Zapytałem kiedyś prezesa spółki produkcyjnej, ile zaplanował w budżecie rocznym na „utrzymanie” systemu AI, który właśnie kupił. Odpowiedź brzmiała: „to jest kontrakt serwisowy, jest w ofercie”. Było w ofercie, owszem, ale obejmowało tylko wsparcie techniczne dostawcy. Nie pokrywało czyszczenia danych z nowych systemów, które właśnie wpięto, nie pokrywało retreningu modelu po zmianie asortymentu, nie pokrywało czasu osoby, która musiała ogarnąć, że wynik modelu przestał być wiarygodny. Po roku realne koszty operacyjne okazały się trzykrotnie wyższe niż w tej „ofertowej” linijce.
To nie jest wyjątkowy przypadek. To norma. W tym artykule pokażę Ci, gdzie kryją się pieniądze w projekcie AI i jak ułożyć budżet, żeby za rok nie wracać do zarządu po trzecią transzę. Jeśli chcesz zobaczyć koszty w szerszym kontekście zakupowym, zajrzyj również do przewodnika o transformacji biznesowej i wdrażaniu AI.
Model góry lodowej: co widać, co leży poniżej
Koszty systemu AI przypominają górę lodową. Nad powierzchnią widać oczywiste pozycje: licencje, wynagrodzenia programistów, infrastrukturę chmurową. To jest ta część, którą dostawcy wpisują do oferty, bo łatwo ją policzyć i dobrze wygląda w porównaniu z konkurencją. Poniżej powierzchni leży 60-70% rzeczywistej inwestycji: dane, integracje, compliance, change management, utrzymanie i degradacja modelu w czasie.
Liczby są bezlitosne. Według danych S&P Global 42% firm porzuciło w 2025 roku większość swoich inicjatyw AI, a badanie MIT Project NANDA wykazało, że 95% projektów generatywnej AI nie przyniosło żadnego mierzalnego zwrotu. Gartner idzie krok dalej i prognozuje, że 60% projektów AI bez „AI-ready data” zostanie porzuconych. Wspólny mianownik tych porażek to nie technologia. To budżet zbudowany na tym, co widać, a nie na tym, co rzeczywiście kosztuje.
Cztery największe ukryte koszty
Z siedmiu kategorii TCO są cztery, które najczęściej rozsadzają budżet już w pierwszych dwunastu miesiącach. Nie są najbardziej techniczne. Są najbardziej chronicznie niedoceniane w ofertach dostawców i wewnętrznych kalkulacjach.
Dane, czyli fundament, który rzadko jest gotowy
Przygotowanie danych to największa pojedyncza kategoria kosztowa projektu AI. Specjaliści ds. danych spędzają 60-80% czasu na ich czyszczeniu, transformacji i przygotowaniu, a nie na budowie modeli. W projektach enterprise inżynieria danych kosztuje typowo dwa do trzech razy więcej niż sam rozwój modelu, a całość pochłania 30-50% budżetu AI. W polskich realiach typowy projekt MŚP wymaga od 2 000 do 8 000 zł samego „clean-upu” danych przed uruchomieniem właściwego wdrożenia. Brzmi skromnie, dopóki nie okaże się, że trzeba też zbudować konektory do starego ERP, który nie ma API, wystandaryzować formaty z trzech lokalizacji i wyetykietować 20 tysięcy historycznych zgłoszeń.
Integracja z systemami legacy, czyli mnożnik 2-3x
Jeśli dostawca wycenia wdrożenie „greenfield” na 100 tys. zł, realistyczna wycena projektu z integracją starszych systemów to 200-300 tys. zł. Mnożnik jest niezależny od wielkości firmy. Dla średnich organizacji koszty samej integracji mieszczą się w 80-320 tys. PLN (po przeliczeniu z dolarów), dla enterprise przekraczają 600 tys. PLN. 84% organizacji zmaga się z „data silos”, czyli sytuacją, w której dane potrzebne przez AI są rozproszone po systemach, które ze sobą nie rozmawiają. Zanim model zacznie cokolwiek liczyć, ktoś musi zbudować mosty. Te mosty są ukryte w każdym budżecie, a rzadko w ofercie.
Talenty i szkolenia, czyli rynek sprzedającego
Rynek specjalistów AI od trzech lat działa na korzyść kandydata. W 2026 roku zatrudnienie w obszarze AI/ML rosło o 88% rok do roku, a specjaliści AI i ML zarabiają od 25% do 56% więcej niż porównywalne stanowiska bez kompetencji AI. Roczny koszt jednego data scientista lub ML engineera w wycenie zachodniej to 480-720 tys. PLN (120-180 tys. USD). Polskie stawki są niższe, ale co roku wyraźnie rosną. Do tego dochodzi część najczęściej pomijana w budżetach: szkolenia istniejących pracowników. Standardowy program AI dla zespołu 20-50 osób to 3-6 tys. zł. Bez niego adopcja narzędzia jest iluzoryczna i wszystkie powyższe wydatki tracą sens.
