Jak AI wpływa na wycenę: lekcje z globalnych transakcji PE i polska rzeczywistość
Wyobraź sobie scenę: zarząd prezentuje funduszowi "kompleksową strategię AI". Dashboard wygląda imponująco, slide deck ma 40 stron, consultant był drogi. Partner z PE pyta: "Dobra, ale ile to dodaje do EBITDA?".
Cisza.
Okazuje się, że 36% funduszy PE które deklarują "strategię AI" nie ma ani jednego KPI żeby zmierzyć jej wpływ na wartość spółki – wynika z badania FTI Consulting z grudnia 2024. Ani jednego. Mają strategię, mają budżet, mają nawet zespół – ale nie mają pojęcia czy to w ogóle działa.
I tutaj zaczyna się prawdziwy problem z wyceną. Bo jak wycenić coś, czego nie potrafisz zmierzyć? Fundusz przy due diligence zobaczy twoje AI, pokiwa głową, a potem zapyta o margin improvement, revenue per employee, customer acquisition cost. Jeśli AI nie przekłada się na żadną z tych liczb – to nie jest przewaga konkurencyjna. To po prostu koszt.
W Polsce mamy dodatkowy twist: rynek PE rośnie jak szalony (50% więcej transakcji w 2024), tech to już 22% wszystkich dealów, ale publicznie dostępnych danych o tym jak AI wpływa na polskie wyceny? Zero. Nie ma case studies, nie ma benchmarków, nie ma nawet plotek na branżowych imprezach. Albo nikt tego nie mierzy, albo ci co mierzą – wolą nie mówić.
"AI washing" w spółkach portfelowych. Jak fundusze rozpoznają pozorną wartość?
Fundusz przy due diligence nie pyta "czy macie AI" - pyta o liczby i sprawdza pięć rzeczy:
- Problem do rozwiązania – jaki konkretny biznesowy problem AI ma załatwić (nie "poprawimy efektywność" tylko "skrócimy czas obsługi klienta z 4h do 30 min")
- Koszt vs outcome – ile wydaliście, ile to dało przychodu lub oszczędności (brak liczb = red flag)
- Governance – kto jest odpowiedzialny za AI na poziomie C-level, jak mierzycie postęp, kto podejmuje decyzje o skalowaniu (jeśli "zespół IT się tym zajmuje" = problem). Fundusz który widzi red flags zniża wycenę albo wychodzi.
- Infrastruktura danych – czy macie uporządkowane dane - bez tego większość pilotów kończy się porażką
- Produkcja vs piloty – czy AI używają prawdziwi klienci, czy "testujecie od 18 miesięcy"
3 pytania z due diligence, które weryfikują prawdziwe rozwiązania AI
Pytanie 1: "Jakie konkretne liczby biznesowe poprawiło AI w ciągu ostatnich 6 miesięcy?"
Prawdziwe odpowiedzi: "conversion rate wzrósł z 2.3% do 3.8% dzięki personalizacji ofert" albo "redukcja błędów w kontroli jakości z 5% do 0.8%, saving PLN 200k rocznie" albo "czas obsługi klienta spadł o 40%, obsługujemy 30% więcej zamówień bez dodatkowych ludzi". Zła odpowiedź: "poprawiliśmy efektywność procesów" (zero konkretów). Fundusz szuka wpływu na przychody, marże, CAC, retention albo capacity – jeśli nie potraficie pokazać liczby, AI nie działa.
Pytanie 2: "Jak wygląda wasz worst-case scenario gdyby AI przestało działać jutro?"
To sprawdza czy AI jest w critical path biznesu czy nice-to-have. Jeśli odpowiedź brzmi "wrócilibyśmy do poprzedniego procesu" – AI nie jest istotne. Jeśli "stracilibyśmy możliwość obsługi 40% klientów" albo "nasz produkt przestałby działać" – to core business capability. Fundusz płaci premium tylko za drugie.
Pytanie 3: "Kto w zespole faktycznie rozumie jak to działa i co zrobicie jak ta osoba odejdzie?"
Jeśli cała wiedza siedzi w głowie jednego data scientista który może odejść do konkurencji – macie problem. Fundusz szuka: czy macie opisane procesy, czy zespół operacyjny potrafi zarządzać systemem bez data science team, czy to jest black box czy operacyjnie zarządzana technologia.
Od strategii do wdrożenia: kiedy inwestycja w sztuczną inteligencję ma sens
AI ma sens ekonomiczny tylko jeżeli:
- widzisz konkretny problem który kosztuje firmę pieniądze i AI go rozwiąże taniej niż alternatywy,
- potrafisz przed wdrożeniem policzyć czy inwestycja się zwróci w 12-18 miesięcy,
- masz ludzi i infrastrukturę żeby to wdrożyć i mierzyć rezultaty.
Jeśli brakuje któregokolwiek z tych trzech – nie inwestuj. "Robimy AI bo konkurencja robi" to najgorszy możliwy powód – będziesz miał koszt w P&L, zero wymiernego efektu, a przy due diligence fundusz to wyłapie w pierwszy tydzień.
