prognozowania popytu i idącego za tym bardziej efektywnego zarządzania sieciami energetycznymi. Algorytmy mogą również poprawiać przewidywanie pogody, co przekłada się na prognozowanie poziomu produkcji energii z OZE. Precyzyjne prognozowanie zapotrzebowania na energię oraz efektywne integrowanie rozproszonych źródeł energii odnawialnej przekładają się na redukcję kosztów operacyjnych i minimalizację strat przesyłowych. Jest to szczególnie istotne w Polsce, ponieważ ceny energii są tu jednymi z najwyższych w UE, co może być istotną barierą dla rozwoju niektórych sektorów gospodarki. Wraz ze wzrostem udziału odnawialnych źródeł energii w miksie energetycznym, wykorzystanie zaawansowanych algorytmów stanie się niezbędne do zapewnienia stabilności systemu, przez prognozowanie wahań popytu i podaży.
Jednak rozwój AI oznacza nie tylko szanse, ale też ryzyka związane ze zwiększonym zużyciem energii elektrycznej. W przypadku naszego kraju oznacza to pogłębienie obecnych wyzwań Polski związanych z tempem i kosztami transformacji energetycznej, ponieważ centra danych będą potrzebować w coraz większym stopniu stabilnych dostaw energii ze źródeł niskoemisyjnych. Jednocześnie w obszarze energetyki należy wskazać powiązania z innymi sektorami gospodarki – jak chociażby budownictwem. Zwiększenie efektywności energetycznej budynków przełoży się na mniejsze zużycie energii w całym systemie.
Podsumowanie
Proponowane podejścia do identyfikacji obszarów kluczowych dla rozwoju i wykorzystania sztucznej inteligencji w Polsce zawierają analizę tej technologii na różnych, chociaż przecinających się poziomach. Wykorzystany model stosu technologicznego wskazuje na potrzebę zastanowienia się nad możliwościami wytwarzania własnych rozwiązań AI w Polsce oraz poszukiwania miejsca polskich podmiotów w regionalnych i globalnych łańcuchach wytwarzania technologii. Świadomość zależności oraz samodzielne wytwarzanie lub udział w procesach tworzenia hardware, infrastruktury i oprogramowania mają znaczenie strategiczne i przyczyniają się do wzmacniania suwerenności technologicznej. W praktyce oznacza to drogę do przynajmniej częściowego uniezależnienia się od dostawców spoza Polski i spoza Unii Europejskiej (co wzmacnia naszą odporność w sytuacji kryzysowej), tworzenie lokalnego know-how, a także może być magnesem przyciągającym utalentowanych naukowców do Polski.
Refleksja nad miejscem Polski w poszczególnych warstwach stosu technologicznego jest więc strategicznie kluczowa, choć częściowo niezwiązana z krótkoterminowymi korzyściami ekonomicznymi. Najwyższa warstwa stosu technologii AI – warstwa aplikacji – jest natomiast bliższa podejściu skupionemu na identyfikacji sektorów polskiej gospodarki, mających potencjał do wdrażania rozwiązań opartych na sztucznej inteligencji. Działania w tej warstwie mają największy potencjał krótkoterminowego wzrostu produktywności firm i całej gospodarki i skupiają się na przyspieszaniu wdrażania rozwiązań końcowych, w gospodarce, w której cały czas poziom cyfryzacji firm jest na niezadowalającym poziomie. Wychodzimy z założenia, że negatywne skutki zaniechań we wdrażaniu innowacyjnych rozwiązań opartych na AI mogą obniżyć konkurencyjność polskich podmiotów i ograniczać ich przewagi eksportowe, jak i negatywnie wpłynąć na możliwości konkurowania z bardziej innowacyjnymi, zagranicznymi firmami na polskim rynku.
W ocenie PIE budowanie kompetencji wdrożeniowych, dostosowanie procesów organizacyjnych oraz zmiana postrzegania technologii AI przez firmy jest istotna dla procesu budowania dojrzałości cyfrowej w Polsce i pozwala uniknąć nawarstwiania się długu technologicznego. Zidentyfikowane wyzwania przekrojowe przenikają przez wszystkie warstwy stosu technologicznego, łączą także działania w różnych sektorach gospodarki. Ma to doprowadzić do określenia strategicznych priorytetów rozwoju naszego kraju oraz wykorzystania sztucznej inteligencji jako wsparcia w ich realizacji. Proponowane przez nas wyzwania nie narzucają wykorzystania konkretnych zastosowań technologii, zaś AI jest tylko jednym z narzędzi, które powinny być wykorzystane do ich rozwiązania. Naszym celem jest raczej zwrócenie uwagi na kwestie o charakterze systemowym oraz wskazanie kierunków i uzasadnienia dla długoterminowej polityki innowacyjnej państwa. Zebrane wnioski tworzą podstawę do rekomendacji, wskazujących możliwe kierunki polityki publicznej w obszarze AI, uwzględniających zarówno perspektywę strategiczną, jak i operacyjną.
Komentarze
Paweł Daszkiewicz
Dyrektor ds. Realizacji Usług DSR 4FACTORY
Zbyt powolne wdrażanie sztucznej inteligencji w polskiej gospodarce realnie grozi spadkiem jej konkurencyjności. AI nie jest już wizją przyszłości, lecz praktycznym narzędziem, które decyduje o efektywności i jakości procesów produkcyjnych. Na świecie algorytmy wspierają dziś predykcyjne utrzymanie ruchu, automatyczną kontrolę jakości czy optymalizację zużycia surowców i energii. Dzięki temu przedsiębiorstwa obniżają koszty, zwiększają wydajność i szybciej odpowiadają na potrzeby klientów.
