Kiedy kilka lat temu usiadłam z jednym z pierwszych klientów nad arkuszem kalkulacyjnym „AI ROI”, obiecałam sobie jedno: koniec z wdrożeniami „bo to modne”. Od tamtej pory każde euro wydane na ChatGPT, Copilota czy Azure OpenAI musi się u mnie bronić w liczbach – godzinach, stawkach, oszczędnościach i realnym wpływie na biznes.

W tym tekście pokazuję, jak patrzę na subskrypcje ChatGPT Team i Microsoft Copilot z perspektywy zwrotu z inwestycji. Bez marketingowego zadęcia, za to z konkretnymi kalkulacjami i przykładami z firm, które przeszły ze mną drogę od „kupmy trochę AI” do „to narzędzie spłaciło się w kilka miesięcy”.

Zanim kupisz pierwszą licencję: o co naprawdę chodzi w kosztach AI?

Gdy rozmawiam z zarządami MŚP, niemal zawsze słyszę to samo pytanie: „ile to będzie kosztować?”. A ja niemal zawsze odwracam je na „ile czasu i pieniędzy teraz tracicie, robiąc to ręcznie?”.

Globalnie wydatki na AI idą w setki miliardów, a analizy w rodzaju Menlo Ventures mówią już o poziomach 2,5 biliona dolarów w najbliższych latach. Za tym hype’em stoi jedno: presja na realny zwrot z inwestycji, nie na pokazowe POC-e. Forrester w 2023 r. policzył, że AI-asystenci biurowi potrafią dać średnio 130% ROI – ale tylko wtedy, gdy są dobrze wpięci w procesy, a nie „odpaleni z ciekawości”.

W codziennej pracy widzę prostą zależność: nie liczy się sama kwota subskrypcji, tylko jak szybko zamienia się ona na oszczędzone godziny i lepsze decyzje. W jednej firmie AI spłaca się po 6 tygodniach, w innej – nigdy, mimo że wydają podobne pieniądze. Różnica tkwi w tym, czy narzędzie jest podpięte pod prawdziwy ból biznesu, czy pod ciekawość technologów.

Ile tak naprawdę kosztuje ChatGPT Team i Copilot w firmie?

Najpierw liczby, bo bez nich nie ma rozmowy o ROI. W większości projektów widzę podobny wzorzec cenowy:

  • ChatGPT Team – zwykle 25–30 USD za użytkownika miesięcznie, czyli mniej więcej 100–120 zł.
  • Microsoft Copilot – najczęściej 20–30 USD za użytkownika, czyli 80–120 zł.

Dla zespołu 30-osobowego to już kilkanaście tysięcy złotych rocznie. Dla 100 osób – spokojnie 10–40 tys. zł netto rocznie na same subskrypcje. I to przy założeniu, że kupujesz tylko jedną warstwę licencji.

W praktyce Copilot potrafi okazać się droższy, niż wygląda w cenniku. Funkcje typu podsumowania spotkań w Teams czy bardziej zaawansowane scenariusze często „wyskakują” w postaci osobnych licencji lub planów. Przy modelu per seat rachunek rośnie bardzo szybko: 100 użytkowników po 30 USD miesięcznie to ok. 36 000 USD rocznie, czyli grubo powyżej 140 tys. zł, i to tylko za Copilota.

Dla kontrastu, przy większej skali zaczyna mieć sens ChatGPT Enterprise. Tam pojawia się:

  • negocjowana, stała opłata (flat-fee),
  • nielimitowany dostęp do GPT‑4 (bez skomplikowanej „gimnastyki tokenowej”),
  • panel administracyjny z kontrolą retencji i eksportem danych.

To nie jest detal – ten panel administracyjny realnie obniża koszty compliance i audytów. Co istotne, takich funkcji często nie ma w tańszych planach Copilota, więc część firm dokłada kolejne narzędzia, żeby załatać tę lukę.

