Ukryty koszt pośpiechu PE w AI: drogie tokeny i spadek jakości decyzji

AI staje się coraz droższe, a większość firm private equity nie ma jeszcze prostych ram do śledzenia, na co realnie idą pieniądze w tej technologii.

W dodatku koszty to nie tylko rachunki. Przewlekłe poleganie na AI może też spłaszczać osąd zespołów prowadzących transakcje i tworzyć materiały z due diligence, które brzmią tak wyraźnie, jakby były wygenerowane przez maszynę. To z kolei osłabia zaufanie, jakim inwestorzy darzą firmę.

Zespoły PE pchają wykorzystanie AI z projektów pilotażowych do codziennej pracy przy dealach. Budżetowanie nie nadąża za tym tempem.

Siva Ilango, partner z Londynu w JMAN Group, która doradza funduszom PE w zakresie danych i strategii AI, mówi, że wielu klientów nadal nie rozumie nawet tego, jak działa wycena tokenów i dokąd zmierza.

Modele AI są wyceniane za token. W praktyce token jest jednostką tekstu, a koszt rośnie wraz z długością i złożonością wiadomości. Zwykle obowiązują osobne stawki za to, co użytkownik wysyła, oraz za to, co model generuje. Cena za wygenerowane wyjście (output) bywa kilka razy wyższa niż cena za wejście (input). Gdy ten sam model uruchamia się na dłuższych i bardziej złożonych zadaniach, różnica między kosztami szybko się powiększa.

Ilango podkreśla, że wielu klientów nie rozumie mechanizmu naliczania i nie potrafi policzyć, ile rzeczywiście kosztuje ich typowy tydzień korzystania z AI.

Jako przykład wskazywany jest Uber. Firma wykorzystała cały budżet AI na 2026 rok w cztery miesiące po wdrożeniu Claude Code od Anthropic dla tysięcy inżynierów. Szczególnie widoczny był wzrost adopcji rozwiązań agentic-coding: z 32% w lutym do 84% w marcu. Wiosną 95% inżynierów używało jakiegoś narzędzia opartego na AI co najmniej raz w miesiącu, według danych przytaczanych przez Forbes.

Connor Kohlenberg, partner i szef londyńskiego biura ds. M&A w West Monroe, uważa, że podobny scenariusz może dotknąć branżę inwestycyjną.

„Gdy się już na tym zawiesisz, to jest jak narkotyk. A wtedy ceny tego narkotyku zawsze rosną” – powiedział.

W tym samym czasie Anthropic i OpenAI poufnie złożyły wnioski o IPO. Taki krok może sprawić, że oba podmioty odejdą od subsydiowanych cen, które do tej pory mocno obniżały barierę wejścia.

Kohlenberg dodaje, że w pracy zespołów transakcyjnych nie można popełniać dużych błędów. Zwraca też uwagę, że zmęczenie decyzyjne (decision fatigue) staje się realnym problemem, bo zespół jest rozliczany na podstawie tego, jak dobrze podejmuje decyzje.

Jak próbują ograniczać straty

Część firm już koryguje podejście. Ilango mówi, że bardziej zdyscyplinowani klienci wprowadzają limity budżetu liczone na jednego użytkownika. Typowo jest to £50 (około 67 USD) do £100 miesięcznie, zależnie od ról, zamiast zostawiać korzystanie bez pomiaru.

Inni testują podejście hybrydowe. Tańsze, masowe zadania o niższej wadze da się kierować do tańszych modeli open-weight, takich jak DeepSeek lub Qwen, a modele frontier (najmocniejsze systemy) przeznaczać na prace, które naprawdę ich wymagają.

Kohlenberg sugeruje też, aby firmy zaczęły prowadzić diagnostykę tworzenia wartości, w której koszt AI rozkłada się na horyzont pięciu lat, a nie tylko porównuje z pierwszorocznym efektem. Następnie trzeba wybrać niewielką liczbę faktycznie wysokowartościowych zastosowań, zamiast automatyzować wszystko, zakładając, że jest to „za darmo”.

„Będzie bardzo trudno to później odkręcić; może to mieć negatywny wpływ w niektórych obszarach, gdzie zamiast tworzenia wartości dojdzie do erozji wartości” – mówi Kohlenberg.

