Notatki z prezentacji Carlosa Gonzaleza de Villaumbrosia, założyciela i CEO Product School, wygłoszonej podczas konferencji w San Francisco. Wszystkie przemyślenia, obserwacje i wnioski pochodzą bezpośrednio od prelegenta.

TL;DR

93% transformacji AI nie przynosi rezultatów – to najgorszy wskaźnik sukcesu w historii ostatnich 25 lat transformacji cyfrowych
Z 200 miliardów dolarów inwestowanych rocznie w AI, aż 180 miliardów nie przyniesie żadnego znaczącego wpływu na biznes
Trzy główne przyczyny niepowodzeń: brak zaangażowania kadry zarządzającej (tylko 8% liderów jest biegłych w AI), brak płynności AI w zespołach (58% firm bez planu szkoleń) oraz przestarzałe systemy z brudnymi danymi
Brak zaangażowania executive to pierwsze wąskie gardło – gdy leadership nie jest zaangażowany, zespoły nie dostają wsparcia, a systemy pozostają niezmienione
Głównym problemem nie są narzędzia, lecz brak strategicznej orkiestracji ludzi, procesów i danych w nowy, spójny system operacyjny firmy
Tylko 1% firm osiągnęło poziom AI-first, gdzie AI jest domyślną odpowiedzią na rozwiązywanie problemów i budowanie produktów
Carlos szczerze przyznaje, że transformacja Product School zajęła prawie 2 lata i popełnił wszystkie klasyczne błędy mimo znajomości best practices

Szokujące dane z rynku AI

Carlos Gonzalez de Villaumbrosia rozpoczyna swoją analizę od bardzo twardych danych. Według badań, aż 93% transformacji związanych ze sztuczną inteligencją kończy się porażką. Jest to najgorszy wskaźnik sukcesu dla jakiejkolwiek transformacji cyfrowej w ciągu ostatnich 25 lat.

Dane z innych źródeł niestety potwierdzają ten ponury obraz:

BCG: tylko 7% firm raportuje znaczące zyski z AI
MIT: 95% pilotażowych projektów AI nie wpływa na wyniki finansowe

Prelegent podkreśla kluczowy problem: wdrażanie AI nie przekłada się automatycznie na wpływ biznesowy. Firmy inwestują w narzędzia, jednak zapominają o transformacji jako całości.

Wymiar finansowy jest olbrzymi. Rocznie 200 miliardów dolarów trafia na oprogramowanie i usługi AI. To jednak tylko wydatki bezpośrednie – nie wliczają się tu inwestycje hyperscalerów w infrastrukturę czy warstwę modeli. Chodzi wyłącznie o koszty narzędzi, szkoleń i wdrożeń po stronie przedsiębiorstw.

Z tych 200 miliardów dolarów, ponad 180 miliardów nie przyniesie żadnego znaczącego wpływu. To nie abstrakcyjne liczby – to realne, zmarnowane budżety.

To nie wina narzędzi. Prawdziwy problem leży gdzie indziej

Porównując z poprzednimi erami – internetem, mobile, cloudem, agile czy product-led growth – wszystkie te transformacje były źle wykonane. Mimo to AI bije wszelkie rekordy w kategorii najgorszych wskaźników sukcesu.

Główną przyczyną tak częstych porażek nie jest jednak technologia. Problem leży w podejściu większości firm, które skupiają się na narzędziach, a nie na prawdziwej, głębokiej transformacji.

Według założyciela Product School, prawdziwa zmiana pochodzi z czegoś znacznie głębszego. Chodzi mianowicie o orkiestrację trzech kluczowych elementów: ludzi, narzędzi i procesów w zupełnie nowy system operacyjny firmy. Bez harmonijnego połączenia tych składników, nawet najlepsze narzędzia pozostaną tylko kosztowną, bezużyteczną zabawką.

Trzy główne bariery na drodze do transformacji AI-first

W swojej analizie Gonzalez identyfikuje trzy fundamentalne problemy, które skutecznie blokują postęp w większości organizacji. Carlos zapytał publiczność o główną przyczynę niepowodzeń – wszystkie trzy odpowiedzi okazały się prawidłowe, jednak między nimi istnieje wyraźna hierarchia.

Bariera 1: Brak zaangażowania liderów – to pierwsze wąskie gardło

Zaledwie 8% liderów biznesowych uważa się za biegłych w AI. To paradoks – decydują o transformacji, której sami nie rozumieją.