Ciekawa obserwacja z terenu: w kilku korporacjach, które obsługuję, pracownicy Microsoftu… prywatnie opłacają ChatGPT, bo uważają, że jakość odpowiedzi jest wyraźnie wyższa niż w Copilocie. Dla mnie to bardzo twardy sygnał – jeżeli ludzie są gotowi płacić z własnej kieszeni, to w kalkulacji ROI „firmowy Copilot vs firmowy ChatGPT” coś jest nie tak po stronie wartości.

Subskrypcja to dopiero początek: wdrożenie, utrzymanie, ukryte koszty

Najczęstszy błąd, jaki widzę u firm? Liczenie „kosztu AI” tylko jako abonamentu. W realnym projekcie te subskrypcje są najprostszą częścią rachunku.

Typowy przelot wdrożeniowy, który prowadzę, wygląda tak:

  • koszty startowe od kilku do nawet 80 tys. zł – zależnie od tego, czy budujemy prostego chatbota FAQ, voicebota, czy Custom AI z głębokimi integracjami,
  • miesięczne utrzymanie od kilkuset do kilku tysięcy złotych – support, monitoring, drobne zmiany.

Do tego dochodzi pakiet „ukryty”:

  • clean-up danych – w ok. 60% projektów trzeba najpierw ogarnąć bałagan w dokumentach, bazach, plikach; zwykle 2–8 tys. zł,
  • szkolenia AI dla zespołu – standardowo 3–6 tys. zł, jeśli chcemy, żeby ludzie naprawdę korzystali z narzędzia, a nie się go bali,
  • testy i twarde QA – szczególnie przy integracjach z KSeF/ERP czy systemami finansowymi; najczęściej 4–12 tys. zł.

Pamiętam spotkanie z CFO średniej firmy usługowej, która chciała „szybki chatbot na stronie”. Gdy przeszłyśmy przez checklistę compliance, clean-up dokumentów i testy, wyszło, że licencje to mniej niż 30% całego kosztu pierwszego roku. Ale ten sam projekt skrócił czas obsługi klienta o 40% – i to było warte znacznie więcej niż sama licencja.

⚠ UWAGA: coraz więcej firm kusi się na „zbudujmy własnego ChatGPT-a do szkoleń”. W praktyce trening własnych modeli i budowa infrastruktury niemal zawsze wychodzą drożej niż użycie gotowych subskrypcji (Team/Enterprise) z dobrze ustawionymi przestrzeniami roboczymi. Z perspektywy ROI subskrypcja daje szybszy zwrot i mniej ryzyk infrastrukturalnych.

Twarde liczby: kiedy te inwestycje się zwracają?

Najważniejsze pytanie brzmi nie „czy to dużo kosztuje”, ale „po ilu miesiącach zobaczę zwrot”. Poniżej podsumowanie z projektów, które prowadziłam lub audytowałam:

Rodzaj wdrożenia Koszty początkowe (PLN) Koszty miesięczne (PLN) ROI (miesiące) Oszczędności / efekt finansowy
ChatBot/FAQ 3 500 - 8 000 150 - 300 3 - 6 Szybkie zwroty, usprawnienie obsługi klienta
Voice Agent/leady 8 000 - 25 000 400 - 800 6 - 9 Lepsza konwersja leadów, automatyzacja rozmów
Custom AI 25 000 - 80 000 1 200 - 3 000 9 - 12 Zaawansowane rozwiązania, większa efektywność
Finanse (KSeF/ERP) 31 000 - 65 000 3 500 - 8 500 2,7 - 6 Automatyzacja finansów, ROI powyżej 260%
Subskrypcje AI (ChatGPT Team, Copilot) 10 000 - 40 000 rocznie 150 - 3 000 (w tym subskrypcje) 1 - 6 Oszczędności 4 000 - 9 000 PLN miesięcznie, szybki zwrot inwestycji

W praktyce zaczynam od prostych miejsc:

  • Obsługa klienta (FAQ, proste zgłoszenia) – chatbot może pozwolić przejść z 3 osób w supportcie do 1–2 przy zachowaniu jakości. Widziałam oszczędności rzędu 12–24 tys. zł miesięcznie, co dawało break-even w 1–2 miesiące.
  • Finanse (faktury, KSeF, ERP) – tutaj ROI bywa spektakularne. Przy wdrożeniach na poziomie 31–65 tys. zł i miesięcznych kosztach 3,5–8,5 tys. zł, firmy odzyskują 60–120 tys. zł rocznie, co daje nawet ponad 260% ROI. Dodatkowo dochodzi uniknięcie kosztów kredytów na poziomie 6–12 tys. zł rocznie, bo cash flow się po prostu poprawia.