Testy: zanim wydasz 300k na AI, odpowiedz na trzy pytania: (1) jaka liczba w finansach się poprawi i o ile (margin? CAC? time to close?), (2) jak to zmierzymy co miesiąc (konkretny dashboard, nie "będziemy monitorować"), (3) kto w C-level bierze za to odpowiedzialność (nie "zespół IT"). Brak konkretnych odpowiedzi = nie jesteś gotowy.
Firmy które wdrażają AI "bo trzeba" kończą z spalonym budżetem i pilotem który trwa 18 miesięcy. Firmy które liczą ROI przed startem – albo nie zaczynają wcale, albo robią quick win w 6 miesięcy.
Co fundusz PE powinien zobaczyć w firmie: AI roadmap budujący wartość przed exitem
Rok 1-2: Quick wins które będą w EBITDA przed exitem. Automatyzacja konkretnych procesów z mierzalnym savings. To musi być w produkcji i pokazywać wyniki najpóźniej w roku 3, żeby kupujący zobaczył trend w ostatnich 2-3 latach finansowych. Bez tego AI to tylko koszt bez udowodnionego zwrotu.
Integracja z value creation thesis. Jeśli fundusz kupił spółkę żeby "skalować sprzedaż w nowych regionach", AI roadmap musi pokazywać jak AI wspiera ten cel – np. automatyzacja lead scoring, predictive analytics na nowych rynkach. Jeśli roadmap AI żyje własnym życiem i nie wspiera głównego value creation planu – to hobby project, nie strategic asset.
Plan B jeśli nie zadziała. 95% pilotów AI się nie udaje – fundusz to wie. Dlatego pyta: co jeśli ten projekt AI nie da rezultatów w rok? Macie backup plan? Alternatywne use case? Czy spalicie 500k i będziecie mówić "to długoterminowa inwestycja"? Firmy które mają tylko plan A bez planu B – red flag.
Quick wins vs transformacja: która ścieżka zwiększa przychody szybciej
Quick wins to projekty zakończone w 3-6 miesięcy: automatyzacja customer support (chatbot obsługuje 50% zapytań), AI w pricing (dynamiczne ceny na podstawie demand), predictive maintenance (redukcja downtime maszyn). Niski koszt (50k-200k), niskie ryzyko, mierzalny efekt szybko. Problem: sufit wartości – możesz zaoszczędzić 300k rocznie, ale nie zmienisz business model.
Transformacja to przeprojektowanie core biznesu: zmiana z reactive na predictive service, personalizacja produktu w czasie rzeczywistym, AI-driven new product development. Koszt wysoki, timeline 18-24 miesiące, wysokie ryzyko niepowodzenia. Ale potencjał: zmiana competitive positioning, wyższa wycena multiple, nowe revenue streams.
Dla Private Equity: quick wins prawie zawsze wygrywają z trzech powodów. Po pierwsze: timing – efekt widoczny przed exitem. Po drugie: storytelling przy sprzedaży – "wdrożyliśmy 5 AI use cases, każdy dał ROI, jest momentum" brzmi lepiej niż "jesteśmy w trakcie 2-letniej transformacji". Po trzecie: risk/reward – w PE portfolio lepiej 5 małych wygranych niż 1 duży eksperyment który może się nie udać.
Wyjątek: jeśli kupujący to strategiczny gracz który płaci za potencjał (nie financial buyer), transformacja może dać wyższy multiple. Ale to zakład, nie pewnik.
2026 w Private Equity: jak zmieniają się oczekiwania inwestorów wobec technologii
Koniec z "eksperymentami AI". Fragmentacja AI się kończy – firmy przechodzą na top-down, programy AI celujące w kilka high-impact workflows, nie w 20 pilotów bez rezultatów. 53% funduszy PE rekrutuje więcej specjalistów digital transformation, 51% szuka data scientists i AI experts – nie żeby "mieć AI", tylko żeby faktycznie je wdrażać w portfolio companies.
Fundusz w 2026 oczekuje konkretnej strategii AI: firma zna swoje AI readiness (jakość danych, infrastruktura, kompetencje zespołu) i ma plan jak wykorzystać AI do EBITDA – nie "może kiedyś", tylko "w Q2 automatyzujemy X, saving Y". Problem polskiego rynku: większość spółek nie zna swojej AI maturity. Nie oceniły czy ich dane są w ogóle gotowe do AI, czy zespół ma kompetencje, czy procesy da się zautomatyzować. Fundusz który to widzi wie: firma nie jest gotowa na AI investment, tylko na kosztowny learning process.
Governance AI staje się non-negotiable – Private Equity ocenia AI risk przy due diligence i weryfikuje poziom ryzyka. Lekceważenie tego grozi karami regulacyjnymi i opóźnieniami w exicie.
Dla polskich spółek to oznacza: jeśli planujesz exit w 2026-2027, fundusz oczekuje że AI jest już w produkcji i pokazuje liczby. "Będziemy robić" nie wystarcza – kupujący porówna cię z konkurencją która już to ma.
Sprawdź, czy twoja firma jest gotowa na AI (link)