Większość executive deleguje AI do zespołów. Niektórzy idą dalej i zatrudniają Chief AI Officer, aby „załatwił sprawę”. Według Carlosa to fundamentalny błąd strategiczny.

Jak zauważa Gonzalez, nie chodzi tu o samo „wsparcie” transformacji, ale o pełne „zaangażowanie”. Prelegent wyjaśnia mechanizm porażki: gdy leadership nie jest zaangażowany, zespoły nie otrzymują wsparcia. W rezultacie systemy operacyjne pozostają niezmienione. Ostatecznie zaufanie spada i nic się nie dzieje.

Liderzy muszą chodzić własnymi śladami, nie tylko sponsorować inicjatywy. Executive muszą najpierw sami stać się zaawansowanymi użytkownikami AI, w przeciwnym razie zespoły nie dostaną prawdziwego wsparcia.

Bariera 2: Brak płynności AI w zespołach

AI fluency to obecnie najszybciej rozwijająca się umiejętność na świecie. Paradoksalnie, 58% firm inwestujących w narzędzia AI nie ma żadnego planu podnoszenia kwalifikacji swoich pracowników.

Wiele firm traktuje AI jak „eksperyment w piaskownicy”. Kupują narzędzia i pozwalają ludziom się nimi „bawić”. Takie podejście, jak podkreśla Gonzalez, nigdy nie znajduje szerszego zastosowania poza wąską grupą początkowych entuzjastów. Dzieje się tak, ponieważ brakuje mu struktury i planu podnoszenia kompetencji dla całej organizacji.

Typowy błędny scenariusz:

Firma kupuje narzędzia AI na prawo i lewo
Mówi zespołom: „idźcie, pobawcie się AI”
Traktuje AI jak sandbox – eksperyment bez struktury
AI nigdy nie skaluje się poza grupę championów

Właściwa kolejność jest odwrotna. Najpierw buduje się strukturalny plan szkoleń. Dopiero potem wyposaża zespoły w odpowiednie narzędzia, dzięki czemu mogą zastosować zdobytą wiedzę.

Bariera 3: Przestarzałe systemy i chaos w danych

Większość firm próbuje nałożyć AI na przestarzałe systemy z nieuporządkowanymi danymi. Próba nakładania warstwy AI na stare, nieuporządkowane procesy to droga na skróty, która prowadzi donikąd.

Problem w tym, że pudełko i tak trzeba otworzyć. Zamiast zapewniać właściwy kontekst dla modeli, firmy liczą na cuda z brudnymi danymi wejściowymi. Jeśli dane wejściowe są niewiarygodne, wyniki generowane przez AI również takie będą. W konsekwencji pracownicy szybko stracą zaufanie do nowej technologii.

Zwycięskie firmy – te 7% – odbudowują swoje procesy wokół AI. Rozważają przy tym, jak informacja przepływa między zespołami, jak dane są zarządzane oraz jak ludzie współpracują z agentami.

Ścieżka do dojrzałości AI: Od oszczędności do wartości biznesowej

Carlos Gonzalez przedstawia prosty model, który pokazuje ewolucję firmy w drodze do bycia AI-first. Z jego analizy wynika, że nie jest to jeden skok, a przemyślana podróż przez kolejne etapy.

Etap 1: Eksperymentacja

Filozofia „idź, baw się, psuj rzeczy, poruszaj się szybko”
Większość firm wciąż tkwi na tym poziomie
Panuje testowanie narzędzi, często bez jasno określonego celu
Wdrażanie nie jest już problemem – kluczowe pytanie brzmi: co dalej?

Etap 2: Automatyzacja przypadków użycia

Fokus przesuwa się na oszczędności kosztów
Głównym celem staje się redukcja kosztów poprzez automatyzację konkretnych, powtarzalnych zadań
To najbardziej intuicyjny rezultat dla firm zaczynających czerpać wartość z AI

Etap 3: Integracja systemów

Ewolucja od czystych oszczędności do wartości dla użytkownika
Punkt ciężkości przesuwa się z oszczędności na tworzenie nowej wartości dla użytkownika
Firmy szukają sposobów nie tylko na zwiększenie marży, ale również na zachwycenie klienta

Etap 4: Transformacja AI-first

Przekraczamy granicę między wartością użytkownika a wartością biznesową
Ostatecznym celem staje się generowanie nowej wartości biznesowej i odkrywanie nieznanych dotąd modeli wzrostu
Zaledwie 1% firm uważa się za AI-first

Carlos dodaje ważny kontekst: „Czasami mieszkamy w San Francisco i myślimy, że wszyscy są już na stage four. Tak nie jest.”