Dla porządku lubię porównywać to z benchmarkami rynkowymi. Morgan Stanley raportował, że ich doradcy dzięki narzędziom OpenAI oszczędzają 10–15 godzin tygodniowo. Przy seniorach liczonych w kilkuset złotych za godzinę to są dziesiątki tysięcy złotych miesięcznie. Forrester z kolei wskazuje średni 130% ROI dla AI-asystentów biurowych.

Z drugiej strony mamy GitHub Copilot: przyspiesza pisanie kodu o 30–40%, ale generowany kod potrafi zawierać podatności bezpieczeństwa. W kalkulacji ROI trzeba więc uwzględnić nie tylko przyspieszenie, ale też koszt potencjalnego długu technologicznego i audytów bezpieczeństwa.

W małych i średnich firmach bardzo często udaje się zautomatyzować około 70% rutynowych zadań w danym procesie. Wtedy miesięczne oszczędności 5–10 tys. zł na projekt i czas zwrotu 1–6 miesięcy są absolutnie realnym scenariuszem, a nie marketingowym slajdem.

Jak modeluję ROI dla ChatGPT i Copilota krok po kroku

Kiedy siadamy z klientem do liczb, otwieram po prostu Excel i rozpisuję proces „przed” i „po”. Bez magii, za to bardzo szczegółowo.

Najpierw patrzę na czas wykonania zadania. Przykład: konsultant spędza 20 minut na przygotowaniu odpowiedzi do klienta lub prostego raportu. Po wdrożeniu ChatGPT/Copilota robi to w 5 minut – 15 minut różnicy na jednym case’ie. Przy 20 takich sprawach dziennie robi się z tego pełny etat.

Druga rzecz to procent automatyzacji. W jednym z projektów wsparcia klienta udało się zautomatyzować około 70% zapytań end‑to‑end, a resztę przełączać na człowieka. To pozwoliło utrzymać jakość, a jednocześnie zmniejszyć liczbę godzin zespołu o blisko połowę.

Trzeci wymiar to efekt przychodowy. W kampaniach sprzedażowych dobrze ustawiona generatywna AI w mailingu i follow‑upach potrafił podnieść konwersję o 20–35%. To nie jest tylko oszczędność, ale realny wzrost przychodu. Do tego dochodzi lepsze prognozowanie churnu i optymalizacja cash flow – narzędzia AI pomagają wyłapać klientów „na wylocie” czy zatory płatnicze wcześniej, niż zrobi to intuicja.

Na końcu dopinam to w klasycznym wzorze ROI:

ROI = (zysk netto z AI – wszystkie koszty AI) / wszystkie koszty AI × 100%

W praktyce „zysk netto” liczę bardzo prosto: liczba zaoszczędzonych godzin × stawka godzinowa minus koszt subskrypcji i wdrożenia. W przypadku ChatGPT Enterprise świetnie pomaga w tym usage dashboard – widzę tam, jak intensywnie organizacja korzysta z modelu, a potem tylko przekładam godziny na złotówki według stawek pracowników.

⚡ PRO TIP: Jeżeli korzystasz z ChatGPT Enterprise, możesz prowadzić bardzo twarde kalkulacje: wyciągasz z dashboardu dane o użyciu, przyjmujesz konserwatywnie, ile minut pracy zaoszczędziło jedno zapytanie, mnożysz przez stawki godzinowe i porównujesz z flat‑fee za subskrypcję. W kilku projektach wyszło nam, że inwestycja zwraca się w 1–3 miesiące.

Warto też pamiętać, że model zwrotu z inwestycji różni się w zależności od kontekstu. Dla GitHub Copilot biorę pod uwagę nie tylko 30–40% przyspieszenia, ale także koszt audytów bezpieczeństwa i potencjalnych poprawek. Dla ChatGPT Team/Enterprise w biurze ważniejsze są oszczędzone godziny analityków, prawników, konsultantów i ograniczenie kosztów compliance.

