# Dlaczego systemy legacy podnoszą koszt AI bardziej, niż myślisz

W boardroomie rozmowa o AI najczęściej koncentruje się na modelach, talentach i przypadkach użycia. Rzadziej pada pytanie, które decyduje o ekonomii całego programu: ile kosztuje "przeciągnięcie" AI przez istniejące systemy legacy?

To właśnie tutaj powstaje największy ukryty koszt. Nie w licencjach modeli, ale w integracjach, jakości danych, obejściach procesowych i utrzymaniu hybrydowej architektury, która nie była projektowana pod pracę z AI w czasie rzeczywistym.

Ten brief ma prostą tezę: jeśli zarząd nie traktuje modernizacji legacy jako części strategii AI, organizacja przeszacuje wartość, niedoszacuje koszt i wydłuży czas do efektu.

Gdzie naprawdę rośnie koszt AI

McKinsey Global Survey on AI 2024 i badania BCG AI at Scale 2024 pokazują, że największym ograniczeniem skali nie jest już dostęp do modeli, ale zdolność integracji AI z procesami i danymi firmy.

W praktyce koszt rośnie w pięciu miejscach:

- koszt integracji z rozproszonymi systemami i interfejsami, - koszt czyszczenia, mapowania i synchronizacji danych, - koszt kontroli jakości i ręcznych korekt wyników, - koszt utrzymania równoległych "tymczasowych obejść", - koszt ryzyka operacyjnego przy awariach i zmianach.

Te koszty często nie trafiają do jednej linii budżetu, więc są niedostrzegalne do momentu, gdy tempo wdrożeń zaczyna spadać.

Dlaczego legacy multiplikuje koszt, a nie tylko go podnosi

Legacy nie jest wyłącznie "starym systemem". To zestaw zależności, które wzajemnie wzmacniają tarcie: niestandardowe procesy, brak spójnych modeli danych, ograniczona obserwowalność, manualne wyjątki i niejawna wiedza operacyjna.

Gdy AI wchodzi w taki krajobraz, każdy nowy use case wymaga osobnej ścieżki dostępu do danych, osobnej logiki integracyjnej i osobnego modelu kontroli jakości. Zamiast efektu skali mamy efekt mnożenia projektów.

Dlatego organizacje z wysokim długiem technologicznym płacą "podatek od powtarzalności": ten sam problem rozwiązują wielokrotnie w różnych miejscach.

Model COST: jak zarząd powinien patrzeć na ekonomię AI przy legacy

Aby urealnić decyzje inwestycyjne, warto użyć modelu COST.

C (Connection): koszt podłączenia AI do istniejących systemów i procesów.

O (Operations): koszt operacyjny monitoringu, kontroli jakości i obsługi wyjątków.

S (Stability): koszt awaryjności i nieprzewidywalności wynikający z kruchej architektury.

T (Transformation): koszt docelowej modernizacji koniecznej do osiągnięcia skali.

Wiele firm budżetuje głównie "C", pomijając "O", "S" i "T". W efekcie pierwsze pilotaże wyglądają tanio, a skala staje się nieproporcjonalnie droga.

Trzy typowe iluzje kosztowe

Pierwsza iluzja: "mamy API, więc jesteśmy gotowi". API bez spójnego modelu danych i bez kontraktów jakości danych nie rozwiązuje problemu integracji.

Druga iluzja: "to tylko jeden use case". Koszt jednostkowy pierwszego wdrożenia bywa mylący, jeśli nie tworzy komponentów wielokrotnego użycia.

Trzecia iluzja: "zrobimy modernizację później". Odwlekanie modernizacji zwiększa liczbę obejść i podnosi koszt wyjścia z obecnej architektury.

Scenariusz finansowy: szybki pilot, drogie skalowanie

Firma usługowa uruchamia copilota dla zespołu operacyjnego. Pilot trwa osiem tygodni i wygląda obiecująco: wzrost produktywności lokalnego zespołu, niski koszt licencji, dobra satysfakcja użytkowników.

Przy próbie skalowania do pięciu krajów pojawiają się bariery: różne systemy CRM, niespójne słowniki danych, lokalne wyjątki procesowe i brak wspólnego mechanizmu logowania decyzji AI. Koszt integracji i utrzymania rośnie szybciej niż spodziewana korzyść.