Bonus: Etap 5 – AI-native

Firmy urodzone w erze AI (OpenAI, Anthropic, Lovable)
Nie mają legacy systemów do naprawy ani procesów do przeprojektowania
Zaczęły z AI od dnia pierwszego

Dla większości firm, włączając Product School, droga wiedzie przez transformację do AI-first. AI-first oznacza domyślne sięganie po AI jako pierwszą odpowiedź na rozwiązywanie problemów i budowanie produktów.

Jak Product School stało się AI-first? 3 błędy i 3 lekcje

Carlos szczerze dzieli się swoimi porażkami. W 2023 roku Product School uruchomiło pierwszą certyfikację AI dla produktowców. Sukces był ogromny – product managerowie wszędzie chcieli nauczyć się lepszego wykorzystania AI.

Ironia? Wewnątrz Product School nie było AI-first. Zespół produktowy prosperował, jednak marketing, ops i sales zostawały w tyle. Gonzalez otwarcie przyznaje, że sam popełnił kluczowe błędy podczas transformacji własnej firmy. Te doświadczenia stały się jednak fundamentem trzech cennych lekcji.

Prelegent przyznaje z pokorą: „Zabawne, bo stoję tu i dzielę się best practices, których sam nie przestrzegałem. Niedoszacowałem wpływu, jaki AI będzie miał, i wysiłku, jakiego wymaga prawdziwa transformacja.”

Zajęło mu prawie dwa lata, żeby to zrobić dobrze. To istotne dla realistycznych oczekiwań – nawet dla firmy szkolącej innych z AI.

Lekcja 1: Skup się na realnym wpływie, a nie na wskaźnikach adopcji

Product School początkowo uczyło AI na zewnątrz, ale wewnętrznie wcale nie żyło tymi zasadami. Przełomem okazało się przeszkolenie z AI wszystkich pracowników firmy, a nie tylko zespołu produktowego.

Nie dotyczyło to tylko zespołów produktowych – wszyscy w firmie przeszli szkolenie AI. Nawet zespoły spoza produktu jak marketing, sales czy ops ukończyły certyfikację AI for Product. W ten sposób biegłość w posługiwaniu się AI (AI fluency) stała się nowym standardem dla całej organizacji.

Lekcja 2: Lideruj z pierwszej linii, zamiast delegować

Dyrektor generalny Product School przyznaje, że za wcześnie oddał odpowiedzialność za AI. Carlos widział, że jego inżynierowie radzą sobie z AI, więc pomyślał: „okej, weźcie to stąd”. Założył, że skoro używają AI, to wystarczy. Zewnętrznie Product School współpracowało z top liderami AI, dlatego łatwo było delegować: „świetnie, uczcie naszych klientów AI”.

Wydawało się efektywne. Carlos był w błędzie. Szybko zrozumiał, że – jak sam mówi – „transformacji nie da się zlecić na zewnątrz. Trzeba ją modelować”.

Kluczowe zmiany wprowadzone w firmie:

Carlos wrócił do swoich produktowych korzeni i zaczął znów budować z AI
Przeszedł własne certyfikacje („pić własny szampan”)
Wysłał jasny sygnał od zespołu leadership: to nie tylko ja, to my
Usunięto wiele warstw organizacyjnych – każdy kierownik zespołu stał się grającym trenerem
Wszyscy budują z AI codziennie, bez wymówek
Wprowadzono ograniczenia rekrutacyjne: domyślnie uzasadniali, dlaczego AI NIE będzie w stanie zrobić tego, co potrzebują od człowieka
AI fluency stało się absolutnie niezbędnym wymaganiem przy zatrudnianiu

Carlos podkreśla mocno: „Nie zatrudniamy jednego Chief AI Officer. Wszyscy jesteśmy chiefs of AI.”

To ograniczenie sprawiło, że ludzie stali się bardziej kreatywni na wszystkich poziomach organizacji.

Lekcja 3: Systematyzuj, zamiast tylko inspirować

Carlos jest dobry w inspirowaniu. Zrobił wszystkie klasyczne rzeczy: wysłał AI memo do zespołu o tym, jak świat się zmienia. Stworzył przestrzeń na all-hands dla ludzi pokazujących, jak używają AI. Zorganizował nawet hackathon z championami.

