Insights · Strategia

AI a przewaga konkurencyjna: co zostaje, gdy wszyscy mają te same narzędzia

Każdy materiał na zarząd ma dziś slajd o AI i prawie każdy stawia tę samą tezę: to będzie nasza przewaga. Dane mówią coś przeciwnego. Zyski lądują tam, gdzie praca była najbardziej odtwarzalna, docierają do każdego konkurenta w ciągu tych samych kilkunastu miesięcy i w większości wychodzą z powrotem przez cenę. Zostaje to, czego AI potrzebuje i czego nie potrafi wytworzyć.

Przewaga konkurencyjna to zdolność do osiągania wyników powyżej średniej w branży przez czas dłuższy, niż konkurenci potrzebują na skopiowanie ruchu, który te wyniki dał. Cały ten tekst jest o drugiej części tej definicji. Uzasadnienie inwestycji w AI, które trafia na zarządy, opiera się na liczbie produktywności i ta liczba zwykle jest prawdziwa. Brakuje pytania, które rozstrzyga, czy jest cokolwiek warta: co się z nią stanie, gdy każdy konkurent będzie miał taką samą. Zyski operacyjne stają się przewagą tylko wtedy, gdy rywale nie mogą ich uzyskać, a definicyjną cechą modelu z czołówki jest to, że każdy może go mieć w tym kwartale, na firmową kartę.

Wielkość zysku mierzy to, jak kopiowalna była praca

Dwa najczystsze eksperymenty terenowe zgadzają się ze sobą, a to, co pokazują, jest niewygodne. Brynjolfsson, Li i Raymond przeprowadzili 5 179 konsultantów obsługi klienta przez etapowe wdrożenie asystenta generatywnego i zmierzyli wzrost produktywności o 14 procent średnio: 34 procent u nowicjuszy i pracowników o niskich kwalifikacjach oraz, cytując ich, minimalny wpływ na pracowników doświadczonych i wysoko wykwalifikowanych. Najciekawsze jest ich wyjaśnienie. Model rozprowadza najlepsze praktyki zdolniejszych pracowników. Dell'Acqua i współautorzy znaleźli ten sam kształt na 758 konsultantach w Harvardzie i BCG, gdzie słabsza połowa poprawiła wynik o 43 procent wobec 17 procent w lepszej.

Czytaj te liczby jako zdania o Twojej firmie, nie o technologii. Narzędzie bierze to, co wiedzą Twoi najlepsi ludzie, i podaje reszcie. Wewnątrz jednej firmy to świetna wiadomość i warto za nią zapłacić. W skali rynku znaczy to, że dokładnie to samo dzieje się u konkurenta, z jego najsłabszymi ludźmi, w tym samym czasie. Rozkład kompetencji się zawęża, a węższy rozkład to przeciwieństwo przewagi.

Wniosek, który powinien paść na zarządzie, brzmi tak. Jeśli AI podnosi proces o 40 procent, ten proces dawał się skodyfikować, czyli zawsze był kopiowalny, a Wy braliście pieniądze za coś, czego maszyna nauczyła się z transkryptów. Tam, gdzie nie podnosi nic, praca kodyfikacji się opiera. I to właśnie tam przez cały czas mieszkała Wasza przewaga.

Dlaczego zysk zatrzymuje się przed rachunkiem wyników

Dane zagregowane mówią, że to już się dzieje. Badanie State of AI McKinseya, opublikowane 25 sierpnia 2026 na próbie 1 719 respondentów z 97 krajów, pokazało, że blisko dziewięć na dziesięć organizacji używa AI regularnie w co najmniej jednej funkcji, a 44 procent skaluje je w całym przedsiębiorstwie. W tym samym badaniu 37 procent przypisało AI jakikolwiek wpływ na EBIT, czyli udział zasadniczo niezmieniony rok do roku, a tylko 6 procent przypisało mu 5 procent lub więcej. Podsumowanie samego McKinseya jest bez ogródek: przekonanie rośnie szybciej niż zwroty.