Zarząd odkrywa, że nie kupił "jednego programu AI", ale portfel mini-integracji legacy. Opóźnienie wartości wynosi kwartały, nie tygodnie.

Decyzje zarządcze, które obniżają koszt legacy w AI

1. **Priorytetyzacja modernizacji pod przypadki AI o najwyższej wartości** Nie modernizować wszystkiego, tylko warstwy krytyczne dla skali.

2. **Budowa wspólnej warstwy integracyjnej i danych** Każdy nowy use case powinien wzmacniać platformę, nie tworzyć kolejny wyjątek.

3. **Wprowadzenie "architectural guardrails" dla projektów AI** Projekty, które omijają standardy integracji, powinny wymagać specjalnej zgody.

4. **Łączenie KPI biznesowych z KPI architektonicznymi** Sukces use case’u nie może być liczony bez kosztu utrzymania i ryzyka operacyjnego.

5. **Utworzenie funduszu redukcji długu technologicznego powiązanego z roadmapą AI** Modernizacja staje się częścią ekonomii AI, nie osobnym projektem "na później".

Jak mierzyć koszt ukryty

Przydatne wskaźniki dla zarządu:

- udział budżetu AI przeznaczony na integracje i naprawy danych, - czas od prototypu do produkcji dla kolejnych use case’ów, - odsetek komponentów wielokrotnego użycia w nowych wdrożeniach, - koszt obsługi wyjątków i reworku po uruchomieniu, - liczba krytycznych incydentów wynikających z zależności legacy.

Jeśli każdy kolejny use case trwa tyle samo lub dłużej niż poprzedni, organizacja nie buduje skali, tylko replikuje koszt.

Kiedy "lift-and-shift AI" jest błędem strategicznym

Podejście lift-and-shift, czyli dokładanie AI do obecnych procesów bez zmian architektonicznych, bywa uzasadnione jako ruch tymczasowy. Problem pojawia się, gdy "tymczasowe" staje się standardem.

Wtedy firma uzależnia wartość AI od manualnej orkiestracji, lokalnych ekspertów i kruchej konfiguracji. ISO/IEC 25010:2011 przypomina, że utrzymywalność i niezawodność to cechy jakości systemu równie ważne jak funkcjonalność. W AI te cechy bezpośrednio wpływają na ekonomię.

Jak podejść do trade-offu: modernizacja czy szybki wynik

To nie jest wybór zero-jedynkowy. Dobre podejście to model portfelowy:

- 20-30% inwestycji: szybkie use case’y o niskiej zależności od legacy, - 50-60% inwestycji: use case’y strategiczne budujące wspólne komponenty, - 20% inwestycji: celowa redukcja długu i modernizacja warstw krytycznych.

Taki podział pozwala utrzymać tempo biznesowe i jednocześnie obniżać koszt skali w kolejnych falach wdrożeń.

Pytania, które board powinien zadawać co kwartał

1. Jaki odsetek wartości AI pochodzi z rozwiązań możliwych do ponownego użycia? 2. Czy koszt integracji maleje, czy rośnie wraz z liczbą use case’ów? 3. Które elementy legacy są dziś największym ograniczeniem skali? 4. Jak wygląda plan redukcji długu technologicznego powiązany z roadmapą AI? 5. Czy ryzyko operacyjne związane z architekturą jest jawnie raportowane?

Te pytania pomagają odróżnić realną transformację od serii kosztownych eksperymentów.

Executive Takeaway

Co się zmieniło? W ekonomii AI kluczowym czynnikiem kosztu stała się zdolność integracji z legacy, a nie sam koszt modeli i licencji.

Dlaczego to ważne? Bez modernizacji warstw krytycznych organizacja mnoży lokalne obejścia, wydłuża czas skalowania i traci przewidywalność finansową programu AI.

Co liderzy powinni zrobić? Zarządzać ekonomią AI modelem COST, łączyć decyzje o use case’ach z planem redukcji długu technologicznego i mierzyć ukryty koszt integracji oraz utrzymania.