Co dane mówią o adopcji AI: Polska vs UE — pojedynek dwóch urzędów w SQL

Intuicja mówi: “Polska szybko nadrabia w AI”. I to prawda — odsetek firm 10+ używających AI wzrósł z 2,86% (2021) do 8,36% (2025). Twist: ten sam ręcznie napisany SQL pokazuje, że dystans do średniej UE27 nie maleje, lecz rośnie — z −4,79 do −11,59 pp. Rośniemy, ale od tak niskiej bazy, że średnia UE ucieka szybciej.

O co chodzi

To reprodukowalny, lokalny (0-cost) pipeline analityczny na macOS. Flagowa analiza nazywa się “AI adoption across Polish & EU enterprises” — bierze ten sam wskaźnik (“firmy używające co najmniej jednej technologii AI”) z dwóch niezależnych urzędów statystycznych i stawia je obok siebie:

• GUS — Tab.15 z publikacji “Wykorzystanie ICT w przedsiębiorstwach 2025”,
• Eurostat — zbiór isoc_eb_ai (wskaźnik E_AI_TANY).

Po co dwa źródła? Bo gdy dwa niezależne urzędy mierzą to samo i wychodzi im prawie identycznie, liczbie można ufać. Dla firm 10+ w 2025: GUS raportuje 8,7%, Eurostat 8,36% — różnica 0,34 pp (4,1% względnie). To nie są nowe fakty — to uczciwa synteza publicznych liczb: uzgodnij, zbenchmarkuj, pokaż trend. Wartością nie jest “odkrycie”, tylko audytowalny workflow: publiczne dane → policzalny pipeline → cytowany raport. Dokładne wartości (np. 8,36%, 19,95%) to bezpośredni odczyt z Eurostat Data Browser (wskaźnik E_AI_TANY), nie zaokrąglenia z notek prasowych — te podają zwykle 8% / 20%.

Czytelnik dostaje na końcu brandowany raport PDF/HTML (paleta mjoldak.pl) z dwoma wykresami, czterema tabelami wynikowymi SQL i zastrzeżeniem zakresu wypisanym na wierzchu. To case study pokazujące warsztat junior data/BA pod rolę w sektorze finansowym.

Pod maską — cztery zapytania SQL

Rdzeń to cztery ręcznie napisane zapytania (DuckDB), które celowo pokrywają wymagane techniki: JOIN, reconciliation i funkcje okna.

GUS (Tab.15)  ─┐
               ├─> Q1 reconciliation  (JOIN po geo/year/size)
Eurostat ──────┘        GUS 8,7%  vs  Eurostat 8,36%  → 0,34 pp

Eurostat PL ──┬─> Q2 benchmark UE27  (wieloetapowy LEFT JOIN)
Eurostat UE27 ┘        PL poniżej UE w KAŻDEJ klasie wielkości

Eurostat panel ─> Q3 trajektoria+ranking (LAG, RANK, COUNT OVER)
                       PL: 26. (2021) → 31. miejsce (2025) z 33 krajów

Eurostat panel ─> Q4 luka rosnąca (self-JOIN + AVG OVER krocząca)
                       −4,79 pp (2021) → −11,59 pp (2025)

Q1 — reconciliation (JOIN). Łączy GUS i Eurostat na (geo, year, size_emp) i stawia oba urzędy obok siebie. Po klasach wielkości (2025): małe firmy 6,1% vs 5,79%, średnie 15,6% vs 14,77%, duże 42,0% vs 45,81%. SME zgadzają się w granicach poniżej 1 pp; klasa 250+ rozjeżdża się mocniej — bo populacja dużych firm jest mała i statystycznie hałaśliwa.

Q2 — benchmark UE27 (wieloetapowy LEFT JOIN). Stawia Polskę po klasach wielkości obok średniej UE27. Polska jest poniżej UE w każdej klasie: total 10+ to 8,36% vs 19,95% (−11,59 pp), a największa luka jest u firm średnich: 14,77% vs 30,36% (−15,59 pp).

