AI/IT due diligence: jak ocenić „AI” spółki, zanim podpiszesz

Po co osobna ścieżka dla AI

Standardowe due diligence sprawdza finanse, prawo i technologię. „AI” wymyka się tym trzem, bo spółka może pokazać działające demo, kilka logotypów klientów i deck pełen wykresów, a pod spodem mieć cienką nakładkę na cudzy model bez żadnej trwałej przewagi. Ryzyko nie jest w tym, że AI nie działa. Ryzyko jest w tym, że płacisz za zdolność, której spółka nie kontroluje.

Audyt AI to time-boxowany przegląd, który odpowiada na jedno pytanie zarządu: czy to, co spółka nazywa AI, jest aktywem, czy kosztem operacyjnym przebranym za aktywo. Prowadzisz go równolegle do reszty due diligence, w dwa lub trzy tygodnie, i kończysz mapą ryzyka, nie esejem. Osobno opisujemy, kto może poprowadzić AI due diligence.

Trzy warstwy, które trzeba rozdzielić

Większość mylących ocen bierze się z mieszania trzech rzeczy w jedno hasło „AI”.

• Model. Najczęściej to gotowy LLM dostawcy zewnętrznego. Sam w sobie nie jest przewagą: ten sam model ma konkurencja.
• Dane. Tu zwykle leży realna wartość: zastrzeżone, czyste, dobrze opisane dane treningowe albo baza wiedzy, której nikt nie odtworzy z dnia na dzień.
• System wokół. Pipeline, RAG na firmowych dokumentach, ewaluacja, guardraile, integracje. To pokazuje, czy zespół umie zamienić model w produkt.

Spółka z silną warstwą danych i systemu na słabszym modelu jest zwykle bezpieczniejsza niż spółka z najnowszym modelem i pustką pod spodem. Model można podmienić w tydzień. Danych i pipeline'u nie.

Co sprawdzić, a co jest sygnałem ryzyka

To jest sedno przeglądu. Każdy wiersz tłumaczy, czego szukasz i co powinno zapalić lampkę.

Co sprawdzić	Sygnał ryzyka
Skąd pochodzi model	Wyłącznie cudze API bez własnej warstwy danych ani planu wyjścia
Pochodzenie danych treningowych	Brak udokumentowanych źródeł, zgód i licencji; dane „skądś”
Czy istnieje ewaluacja	Ocena jakości „na wyczucie”, brak stałego zbioru testowego i metryk
Koszt jednej odpowiedzi	Marża zależna od cennika dostawcy, którego spółka nie negocjuje
Zależność od jednego dostawcy	Pełny lock-in, brak abstrakcji nad modelem, brak alternatywy
Kto zbudował system	Cała wiedza w jednej osobie albo u zewnętrznego wykonawcy
Co dzieje się przy błędzie	Brak guardraili, brak człowieka w pętli przy decyzjach o wysokiej stawce

Jeśli na większość tych pytań spółka odpowiada slajdem z architekturą zamiast dowodem, to sam slajd jest odpowiedzią.

Pięć pytań do zarządu przed podpisaniem

Tabela powyżej mówi, czego szukać. Te pytania pomagają to wydobyć w rozmowie z zarządem, zanim padnie cena. Przy każdym opisujemy, jak wygląda mocna i słaba odpowiedź.