Początkowe działania, takie jak hackathony, były ekscytujące, ale nie przynosiły trwałej zmiany. Ludzie definitywnie używali AI i to kochali. Wdrażanie nie było problemem. Carlos zdał sobie jednak sprawę z kluczowej prawdy: „inspiracja bez mierzenia to tylko cukrowy haj” (inspiration without measurement is just a sugar high).

Obserwuje teraz firmy dodające wdrażanie AI jako kryterium w ocenach pracowniczych. Można to grać w system – ludzie i tak w większości przyjmują narzędzia, a jeśli nie, mogą powiedzieć, że tak. Chyba że masz naprawdę wyrafinowany system, wdrażanie to mały wskaźnik wyprzedzający, nie faktyczne wąskie gardło.

Product School odświeża strategię pod koniec każdego roku. Tym razem było inaczej – przebudowano całą trzyletnią strategię od podstaw. Prawdziwy zwrot nastąpił dopiero po wpisaniu AI jako priorytetu nr 1 w strategię firmy i cotygodniowe przeglądy OKR-ów. AI stało się priorytetem numer jeden.

Carlos przyznaje szczerze: „Nawet jeśli w niektórych przypadkach wciąż nie czuło się to pilne, postawiliśmy na to jako absolutny priorytet.”

Rozbito strategię na bardzo konkretne OKR-y związane z AI. Carlos przegląda je z zespołem leadership co tydzień. Bez względu na inne pożary do gaszenia, AI jest krytyczne.

Jak bowiem podsumowuje: „Tam, gdzie lider kieruje swoją uwagę, płynie energia całej organizacji”.

Checklista: Czy Twoja firma jest gotowa na transformację AI?

Zaangażowanie liderów: Czy dyrekcja i zarząd aktywnie używają narzędzi AI, dając przykład reszcie firmy?
Plan podnoszenia kompetencji: Czy istnieje formalny plan szkoleniowy z AI dla WSZYSTKICH działów, a nie tylko dla zespołów technicznych?
Strategia i OKR-y: Czy AI jest wpisane jako kluczowy priorytet w strategii firmy, a postępy są mierzone za pomocą konkretnych OKR-ów?
Modernizacja procesów: Czy firma aktywnie pracuje nad przebudową starych procesów i porządkowaniem danych pod kątem AI?
Zmiana w rekrutacji: Czy przed otwarciem nowego etatu zespół musi uzasadnić, dlaczego AI nie jest w stanie wykonać danych zadań?
Cotygodniowy review: Czy leadership team regularnie (co tydzień) przegląda wpływ inicjatyw AI na biznes?
Realistyczne oczekiwania czasowe: Czy zaplanowano minimum 18-24 miesiące na pełną transformację AI-first?

Co to oznacza dla Twojego zespołu produktowego

Carlos podsumowuje swoje trzy największe błędy przekształcone w lekcje:

Przestał gonić wdrażanie i zaczął generować wpływ. Przestał delegować i zaczął prowadzić z pierwszej linii. Przestał tylko inspirować i zaczął systematyzować.

Tak Product School stało się AI-first. I dlatego teraz może pomagać innym przejść tę samą drogę – nie jako konsultanci, ale jako praktycy, którzy sami przez to przeszli.

Po 12 latach prowadzenia Product School, Carlos ogłasza kolejny rozdział. To nie tylko launch produktu – to refounding firmy. Wizja pozostaje ta sama: podnosić rzemiosło product managementu. Misja jednak ewoluowała: stać się globalnym liderem szkoleń AI dla zespołów produktowych.

Nowa oferta szkoleń AI

Product School uruchomiło trzy nowe certyfikacje AI:

AI Prototyping – generowanie high-fidelity prototypów z AI do szybszego testowania pomysłów i redukcji ryzyka przed dużymi inwestycjami
AI Evals – budowanie pipelinów ewaluacji dla niedeterministycznych systemów AI, aby zespoły mogły deployować z pewnością
Advanced AI Agents – projektowanie i orkiestracja systemów multi-agentowych, które potrafią rozumować, współpracować i automatyzować złożone procesy

Wszystkie pięć istniejących programów zostało zaktualizowanych do wersji AI-native. To nie dodanie modułu AI jako bonus – to wlanie AI w DNA budowania produktów w całym cyklu życia.

W przyszłym miesiącu Product School dodaje kolejną certyfikację: AI Strategy for Product Leaders.