Jeżeli polskie firmy będą zwlekać, ryzykują utratę pozycji wobec konkurentów, którzy już budują przewagę dzięki innowacyjności i elastyczności. Sztuczna inteligencja to jednak nie tylko automatyzacja – to również wsparcie w podejmowaniu decyzji strategicznych i tworzeniu nowych modeli biznesowych. Opóźnienia oznaczają więc nie tylko rezygnację z oszczędności, lecz także trudności w sprostaniu rosnącym wymaganiom rynkowym i regulacyjnym.
Dlatego polski przemysł powinien już dziś inwestować w rozwiązania AI – zaczynając od obszarów o szybkim zwrocie z inwestycji, jak analiza danych produkcyjnych czy kontrola jakości – aby uniknąć pogłębiającej się luki konkurencyjnej.
Mikołaj Garbarek
Senior Vice President, Logistics CEE Lead, PSI Polska
Nie wdrażając AI na szeroką skalę nasza gospodarka utraci na konkurencyjności i to w krótkim horyzoncie. Według danych Eurostatu za 2024 r. sztuczną inteligencję stosowało w Polsce jedynie 5,9% przedsiębiorstw, co było drugim najniższym wynikiem w całej Unii Europejskiej. Średnia unijna wynosiła 13,5 %, a wśród dużych firm (250+ pracowników) aż 41 %. Co istotne, wśród przedsiębiorstw w UE, które zadeklarowały już korzystanie z AI, tylko ok. 6 % wskazało na zastosowania w logistyce i transporcie. Dane te mają naturalne przesunięcie czasowe – dotyczą 2024 r. – jednak dobrze pokazują, że mimo ogromnego medialnego zainteresowania, realne wdrożenia pozostają ograniczone i bardzo selektywne.
W PSI Polska od kilku lat koncentrujemy się na praktycznym wykorzystaniu sztucznej inteligencji w przemyśle. Nasze doświadczenia pokazują, że AI potrafi realnie wspierać biznes – przewiduje obciążenia, równoważy wykorzystanie zasobów magazynowych i skraca czas realizacji zamówień. Już dziś umożliwia redukcję kosztów planowania i energii, optymalizację zapasów, skracanie lead time oraz ograniczanie przestojów w produkcji i logistyce.
Aby jednak potencjał tej technologii mógł być w pełni wykorzystany, potrzebne jest systemowe podejście – zarówno ze strony przedsiębiorstw, jak i instytucji publicznych. Oznacza to strategiczne inwestycje w rozwój kompetencji, wspieranie innowacyjnych wdrożeń oraz tworzenie warunków do współpracy między sektorem prywatnym i nauką. Bez takiej koordynacji adaptacja AI w Polsce pozostanie wolniejsza niż w innych krajach, co będzie miało bezpośredni wpływ na konkurencyjność gospodarki.
Jeśli tempo adaptacji tej technologii w Polsce nie wzrośnie, przedsiębiorstwa mogą stopniowo tracić przewagę konkurencyjną. W najbardziej pesymistycznym scenariuszu grozi to sprowadzeniem polskich firm do roli podwykonawców w globalnych łańcuchach wartości.
Przemysław Mormul
Country Manager, Toll Global Forwarding (Poland) Sp. z o.o.
Sztuczna inteligencja rozwija się w zawrotnym tempie – rynek AI w sektorze morskim niemal się potroił w ciągu roku, osiągając wartość ponad 4 mld USD , a prognozowany wzrost to ok. 23 % rocznie. To sygnał alarmowy dla krajów i firm, które pozostają w tyle – każda zwłoka może oznaczać utratę konkurencyjności.
Polska jest stosunkowo młodym rynkiem, w którym dominują mniejsze przedsiębiorstwa. To wada i zaleta jednocześnie. Wada – bo brakuje kapitału, doświadczonych kadr i dostępu do wysokiej jakości danych – niestety wiele firm korzysta z przestarzałych systemów. Zaleta – te firmy są zwinne, szybko adaptują się do zmian i potrafią wdrażać innowacje bez wieloletnich procesów decyzyjnych.
W logistyce i transporcie (również w segmencie morsko-lotniczego cargo) AI może zrewolucjonizować sposób pracy spedytorów (skokowo poprawiając efektywność), ale także poprawić prognozowanie popytu, optymalizację tras, czy dostarczanie raportów dla klientów, a to przekłada się na niższe koszty i lepszą obsługę klienta. Opóźnienia we wdrożeniu grożą jednak relokacją ładunków i klientów do operatorów bardziej zaawansowanych technologicznie.
Wnioski dla nas są jasne: powinniśmy przyspieszyć testy i wdrożenia narzędzi AI w procesach operacyjnych i komercyjnych, inwestować w kompetencje zespołu oraz aktywnie szukać partnerstw technologicznych. Nasza elastyczność organizacyjna może stać się przewagą — ale tylko wtedy, gdy wykorzystamy ją szybciej niż konkurencja.
Artykuł ukazał się w czasopiśmie Eurologistics 4/2025