Standardowa interpretacja tej luki to problem z wdrożeniem. Jest częściowo słuszna i w większości niewystarczająca, bo gdyby chodziło o dojrzałość wdrożeń, udział rósłby wraz z zasięgiem wdrożeń, a nie rośnie. Redukcja kosztu, która dociera do całej kategorii naraz, to w ekonomii wspólny szok kosztowy i zachowuje się inaczej niż szok dotykający pojedynczej firmy. Raport o przenoszeniu kosztów, który RBB Economics przygotowało dla Office of Fair Trading w 2014 roku, mówi to wprost: skala przenoszenia kosztów właściwych dla jednej firmy jest zwykle mniejsza niż przy kosztach obejmujących całą branżę. Firmę, która potaniała sama, dyscyplinują rywale o niezmienionych kosztach, więc może utrzymać cenę i zatrzymać marżę. Gdy oszczędność jest powszechna, ceny nie trzyma nic i konkurencja oddaje korzyść klientowi.

Arytmetyka na Twoich własnych liczbach

Weź wiarygodną strukturę: przychód 100, marża brutto 40, koszty sprzedaży i ogólne 30, EBIT 10. Poważny program usuwa 15 procent bazy kosztów sprzedaży i ogólnych, czyli 4,5 punktu przychodu, i kosztuje 1,2 punktu rocznie, gdy policzyć licencje, integrację, inżynierię danych, ewaluację i nadzór. W oderwaniu od reszty rynku to 3,3 punktu EBIT i łatwa zgoda.

Teraz załóż to, co jest faktem: trzej główni konkurenci prowadzą ten sam program w tym samym okresie. Przyjmij 70-procentowe przeniesienie wspólnego szoku na cenę, wyraźnie w granicach tego, co raportuje literatura. Cena spada o 3,15 punktu. Zostaje Ci 1,35 z 4,5, wydajesz 1,2 na stos technologiczny i do EBIT dociera 0,15 punktu. Dziesięć staje się 10,15: usunięcie 15 procent kosztów ogólnych ruszyło zysk operacyjny o półtora procent. Przeprowadź ten sam program jako jedyna firma, która go ma, gdzie przeniesienie oszczędności właściwej dla jednej firmy jest dużo niższe, powiedzmy 20 procent, a do EBIT dotrze 2,4 punktu. Operacja jest identyczna. Wynik różni się szesnastokrotnie, a jedyną zmienną jest to, czy konkurenci mogli zrobić to samo.

Trzeci przypadek jest tym, który zamienia to w decyzję, a nie w dyskusję. Zostań z boku, gdy kategoria nie zostaje, a cena i tak spadnie o 3,15 punktu, bo ustala ją rynek, a nie Twoja baza kosztowa, tyle że Ty nie wyjąłeś kosztu, żeby jej dorównać. EBIT schodzi z 10 do 6,85, czyli spada o mniej więcej jedną trzecią, i zarobiłeś ten spadek, nie wydając nic. Program jest więc obowiązkowy i sam z siebie nierentowny. Podejście zasobowe Barneya ma na ten stan precyzyjny termin: zasób wartościowy, ale nierzadki, daje parytet konkurencyjny, a nie przewagę. Parytet trzeba kupić, bo alternatywą jest upośledzenie. Nikt jednak nie powinien usłyszeć na komitecie inwestycyjnym, że kupowanie go jest strategią.

Zdolność, którą konkurent kupi we wtorek, jest pozycją kosztową, nie fosą.

Strategia miała już na to nazwę

Nic z tego nie jest nowe i to jest w tym najbardziej użyteczne. Porter opisał ten mechanizm w 1996 roku, a zdania zniosły próbę czasu: konkurencja na efektywności operacyjnej przesuwa granicę produktywności na zewnątrz i podnosi poprzeczkę wszystkim, ale choć daje poprawę bezwzględną, nie daje poprawy względnej nikomu. Dorzucił też zdanie, które opisuje większość programów AI w obecnym kształcie: im więcej firmy robią benchmarkingu, tym bardziej są do siebie podobne. Nicholas Carr postawił tę samą tezę o firmowym IT w 2003 roku i usłyszał, że nie zrozumiał tematu. Zrozumiał. Ta fala różni się tempem, nie strukturą, a tempo ma znaczenie, bo skraca okno, w którym pierwszy ruch cokolwiek zatrzymuje.

