Rewolucjonizowanie procesów biznesowych – zwiększenie efektywności i rozwój poprzez wykorzystanie sztucznej inteligencji (AI)

Mateusz Mierzejewski; Madina Ravshan qizi  Dadajonova

doi:10.55225/pel.695

Autor

Mateusz Mierzejewski Uniwersytet Ekonomiczny w Krakowie, Instytut Ekonomii, Krakow, Poland https://orcid.org/0000-0001-8542-2373
Madina Ravshan qizi Dadajonova International School of Finance, Technology and Science, Tashkent, Uzbekistan

DOI:

https://doi.org/10.55225/pel.695

Słowa kluczowe:

sztuczna inteligencja (AI), zarządzanie procesami biznesowymi (BPM), automatyzacja, podejmowanie decyzji, innowacje, doświadczenie klienta

Abstrakt

Sztuczna inteligencja (AI) odgrywa coraz większą rolę w procesach organizacyjnych, zmieniając sposób organizacji pracy, podejmowania decyzji i tworzenia wartości. Pomimo rozpowszechnienia inicjatyw z zakresu AI, wiele firm jednak ma trudności z wyjściem poza etap pilotażowy i przełożeniem możliwości technicznych na wymierny wzrost wydajności. W artykule poddano analizie wpływ wdrożenia AI na działalność operacyjną i zarządzanie procesami biznesowymi (BPM), ze szczególnym uwzględnieniem efektywności, wzrostu i rosnącej roli generatywnej AI (GenAI). Przedstawiono najnowsze badania dotyczące BPM z wykorzystaniem AI, współpracy człowiek–AI oraz GenAI w operacjach i łańcuchach dostaw. Przeprowadzono analizę wyników kolejnych edycji badań ankietowych: McKinsey Global AI Survey 2017–2025 i powiązane z nimi raporty branżowe, koncentrując się na wykorzystaniu AI i GenAI w różnych funkcjach, zakresach wdrożenia w organizacjach oraz deklarowanym wpływie na koszty, produktywność i zysk przed opodatkowaniem (EBIT). Wyniki pokazują, że chociaż wdrożenie sztucznej inteligencji stało się niemal powszechne i coraz bardziej wielofunkcyjne, znaczący wpływ finansowy nadal koncentruje się w niewielkiej grupie „wysoko wydajnych użytkowników sztucznej inteligencji" dysponujących zaawansowanymi możliwościami w zakresie BPM. Sztuczna inteligencja generuje największe korzyści operacyjne w obszarach wymagających intensywnego przetwarzania procesów i informacji, a GenAI zapewnia znaczącą poprawę produktywności na poziomie zadań, co wywiera wpływ na przedsiębiorstwo czy organizację wtedy, gdy zostaną przeprojektowane procesy pracy i właściwe będzie zarządzanie współpracą między człowiekiem a sztuczną inteligencją. Artykuł kończy się implikacjami dla teorii i praktyki oraz nakreśla kierunki przyszłych badań nad transformacją procesów wspomaganą przez sztuczną inteligencję.

Statystyka pobrań

Statystyki pobrań nie są jeszcze dostępne

Bibliografia

Boston Consulting Group. (2024, October 24). AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value. Google Scholar

Chan, H.-L., & Choi, T.-M. (2025). Using generative artificial intelligence (GenAI) in marketing: Development and practices. Journal of Business Research, 191, article 115276. DOI: 10.1016/j.jbusres.2025.115276. Google Scholar

Chui, M., Hazan, E., Roberts, R., Singla, A., Smaje, K., Sukharevsky, A., Yee, L., Zemmei, R. (2023). The economic potential of generative AI: The next productivity frontier. McKinsey Global Institute. Google Scholar

Davenport, T.H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard Business Review, 96(1), 108–116. Google Scholar

Dwivedi, Y.K., Hughes, D.L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., … Williams, M.D. (2021). Artificial Intelligence (AI): Multidisciplinary perspectives on emerging challenges, opportunities, and agenda for research, practice and policy. International Journal of Information Management, 57, article 101994. DOI: 10.1016/j.ijinfomgt.2019.08.002. Google Scholar

Fettke, P., & Di Francescomarino, C. (2025). Business Process Management and Artificial Intelligence: Literature survey and future research. KI – Künstliche Intelligenz. Google Scholar

Fountaine, T., McCarthy, B., & Saleh, T. (2019). Building the AI-powered organization. Harvard Business Review, 97(4), 62–73. Google Scholar

Gaczek, P. (2025). How locus of causality shapes human–AI decision-making. Management Decision, 63(13), 522–544. DOI: 10.1108/MD-07-2024-1635. Google Scholar

Gomes, P., Sampaio, P., Carvalho, M.M., & Saraiva, P. (2022). Artificial intelligence-based methods for business processes: A systematic literature review. Applied Sciences, 12(5), 2314. DOI: 10.3390/app12052314. Google Scholar

Guler, N., Kirshner, S.N., & Vidgen, R. (2024). A literature review of artificial intelligence research in business and management using machine learning and ChatGPT. Data and Information Management, 8(3), article 100076. DOI: 10.1016/j.dim.2024.100076. Google Scholar