Podejście Product School do transformacji klientów

Każda transformacja jest inna, dlatego Product School zaczyna od własnego proprietary AI maturity assessment. To pomaga określić aktualny stan dojrzałości AI, zidentyfikować największe możliwości wpływu oraz zmapować najszybszą ścieżkę do mierzalnej wartości.

Od tego momentu wspólnie projektują i dostosowują plan rozwoju kompetencji. Definiują jasne kryteria sukcesu, następnie dobierają odpowiednie programy i skład kohort dla każdego zespołu.

W skrócie – pomagają firmom orkiestrować ludzi, narzędzia i procesy w nowy model operacyjny zbudowany dla ery AI.

Co się NIE zmienia – nonnegotiables Product School

Carlos podkreśla, że nawet w erze AI, niektóre rzeczy pozostają niezmienne:

Szkolenia prowadzone przez ludzi, live:

Wszystkie treningi są human-led i delivered live
Instruktorzy to top product leaders pracujący w najlepszych firmach z Silicon Valley
„Byli tam. Zrobili to. To nie są nauczyciele” – podkreśla Carlos

Wysoki poziom personalizacji:

Każde zaangażowanie projektowane dla konkretnego kontekstu produktowego klienta
Dostosowane do poziomu dojrzałości AI danej organizacji

Małe kohorty:

Tutaj dzieje się magia
Wysoki poziom interakcji i personalizowane coaching dla każdego
Fokus na przekształcenie nowych umiejętności w nowe zachowania

Kluczowy insight

Zatrudniaj AI jako pierwsze

Standardowo myślimy: Gdy mamy lukę w zespole, szukamy i zatrudniamy człowieka, który ją wypełni. Ewentualnie dajemy mu narzędzia AI, by pracował wydajniej. Przy rekrutacji lub planowaniu projektu pytamy „gdzie AI może nam pomóc?” lub „jakie zadania moglibyśmy zautomatyzować?”. Zakładamy, że ludzie są domyślni, a AI to opcja do rozważenia.

W praktyce okazuje się, że: Najpierw należy domyślnie założyć, że zadanie wykona AI. Zatrudnienie człowieka jest z kolei ostatecznością, która wymaga silnego uzasadnienia, dlaczego automatyzacja jest niemożliwa. Product School wprowadził ograniczenia rekrutacyjne – domyślnie zakładają, że AI MOŻE zrobić wszystko, co potrzebne na danej pozycji. Dopiero potem kandydat lub manager musi aktywnie uzasadnić, dlaczego w tym konkretnym przypadku AI nie będzie w stanie tego wykonać. Nie obniżają przy tym oczekiwań wobec stanowiska.

Dlaczego to jest istotne: Taka zmiana myślenia wymusza na organizacji maksymalizację potencjału technologii i redefiniuje rolę człowieka jako operatora złożonych systemów, a nie wykonawcy powtarzalnych zadań. To kompletnie odwraca logikę myślenia o AI. Zamiast szukać miejsc, gdzie AI pasuje, zakładasz że AI jest wszędzie domyślnie. Ta zmiana perspektywy zmusza ludzi do głębszego przemyślenia, co naprawdę wymaga człowieka. Carlos potwierdza, że to ograniczenie sprawiło, że ludzie stali się bardziej kreatywni na wszystkich poziomach organizacji.

Test na jutro: Następnym razem gdy pojawi się potrzeba zatrudnienia kogoś do nowego zadania, zamiast od razu pisać ogłoszenie o pracę, spróbuj zorganizować warsztat, na którym zespół musi udowodnić, dlaczego AI lub zautomatyzowany system nie jest w stanie tego zadania wykonać. Sprawdź, czy problemu nie da się rozwiązać inaczej, zanim powstanie nowy etat. Czy ta zmiana pytania prowadzi do zupełnie innych rozwiązań?

Ten wpis jest częścią mojej kolekcji notatek z ciekawych podcastów, webinarów i innych treści, które uważam za wartościowe i do których sam chcę wracać. Jeśli chcesz sprawdzić oryginalne źródło, znajdziesz je tutaj: Prezentacja Carlosa Gonzalez de Villaumbrosia z Product School pt. „Transforming Your Product Team from AI-Curious to AI-Native”

Tag: Carlos Gonzalez De Villaumbrosia

Dlaczego 93% transformacji AI kończy się porażką? 3 lekcje i model dojrzałości od CEO Product School #EN322