Czego AI potrzebuje i nie potrafi wytworzyć

Przepuść subskrypcję modelu przez cztery testy podejścia zasobowego. Wartościowy: oczywiście. Rzadki: w żadnym stopniu. Kosztowny do naśladowania: odwrotnie, naśladowanie to decyzja zakupowa. Zorganizowany tak, by przechwycić wartość: być może, i to jedyny z czterech testów, który kontrolujesz. Trzy porażki na cztery to definicja parytetu i wskazówka, gdzie patrzeć zamiast tego: na wsady, których model potrzebuje i nie umie wygenerować, oraz na aktywa decydujące o tym, czy jego wynik w ogóle dotrze do kupującego.

Trzy rzeczy zyskują na wartości, a nie tracą. Pierwsza to własne dane ze sprzężeniem zwrotnym: wyniki Waszych własnych decyzji, których konkurent nie odtworzy, a żaden dostawca mu ich nie sprzeda. W ujęciu Helmera to zasób zawłaszczony i jedyna z sił, którą model wzmacnia, zamiast ją erodować. Druga to dystrybucja i pamięć. Gdy odpowiedź przychodzi jako jedna wypowiedź modelu, a nie dziesięć linków, bycie marką, którą się wymienia, jest całą konkurencją, o czym pisaliśmy w tekście o tym, jak marka trafia do odpowiedzi ChatGPT i Perplexity, a od strony aktywów w tekście rozpoznawalność bije różnicowanie. Trzecia to koszty zmiany i siła procesu: AI wpięta w przepływ pracy, trzymająca Wasze dane i nagromadzone decyzje organizacji, to inny obiekt niż ten sam model za loginem.

Czwarta przechodzi bez szwanku i mniejsze firmy powinny to zauważyć. Counter-positioning nigdy nie zależał od możliwości, więc lepsze narzędzia u lidera nic nie zmieniają: ograniczeniem zawsze była jego własna pula zysku. Test opisaliśmy w tekście go-to-market challengera.

Zawęża ludzi, poszerza firmy

Teza, że AI wyrównuje szanse mniejszym firmom, jest prawdziwa wobec pojedynczych pracowników i fałszywa wobec firm, a te dwie rzeczy myli się nieustannie. Wszystko powyżej poziomu pracownika jest kosztem stałym: inżynieria danych, zestawy ewaluacyjne, przegląd bezpieczeństwa i prawny, nadzór nad modelami, przeszkolenia, koszt publicznej pomyłki. Koszty stałe sprzyjają temu, kto ma wolumen, żeby je rozłożyć, a to jest prosta definicja ekonomii skali. Dane o adopcji już pokazują ten rozjazd: Business Trends and Outlook Survey amerykańskiego Census Bureau, opublikowany 26 maja 2026, podał użycie AI w firmach na poziomie 19,8 procent ogółem, wobec 37 procent w firmach od 250 pracowników i poniżej 20 procent w firmach poniżej 20 osób, gdzie liczba nie drgnęła. Wewnątrz firmy technologia zawęża dystans między najlepszym a najsłabszym. Między firmami poszerza dystans między tymi, którzy zamortyzują narzut, a tymi, którzy nie zamortyzują. Tylko jeden z tych dwóch faktów jest w prezentacji dostawcy.

Jak to prowadzimy

Trzy pytania, w tej kolejności, i żadne nie dotyczy wyboru modelu. Brand X-Ray robi inwentarz tego, co faktycznie macie, i układa to według czterech testów, oddzielając pozycje kupujące parytet od tej garstki, która jest naprawdę rzadka. Brand Wargame rozgrywa potem przypadek symetryczny, ten, którego nikt nie modeluje: nie co my zrobimy z AI, tylko jak wygląda rachunek wyników tej kategorii za dwa lata, gdy ma je cała czwórka, kto zatrzyma oszczędność i która z dzisiejszych przewag przetrwa zderzenie z konkurentem nagle równie szybkim jak my. Cashstream kładzie założenie o przeniesieniu na cenę na papier i dzieli budżet na część broniącą parytetu i część kupującą coś rzadkiego. Szerszą ramę opisuje nasza strona doradztwa strategicznego.