Haenlein, M., Kaplan, A., Tan, C.W., & Zhang, P. (2022). Artificial Intelligence (AI) and management analytics: Shaping the future of work. Journal of Management Analytics, 23(1), 10–24. DOI: 10.1080/23270012.2019.1699876. Google Scholar

IBM Institute for Business Value. (2024a). AI in Action 2024. IBM. Google Scholar

IBM Institute for Business Value. (2024b). The CEO’s guide to generative AI. IBM. Google Scholar

Jarrahi, M.H. (2018). Artificial intelligence and the future of work: Human–AI symbiosis in organizational decision making. Business Horizons, 61(4), 577–586. DOI: 10.1016/j.bushor.2018.03.007. Google Scholar

Khabbaz, R. (2023). The role of artificial intelligence in enhancing business process management systems and its implications. Multi-Knowledge Electornic Comprehensive Journal for Education and Science Publications, 71, 1–18. Available at: https://mecsj.com/uplode/images/photo/The_Role_of_Artificial_Intelligence_in_Enhancing_Business_Process_Management_Systems_and_its_Implications.pdf [accessed: 2025-05-06]. Google Scholar

Leszczyński, G., Gaczek, P., & Munzel, A. (2025). Human–AI collaboration in managerial decision-making: A taxonomy of adoption mindsets and strategic integration. Working paper. Available at SSRN: https://ssrn.com/abstract=5378422. Google Scholar

Li, L., Zhu, W., Chen, L. Liu, Y. (2024). Generative AI usage and sustainable supply chain performance: A practice-based view. Transportation Research Part E: Logistics and Transportation Review, 192, article 103761. DOI: 10.1016/j.tre.2024.103761. Google Scholar

Maslej, N., Fattorini, L., Perrault, R., Parli, V., Reuel, A., Brynjolfsson, E., Etchemendy, J., Ligett, K., Lyons, T., Manyika, J., Niebles, J. C., Shoham, Y., Wald, R., & Clark, J. (2024). Artificial Intelligence Index Report 2024. Stanford Institute for Human-Centered Artificial Intelligence. Google Scholar

McKinsey & Company. (2022). The state of AI in 2022 and a half decade in review. QuantumBlack, AI by McKinsey. Google Scholar

McKinsey & Company. (2023). The state of AI in 2023: Generative AI’s breakout year. QuantumBlack, AI by McKinsey. Google Scholar

McKinsey & Company. (2024). The state of AI in early 2024: Gen AI adoption spikes and starts to generate value. QuantumBlack, AI by McKinsey. Google Scholar

McKinsey & Company. (2025). The state of AI in 2025: Agents, innovation, and transformation. QuantumBlack, AI by McKinsey. Google Scholar

Osuszek, Ł., & Stanek, S. (2021). AI for augmenting human judgement in Business Processes Management. Scientific Journal of the Military University of Land Forces, 201(3), 507–518. DOI: 10.5604/01.3001.0015.3404. Google Scholar

Paschek, D., Luminosu, C. T., & Draghici, A. (2017). Automated business process management in times of digital transformation using machine learning or artificial intelligence. MATEC Web of Conferences, 121, article 04007. DOI: 10.1051/matecconf/201712104007. Google Scholar

Ratten, V. (2024). Artificial intelligence: Building a research agenda. Entrepreneurial Business and Economics Review, 12(1), 7–16. DOI: 10.15678/EBER.2024.120101. Google Scholar

Shalpegin, T., Browning, T.R., Kumar, A., Shang G., Thatcher, J., Fransoo, J.C., Holweg, M., Lawson, B. (2025). Generative AI and empirical research methods in operations management. Journal of Operations Management, 71(5), 578-587. DOI: 10.1002/joom.1371. Google Scholar

Sliż, P., & Jackowska, B. (2024). AI implementation and organizational ambidexterity in the context of BPM: Polish service sector experience. Journal of Management and Financial Sciences, 52, 63–76. DOI: 10.33119/JMFS.2024.52.4. Google Scholar

Tarafdar, M., Beath, C. M., & Ross, J.W. (2019). Using AI to enhance business operations. MIT Sloan Management Review, 60(4), 37–44. Google Scholar

Teixeira, A.R., Ferreira, J.V., Ramos, A.L. (2025). Intelligent supply chain management: A systematic literature review on artificial intelligence contributions. Information, 16(5), article 399. DOI: 10.3390/info16050399. Google Scholar

Weinzierl, S., Zilker, S., Dunzer, S., Matzner, M. (2024). Machine learning in business process management: A systematic literature review. Preprint. Available at: https://arxiv.org/abs/2405.16396. Google Scholar

Wen, Y., Wang, J., Chen, X. (2025). Trust and AI weight: Human–AI collaboration in organizational management decision-making. Frontiers in Organizational Psychology, 3, article 1419403. DOI: 10.3389/forgp.2025.1419403. Google Scholar

Zhou, Q., & Sheu, J.-B. (2025). The use of generative artificial intelligence (GenAI) in operations research: Review and future research agenda. Journal of the Operational Research Society. DOI: 10.1080/01605682.2025.2561762. Google Scholar