ChatGPT vs Copilot: gdzie się opłaca które narzędzie?

Jedno z częstszych pytań brzmi: „to mamy kupić ChatGPT czy Copilota?”. Odpowiedź, którą prawie zawsze daję, to: „prawdopodobnie oba – ale z głową”.

Microsoft Copilot ma naturalną przewagę w środowisku Microsoft 365. Świetnie sprawdza się w Outlooku, PowerPoincie, Excelu, Teamsach. Tam ROI bierze się głównie z oszczędności na:

  • przygotowywaniu prezentacji,
  • podsumowaniach spotkań,
  • analizie arkuszy.

Problem zaczyna się przy kosztach. Przypomnę: 30 USD per seat robi swoje przy skali. Do tego niektóre funkcje, jak zaawansowane podsumowania w Teams, wymagają dodatkowych licencji. Znam firmy, które dopiero przy audycie odkryły, że płacą za te same osoby w kilku warstwach produktowych Microsoftu.

Z kolei ChatGPT (Team/Enterprise) wygrywa jakością i elastycznością. To tam:

  • łatwiej buduję dedykowane asystenty dla różnych działów,
  • mogę korzystać z nielimitowanego GPT‑4 (w Enterprise),
  • mam panel administracyjny z kontrolą retencji i eksportem danych, który realnie obniża koszt compliance.

Z mojego doświadczenia najlepiej działa model hybrydowy. W kilku firmach ustawiliśmy to tak:

  • ChatGPT (Team/Enterprise) obsługuje zewnętrzne chatboty, boty sprzedażowe, wsparcie klienta, generuje materiały marketingowe, szkoli zespoły.
  • Copilot działa wewnątrz pakietu Microsoft 365 – maile, prezentacje, dokumenty, spotkania.

Dzięki temu unikamy dublowania kosztów. Licencje Copilota dostają tylko osoby, które naprawdę korzystają z Office’a „po szyję”, a ChatGPT ma osobne, negocjowane flat-fee (w Enterprise), co bardzo ułatwia budżetowanie przy większej liczbie użytkowników.

W tle cały czas pamiętam o jednym: pracownicy głosują portfelem. Jeżeli w firmie słyszę, że ludzie z własnych pieniędzy opłacają ChatGPT, bo uważają, że jest lepszy niż Copilot, to sygnał, że „produktywny ROI” ChatGPT jest wyższy. I wtedy trudno mi obronić wyłącznie microsoftową ścieżkę.

Ryzyka, o których rzadko mówi handlowiec: halucynacje, RODO, podatki

Na jednym z warsztatów CFO zapytał mnie: „Marta, a co się stanie, jeśli AI wymyśli sobie jakąś bzdurę w raporcie finansowym?”. I to jest bardzo dobre pytanie.

Halucynacje AI – generowanie nieprawdziwych informacji – to realne ryzyko. Shell, Unilever, Deloitte i inni duzi gracze, którzy korzystają z OpenAI, inwestują sporo w mechanizmy ograniczania tego ryzyka: dobre prompty, walidację źródeł, hybrydowe modele „AI + człowiek w pętli”. W środowisku korporacyjnym nie można pozwolić sobie na to, by AI „domyślało” dane finansowe czy prawne.

Drugi obszar to RODO i compliance. Kiedy wdrażamy AI w obszarach typu KSeF, ERP, dane klientów:

  • musimy zadbać o lokalizację i przetwarzanie danych (stąd popularność Azure OpenAI w Europie),
  • mierzymy się z faktem, że usługi AI to usługi elektroniczne spoza UE, co oznacza konkretne obowiązki podatkowe (import usług, mechanizm odwrotnego obciążenia itd.),
  • potrzebujemy pełnej kontroli retencji danych, logów i dostępów.