Q3 — trajektoria i ranking (window). LAG liczy zmianę od poprzedniej fali ankiety (rok 2022 nie był ankietowany, więc 2023 to krok dwuletni). RANK OVER PARTITION BY plus COUNT OVER dają pozycję Polski: spada z 26. (2021) na 31. miejsce (2024 i 2025) przy 33 krajach — mimo szybkiego wzrostu adopcji, bo średnia UE27 rośnie szybciej.

Q4 — luka rosnąca (self-JOIN + ramowana średnia krocząca). Panel Eurostatu złączony sam ze sobą (PL vs EU27) plus 2-letnia średnia krocząca luki (AVG OVER ... ROWS BETWEEN 1 PRECEDING AND CURRENT ROW). Dowód jest twardy: luka idzie −4,79 (2021) → −4,39 (2023) → −7,58 (2024) → −11,59 pp (2025). UE27 w tym czasie rośnie z 7,65% do 19,95%.

Detal rzetelności: zapytanie rankingowe celowo wyklucza agregaty ponadnarodowe (EU27_2020, strefa euro EA/EA12/EA19/EA20), żeby ranking był naprawdę na poziomie krajów. Pilnuje tego test jednostkowy test_ranking_is_country_level_no_aggregate_leak — sprawdza, że krajów jest 33, a Polska na 31. miejscu, więc żaden agregat nie “wycieka” do rankingu.

Co z tego wynika

Puenta merytoryczna jest niewygodna, ale poprawna: szybki wzrost od niskiej bazy to nie to samo co nadrabianie dystansu. Patrzysz tylko na poziom — widzisz sukces. Patrzysz na trend różnicy — widzisz, że odjeżdżamy. Analityk musi umieć rozróżnić te dwie historie, bo opowiadają coś przeciwnego.

Drugi sygnał dojrzałości to dyscyplina zakresu. Oba źródła mierzą całą gospodarkę z wyłączeniem sektora finansowego (NACE sekcja K): GUS “Ogółem bez sekcji K” odpowiada Eurostatowemu C10-S951_X_K. Sprawdziłem NBP, KNF, EBA, ECB — publiczny zbiór o adopcji AI specyficznie w polskich bankach nie istnieje (stan na połowę 2026). Dlatego z tych liczb nie wolno wyciągnąć żadnej liczby “AI w bankach”. Jawne “czego tu nie ma” jest tu ważniejsze niż kolejny wykres.

Stąd też świadome rozdzielenie dwóch poziomów wiarygodności: dane ilościowe (GUS/Eurostat) żyją osobno od jakościowej syntezy dowodów o AI w bankowości UE/PL (osobny raport, weryfikacja metodą SIFT) — żeby nie mieszać twardych liczb z przeglądem literatury.

I rzecz o sposobie pracy: AI-augmented, nie AI-substituted. Kod powstawał z Claude Code i lokalnym LM Studio (endpoint zgodny z OpenAI), nigdy z płatnym, metrowanym kluczem API. Ale każdy wygenerowany SQL czy fragment pandas jest przepisany i zrozumiany ręcznie — bo na rozmowie rekrutacyjnej SQL musi być twój, nie modelu.

Dowód

Kod jest publiczny na licencji MIT: github.com/martin0ne/analytics-stack-pl. Cały raport odbudowuje się jedną komendą — uv run dvc repro analyze_ai (ingest GUS + Eurostat → walidacja schematu przez pandera → cztery zapytania SQL → raport). Testy uv run pytest tests/ pilnują kontraktów danych (schema odrzuca zły wsad) i niezmienników SQL: trajektoria monotoniczna, luka ujemna i rosnąca, brak wycieku agregatu do rankingu.

Każdy zbiór ma plik *.provenance.json ze źródłem, endpointem, czasem pobrania, sumą SHA-256 i licencją. Wszystkie kluczowe figury (8,7% / 8,36% / 19,95% / luka −4,79 → −11,59 pp) zostały 16.06.2026 niezależnie sprawdzone wobec źródeł pierwotnych — GUS Tab.15 i Eurostat Data Browser — i potwierdzone do podanej precyzji (FACT_CHECK.md). Gotowy artefakt: reports/ai_adoption_report.pdf (~288 KB).

Jeśli interesuje cię, jak podchodzę do mapowania procesów jako analityk — opisałem to tu: jak zmapowałem proces automatem do BPMN.