Obciążenie dla umysłu

Jest też kilka innych, bardziej subtelnych sposobów, w jakie niewłaściwe korzystanie z AI może zniechęcać inwestorów.

Emily Cook, założycielka firmy Found zajmującej się coachingiem wyników, która pracuje z firmami private equity i private credit nad wdrażaniem AI oraz wydajnością zespołów, wskazuje, że większe ryzyko wiąże się z tym, jak AI wpływa na zdolności poznawcze zespołów, a w efekcie na podejmowanie decyzji, gdy zaczynają polegać na niej nadmiernie.

„AI jest zaprogramowana, żeby się zgadzać” – zwraca uwagę Cook.

W marcu badanie opublikowane w Science wykazało, że wśród 11 wiodących modeli AI systemy częściej potwierdzały działania użytkowników niż robili to ludzie — o 49%. Co więcej, dotyczyło to nawet sytuacji, w których prośba obejmowała oszustwo lub wyrządzenie krzywdy.

Dla branży inwestycyjnej kluczowa jest umiejętność niezgadzania się z konsensusem, gdy dane mówią inaczej. W tym ujęciu skłonność do potwierdzania może stać się ryzykiem systemowym, jeśli zespoły inwestycyjne opierają się na AI, która zamiast kwestionować ich myślenie, je nadmiernie potwierdza.

Obciążenie poznawcze może też prowadzić do błędów decyzyjnych. W pracy badawczej BCG opisuje się, że praktycy zaczęli mówić o zjawisku „brain fry” — mentalnym wyczerpaniu wynikającym z używania, interakcji lub nadzorowania narzędzi AI ponad możliwości poznawcze danej osoby.

Wśród pracowników, którzy zgłaszali takie objawy, zmęczenie decyzyjne wzrosło o 33%, a poważne błędy o 39% w porównaniu z osobami, które tego nie doświadczyły.

„Gdy myślisz o zespołach transakcyjnych, nie możesz popełniać dużych błędów, a zmęczenie decyzyjne jest problemem, bo jesteś rozliczany za jakość podejmowanych decyzji” – powiedziała Cook.

Kolejne ryzyko to „AI slop” — treści, które są wyraźnie wygenerowane przez AI, bo nikt ich nie dopracował ani nie wprowadził iteracji. W kontekście inwestycji może się to pojawiać w odpowiedziach w ramach due diligence, aktualizacjach dla klientów i materiałach zarządczych, które brzmią tak, jakby nie stała za nimi żadna osoba w firmie.

Cook przywołuje przykład dyrektora ds. finansów korporacyjnych, który opisał żywy proces: inwestor wycofał się po otrzymaniu odpowiedzi z due diligence od zespołu zarządzającego. Według tej osoby teksty były wyraźnie napisane przez AI i nie zostały dopracowane.

Gdzie przebiega linia między człowiekiem a AI

Aby ograniczyć nadmierne poleganie na AI, firmy PE mogą zacząć od identyfikacji, które zadania należą do ludzi, a które do AI.

Cook ujmuje to przez pryzmat złożoności i wolumenu. Zadania o niskiej złożoności i wysokiej częstotliwości — na przykład monitoring portfela, analiza danych oraz szablony prezentacji — są bezpieczne do automatyzacji w całości. Natomiast bardziej złożone zadania, takie jak memorandum inwestycyjne, model finansowy czy dokumenty prawne, najlepiej wykonywać jako wsparcie AI, gdzie człowiek pozostaje w pętli (czyli ma kontrolę nad procesem i weryfikuje wyniki).

Z kolei prace na najwyższym poziomie — strategia funduszu, negocjacje, ocena inwestycji i przygotowanie pitch decku — powinny pozostać całkowicie po stronie ludzi.

Aby zapewnić, że ludzie utrzymają wysoką wydajność w czasie, zespoły transakcyjne mogą od czasu do czasu wykonywać niektóre powtarzalne zadania bez udziału AI. Jednocześnie warto chronić czas w tygodniu na głębokie myślenie, bez AI w roli współautorów.

„Nie sądzę, żeby wystarczająco myśleli o tym, jak AI może wpływać na ich wydajność poznawczą, jak może wpływać na ich samopoczucie i jaka jest w praktyce jakość wyników w niektórych przypadkach” – powiedziała.