W tym kontekście ChatGPT Enterprise ma przewagę nad niższymi planami i niektórymi wersjami Copilota – właśnie przez dashboard administracyjny, kontrolę retencji i eksport danych. To obniża koszty compliance i audytów, bo mamy czarno na białym, co się dzieje z danymi.

⚠ UWAGA: w kalkulacji ROI zawsze doliczam czas i koszt prawników, księgowości i działu bezpieczeństwa, który musimy „dołożyć” do wdrożenia. To nie są duże kwoty w skali całego projektu, ale ignorowanie ich potrafi zabić entuzjazm w drugim roku, gdy nagle pojawiają się nieplanowane przeglądy, umowy powierzenia czy korekty podatkowe.

Czy jesteśmy w bańce AI i co to zmienia w twoich kalkulacjach?

Na jednym z paneli usłyszałam stwierdzenie: „AI to największa bańka od czasu dot‑comów”. I coś w tym jest – poziom inwestycji i oczekiwań bywa absurdalny. Menlo Ventures mówi o 2,5 biliona dolarów globalnych wydatków na AI, a marketingowe slajdy mnożą się szybciej niż realne wdrożenia.

Dla mnie z tej dyskusji wynika jedna praktyczna lekcja: okres eksperymentów się kończy. Zarządy, szczególnie w finansach, mówią wprost: „pokaż ROI albo nie ma projektu”. W niektórych organizacjach minimalny akceptowalny zwrot to powyżej 260% rocznie, bo tylko wtedy AI wygrywa z alternatywą w postaci kredytu, leasingu czy klasycznej optymalizacji kosztów.

Kiedy wracam po roku do firm, które robiły ze mną pierwsze pilotaże, widzę dwie ścieżki. Tam, gdzie od początku mierzyliśmy godziny, koszty i efekt, AI projekty przechodzą w skalowanie i nowe obszary. Tam, gdzie emocje wygrały z liczbami, budżety na „AI‑zabawki” znikają w następnym cyklu planowania.

Dlatego uważam, że pytanie „czy bańka AI pęknie” jest mniej ważne niż „czy moje projekty AI utrzymają się, gdy skończy się cierpliwość do rozwiązań bez ROI”.

Jak zacząć wdrożenie, żeby szybko zobaczyć ROI

Najlepsze projekty, które prowadziłam, zaczynały się od małych, bardzo konkretnych pilotaży. Przykładowo: automatyzacja obsługi FAQ i przetwarzania faktur. Tam ROI potrafi spaść poniżej 3 miesięcy, bo mamy:

  • dużą powtarzalność,
  • prostą miarę (czas per zadanie, liczba błędów),
  • jasny wpływ na koszt pracy.

Zawsze upewniam się, że narzędzia są RODO‑compliant – czyli w praktyce sięgam po Azure OpenAI lub ChatGPT Enterprise wtedy, gdy ingerujemy w dane wrażliwe. W prostszych scenariuszach (marketing, wsparcie sprzedaży) w zupełności wystarczają ChatGPT Team albo Copilot, o ile zadbamy o politykę danych.

Drugi krok to integracja z codzienną pracą, a nie „dodatkowy gadżet”. Asystent AI ma być wprost w tych narzędziach, w których zespół spędza dzień: w CRM, systemie ticketowym, ERP, Outlooku, Excelu. Przy dobrze zaprojektowanym wdrożeniu MŚP potrafi zautomatyzować ok. 70% rutynowych zadań, co przekłada się na 5–10 tys. zł oszczędności miesięcznie i zwrot w 1–6 miesięcy.

W tle zawsze robię też optymalizację licencji. Tam, gdzie Copilot jest mniej efektywny, przerzucamy użytkowników na ChatGPT. W obszarach „Office‑heavy” zostawiamy Copilota, ale nie dla wszystkich – tylko dla tych, którzy realnie korzystają. Dla dużych zespołów negocjujemy z OpenAI flat‑fee za ChatGPT Enterprise, co upraszcza budżet i zabezpiecza przed „rozlewaniem się” per-seat’owych kosztów, jakie widzimy przy Copilocie.