1. Które procesy są naprawdę zautomatyzowane? Mocna odpowiedź: proces ma udokumentowaną mapę, właściciela i pomiar przed i po wdrożeniu, a automatyzacja jest częścią codziennej pracy, nie pokazem dla inwestora. Słaba odpowiedź: slajd z logotypami dostawców i pojedyncze skrypty, które utrzymuje jedna osoba. Zapytaj: „Pokażcie jeden proces od początku do końca. Gdzie decyduje człowiek, gdzie działa agent i kto zatwierdza wynik?”
2. Czy AI działa w nadzorowanej architekturze, czy obok niej? Mocna odpowiedź: klasyfikacja danych, człowiek w pętli przy wrażliwych decyzjach, logowanie wywołań modelu i wyraźna granica między produkcją a eksperymentami. Słaba odpowiedź: klucze API w arkuszu, dane klientów wysyłane do publicznego modelu bez żadnej polityki. Zapytaj: „Gdzie kończy się eksperyment, a zaczyna produkcja, i kto formalnie to zatwierdził?”
3. Kto odpowiada za governance? Mocna odpowiedź: spis systemów AI z poziomem ryzyka (w duchu klasyfikacji z AI Act), rejestr danych treningowych i testowych, polityka retencji i ślad audytowy od zapytania do odpowiedzi. Słaba odpowiedź: brak rejestru, brak właściciela i zdanie „mamy to w polityce bezpieczeństwa” bez szczegółów. Zapytaj: „Które systemy AI działają dziś, kto jest ich właścicielem i jak wykażecie regulatorowi, że dane klientów są bezpieczne?”
4. Czy wiedza jest w spółce, czy w kilku głowach? Mocna odpowiedź: prompty, ewaluacje i instrukcje utrzymania leżą w repozytorium spółki, z jasnymi prawami i licencjami. Słaba odpowiedź: wszystko działa dzięki jednemu inżynierowi, a dokumentacji nie ma. Zapytaj: „Gdyby jutro odeszły dwie konkretne osoby, co przestałoby działać i ile zajęłoby odbudowanie?”
5. Na czym opiera się teza o wzroście marży? Mocna odpowiedź: teza rozpisana na procesy, z założeniami o koszcie działania modelu, modelem zastępczym i scenariuszem zmiany cennika dostawcy. Słaba odpowiedź: „AI zwiększy marżę”, bez rozbicia i z jednym dostawcą wpisanym na sztywno w architekturę. Zapytaj: „Co stanie się z marżą, jeśli główny dostawca jutro podwoi ceny albo zmieni licencję? Jaki macie plan B?”

Czerwone flagi w rozmowie z zarządem

• „AI-native” w prezentacji, Excel w operacjach. Hasła nie mają pokrycia w mapie procesów ani w narzędziach, których zespół faktycznie używa.
• Nikt nie odpowiada za AI. Nie chodzi o tytuł „Head of AI”, tylko o osobę z budżetem, prawem decyzji i odpowiedzialnością za rejestr systemów.
• Dane klientów w publicznych modelach bez klasyfikacji. To wczesny sygnał ryzyka regulacyjnego i wizerunkowego, niezależnie od kraju.
• Jeden dostawca, jedna umowa, jedna osoba. Każde z osobna to ryzyko. Wszystkie trzy naraz to koncentracja ryzyka, która powinna wpłynąć na warunki transakcji.
• Pilotaż trwający ponad rok. Brak decyzji o wdrożeniu albo wycofaniu pokazuje, że organizacja nie umie zamykać eksperymentów, a to zwykle wraca w pierwszym roku po transakcji.

Dług danych: najdroższe, co kupujesz

Dane treningowe bywają największym ukrytym zobowiązaniem. Model wytrenowany na danych bez udokumentowanych zgód, na scrapowanych treściach albo na danych klientów użytych niezgodnie z umową to nie aktywo, lecz odroczone ryzyko prawne, które zostaje po stronie kupującego po zamknięciu.

Pytaj wprost: skąd pochodzi każdy zbiór, na jakiej podstawie, czy da się to udowodnić w razie kontroli. Brak odpowiedzi traktuj jak brak tytułu prawnego do nieruchomości, bo ekonomicznie to to samo.

Jak zmieścić to w decyzji zarządu

Wynik przeglądu ma być board-readable, czyli krótki i porównywalny. Sprawdza się prosty format.

1. Werdykt w jednym zdaniu. Aktywo, nakładka albo aktywo z warunkami.
2. Trzy największe ryzyka z szacowanym kosztem ich naprawy lub domknięcia.
3. Co trzeba zrobić w pierwszych 100 dniach, żeby ryzyko zamienić w wartość.

Zasada operatora: nie pytaj „czy spółka ma AI”. Pytaj „co się stanie z marżą, jeśli dostawca modelu jutro podniesie ceny albo zmieni warunki”. Odpowiedź na to drugie pytanie mówi, co naprawdę kupujesz.

Od czego zacząć

Pierwszy krok jest tani: poproś o jeden konkretny dowód jakości: stały zbiór testowy, wynik ewaluacji, udokumentowane źródło danych. Spółka, która naprawdę kontroluje swoje AI, pokaże to w ciągu kilku dni. Spółka, która ma nakładkę, zacznie tłumaczyć, dlaczego to skomplikowane. Ta różnica w reakcji bywa cenniejsza niż sam deck.