Zarządzanie zmianą, czyli najczęściej zero w budżecie
To pułapka, o której dostawcy nigdy nie mówią. Badania McKinseya wskazują, że 70% programów transformacji cyfrowej nie osiąga celów, a przyczynę trzy razy częściej stanowią czynniki ludzkie i organizacyjne niż technologiczne. W samym AI aż 29% wdrożeń zawiodło z powodu niewystarczającej adopcji przez użytkowników, a nie z powodu błędów technicznych. Jeżeli w ofercie dostawcy nie ma osobnej linijki na komunikację, szkolenia, redesign procesów i czas menedżerów, to ta linijka i tak powstanie, tylko zostanie zapłacona z budżetu operacyjnego, nieplanowo i zazwyczaj za późno.
Compliance, utrzymanie i model drift
Trzy kategorie, które są policzalne, ale rzadko policzone. Dla polskiego managera oznacza to konkretne pozycje budżetowe, które w 2026 roku nie są już opcjonalne.
RODO i koszty audytu
Wdrożenie systemu AI przetwarzającego dane osobowe wymaga przeprowadzenia DPIA (Data Protection Impact Assessment). Audyt RODO w małej firmie zaczyna się od 5 tys. zł, w korporacji sięga 50 tys. zł. Outsourcing Inspektora Ochrony Danych to 1-10 tys. zł miesięcznie w zależności od skali. Wszystko przed pierwszym zapytaniem do modelu.
EU AI Act i ocena zgodności
Akt w pełni obowiązuje od sierpnia 2026 roku. Dla systemów wysokiego ryzyka (HR, scoring kredytowy, diagnostyka) ocena zgodności jednego systemu to 9,5-14,5 tys. EUR, czyli ok. 41-63 tys. PLN. Pełny system zarządzania jakością wymagany przez artykuł 17 aktu to przy pierwszej implementacji 193-319 tys. EUR, a więc ok. 840 tys. do 1,38 mln PLN. Utrzymanie tego systemu to 150 tys. EUR rocznie, czyli ok. 650 tys. PLN.
Dla małego SaaS-a używającego publicznego API ryzyko jest niskie, ale i tam trzeba uchwalić politykę korzystania z AI i przeszkolić zespół. Kary za nieprzestrzeganie sięgają 7% globalnego obrotu i kumulują się z sankcjami RODO.
Utrzymanie i model drift
Wdrożenie AI to zobowiązanie operacyjne, nie projekt z datą zamknięcia. Roczne koszty utrzymania wynoszą 15-30% wartości pierwotnej inwestycji. 81% firm niedoszacowuje kosztów model driftu i retreningu, a nieleczony model drift może kosztować ok. 720 tys. PLN rocznie (180 tys. USD) na jeden zdegradowany model, przy sześciu do dziewięciu miesiącach opóźnienia w detekcji problemu.
Jak zbudować realistyczny budżet AI
Po kilku latach obserwowania wdrożeń AI w polskich firmach, które albo wyszły na plus, albo skończyły się w szufladzie, wyciągnąłem sześć zasad, które realnie zmieniają strukturę budżetu. Każda z nich jest prosta do wdrożenia i każda działa profilaktycznie. Jeśli pominiesz ją na etapie planowania, zapłacisz za nią później.
- Mnożnik 2-3x do wyceny dostawcy, jeśli projekt wymaga integracji z istniejącymi systemami. To nie jest pesymizm, to statystyka.
- Utrzymanie od dnia pierwszego. Zabudżetuj 15-30% wartości inwestycji jako stały koszt operacyjny (OPEX), nie jednorazowy CAPEX. Retrening, monitoring, incydenty.
- Minimum 10% budżetu na zarządzanie zmianą. Komunikacja, szkolenia, redesign procesów. Bez tego wszystkie pozostałe wydatki tracą wartość.
- Konsultacja prawna przed wdrożeniem, nie po. Poprawki compliance ex post są 3-5x droższe niż wbudowanie w projekt od początku.
- Pilotaż zamiast skali. Ograniczenie do jednego procesu zmniejsza koszty pierwszego błędu o rząd wielkości. Skala zawsze mnoży, również błędy.
- Monitoring kosztów chmurowych z alertami. Jeden nieplanowany tydzień intensywnego trenowania modelu potrafi zjeść miesięczny budżet. Limity i powiadomienia to nie luksus, to higiena operacyjna.
Na koniec jedna obserwacja rynkowa, która trochę rozjaśnia obraz. Pomimo pułapek budżetowych, korporacje planują w 2026 roku podwoić wydatki na AI z 0,8% do 1,7% przychodów, a 84% firm globalnie zwiększa budżety AI w ciągu najbliższych dwunastu miesięcy. Pytanie nie brzmi już „czy wdrażać AI”. Brzmi: „jak wdrożyć tak, żeby nie stracić pieniędzy na tym, czego nie było w ofercie”.
Jeśli chcesz przejść krok po kroku przez cały proces budżetowania, od diagnozy gotowości po skalowanie, zobacz pełny program w kursie Future Leaders: AI dla Liderów. Różnica między firmą, która dopisze realistyczny budżet utrzymania, a firmą, która kupi licencję i „zobaczymy”, to dwanaście miesięcy operacyjnej ciszy albo dwanaście miesięcy gaszenia pożarów.