W jednej z firm usługowych zaczęliśmy właśnie tak: mały pilot na fakturach i FAQ, potem dołożenie ChatGPT Enterprise dla działu sprzedaży i marketingu, a na końcu precyzyjnie dobrane licencje Copilota dla osób tonących w prezentacjach i mailach. Po roku całkowity koszt AI (subskrypcje + wdrożenia) był na poziomie 36–71 tys. zł, a oszczędności przekroczyły 100 tys. zł. To jest ten moment, kiedy AI przestaje być „kosztem IT”, a staje się „projektem P&L”.

Podsumowanie: co musi się zgadzać, żeby ROI było realne?

Jeśli miałabym zamknąć temat jednym zdaniem, powiedziałabym: subskrypcje AI zwracają się szybko, jeśli są przyklejone do konkretnych godzin pracy i konkretnych faktur.

Kiedy patrzę na swoje projekty:

  • roczne subskrypcje ChatGPT Team / Copilot w przedziale 10–40 tys. zł,
  • miesięczne oszczędności 4–9 tys. zł na jednym procesie,
  • roczne oszczędności 60–120 tys. zł,

to ROI 67–169% przestaje być teorią z raportu, a staje się liczbą w arkuszu CFO. W obszarach finansowych spokojnie dochodzimy do ponad 260% ROI rocznie.

Co ważne – w większości sensownych wdrożeń nie trzeba zwalniać ludzi, żeby te liczby się spinały. Przenosimy ich z wprowadzania danych i przeklejania maili do pracy analitycznej, doradczej, sprzedażowej. Technologia zajmuje się rutyną, a człowiek tym, co wymaga osądu, empatii i kreatywności. I właśnie tej symbiozy – ludzkiej kreatywności i algorytmicznej precyzji – szukam w każdym projekcie.

Mini FAQ: pytania, które słyszę najczęściej

Jak obliczam ROI ChatGPT Team lub Copilota w praktyce?

Zawsze zaczynam od policzenia, ile godzin miesięcznie pożera dany proces „przed AI” i ile trwa „po AI”. Różnicę w godzinach mnożę przez średnią stawkę godzinową osób zaangażowanych w ten proces. Od tej kwoty odejmuję wszystkie koszty: subskrypcje, wdrożenie, szkolenia, utrzymanie.

Potem liczę klasyczne ROI:

(zysk netto z AI ÷ wszystkie koszty AI) × 100%

Jeżeli wyjdzie mi, że projekt zwróci się w mniej niż 12 miesięcy, a często widzę 1–6 miesięcy, to dla MŚP jest to bardzo zdrowa inwestycja.

Czy to się naprawdę zwraca w małych i średnich firmach?

Tak – pod warunkiem, że automatyzujesz konkretną rutynę, a nie „cały biznes na raz”. Przy automatyzacji około 70% powtarzalnych zadań (obsługa klienta, faktury, raporty, research) MŚP widzą u mnie:

  • zwrot inwestycji w 1–6 miesięcy,
  • oszczędności 4–9 tys. zł miesięcznie na proces,
  • pełne roczne ROI na poziomie 67–169%, a w finansach nawet ponad 260%.

Tam, gdzie AI jest „gadżetem do zabawy”, ROI jest ujemne – i to też czasem brutalnie pokazuję na liczbach.

Jakie koszty najczęściej wszyscy pomijają?

W kalkulacjach bardzo często znikają:

  • clean-up danych (2–8 tys. zł w większości projektów),
  • szkolenia zespołu (3–6 tys. zł),
  • testy i QA (4–12 tys. zł),
  • czas prawników, księgowości i działu bezpieczeństwa na ogarnięcie RODO, compliance i podatków,
  • oraz fakt, że szkolenie własnych modeli i budowa infrastruktury jest zwykle droższa niż gotowe subskrypcje typu ChatGPT Enterprise z panelem admina.

Kiedy te elementy dołożymy do licznika, a potem zestawimy z oszczędzonymi godzinami (plus czasem z dodatkowymi przychodami), dopiero wtedy widzimy prawdziwe, a nie „życzeniowe” ROI. I dopiero wtedy subskrypcje ChatGPT Team czy Copilota przestają być kosztem IT, a zaczynają być świadomą inwestycją.