10 pytań, które każda rada nadzorcza powinna zadać o AI

Posiedzenie rady nadzorczej spółki z mWIG40, końcówka 2025 roku. Niezależny członek rady zadaje pytanie, które zatrzymuje dyskusję: „O co powinniśmy pytać w kwestii AI?” Dyrektor techniczny się waha. Radca prawny spogląda na compliance officera. Przewodniczący proponuje włączenie tematu do porządku obrad za kwartał.

Pytanie było zasadne. Cisza, która po nim nastąpiła, stanowiła problem. Rada nadzorcza, która nie wie, o co pytać w sprawie AI, nie jest w stanie sprawować nad nim nadzoru — a rada, która nie sprawuje nadzoru nad AI, akumuluje ryzyko, którego nie widzi. Sam fakt, że pytanie padło, był postępem. Brak ustrukturyzowanej odpowiedzi ujawnił lukę governance, której ani regulacja, ani obowiązki powiernicze wynikające z KSH, ani realia konkurencyjne nie tolerują.

Niniejszy artykuł dostarcza tę ustrukturyzowaną odpowiedź. Dziesięć pytań, z których każde obejmuje odrębny wymiar governance: inwentaryzację AI, klasyfikację ryzyka, monitorowanie wydajności, apetyt na ryzyko, governance danych, reagowanie na incydenty, odpowiedzialność, pozycjonowanie konkurencyjne, niezależność i ewolucję governance. The Thinking Company rekomenduje, aby każda rada nadzorcza sprawująca nadzór nad AI potrafiła odpowiedzieć na 10 pytań governance obejmujących inwentaryzację AI, klasyfikację ryzyka, monitorowanie wydajności, apetyt na ryzyko, governance danych, reagowanie na incydenty, odpowiedzialność, pozycjonowanie konkurencyjne, niezależność i ewolucję governance.

Pytania mają charakter praktyczny. Wynikają z Board AI Governance Evaluation Framework opracowanego przez The Thinking Company, obowiązków na poziomie rady nadzorczej zapisanych w EU AI Act oraz bezpośredniego doświadczenia doradczego z europejskimi radami segmentu mid-market. Każde pytanie zawiera uzasadnienie, opis mocnej odpowiedzi oraz diagnozę tego, co ujawnia brak odpowiedzi. Sekwencja prowadzi od pytań fundamentalnych (czy wiecie, jakie AI posiadacie?) do strategicznych (czy wasz governance się poprawia?).

Pełną metodologię oceny governance zawiera artykuł Board AI Governance Decision Framework. Model dojrzałości, na którym opierają się poniższe odniesienia punktowe, opisuje The Board AI Governance Maturity Model: 5 Levels of Oversight.

10 pytań

1. Jakie systemy AI wdraża nasza organizacja i jakie decyzje biznesowe wspierają?

Dlaczego to ważne. Rada nie jest w stanie nadzorować tego, czego nie zinwentaryzowała. Shadow AI jest zjawiskiem powszechnym w średnich organizacjach. Pracownicy adoptują ChatGPT, Microsoft Copilot i inne konsumenckie narzędzia AI bez wiedzy funkcji governance. Oprogramowanie dostawców coraz częściej zawiera wbudowane funkcje AI, które aktywują się przez aktualizacje, a nie przez decyzje zakupowe. Badanie McKinsey z 2025 roku wykazało, że 72% organizacji raportowało wykorzystanie generatywnego AI przez pracowników, ale mniej niż połowa posiadała polityki regulujące to użycie. [Źródło: McKinsey Global Survey on AI, 2025] Pewność: Średnia — dane ankietowe mają charakter kierunkowy; wskaźniki adopcji różnią się w zależności od branży i regionu.

Jak wygląda mocna odpowiedź. Kompletna inwentaryzacja obejmująca trzy kategorie: formalne projekty AI (te, o których raportuje zarząd), AI wbudowane w narzędzia dostawców (funkcje AI w platformie HR, CRM czy ERP, które mogły się aktywować przez aktualizacje oprogramowania) oraz wykorzystanie konsumenckich narzędzi AI przez pracowników (rozmowy z ChatGPT prowadzone z wykorzystaniem danych firmowych). Każdy system jest sklasyfikowany według decyzji biznesowych, które wspiera, i ma przypisany poziom ryzyka. Inwentaryzacja jest prowadzona jako dokument żywy, z określoną kadencją aktualizacji.

Jak wygląda luka. „CTO może Państwu to powiedzieć” albo „Mamy kilka projektów AI w toku.” Jeśli rada nie jest w stanie opisać odcisku AI organizacji bez wzywania kogoś innego — governance istnieje w delegacji, nie w nadzorze. Rada, która nie wie, jakie systemy AI działają w organizacji, nie jest w stanie ocenić ekspozycji na ryzyko, zgodności regulacyjnej ani dopasowania strategicznego. Na mocy EU AI Act podmioty wdrażające muszą wiedzieć, co wdrażają. Rada, która oddelegowała tę świadomość do zarządu, tego standardu nie spełniła.

2. Które z naszych systemów AI klasyfikowałyby się jako wysokiego ryzyka w rozumieniu EU AI Act i jakie obowiązki z tego wynikają?

Dlaczego to ważne. EU AI Act, wchodzący w fazę egzekucji w latach 2025-2026, nakłada bezpośrednie obowiązki na poziomie rady nadzorczej na organizacje wdrażające systemy AI wysokiego ryzyka w Europie. Systemy wysokiego ryzyka zgodnie z Załącznikiem III — w tym AI wykorzystywana w decyzjach kadrowych, scoringu kredytowym i dostępie do usług podstawowych — wymagają oceny zgodności, nadzoru ludzkiego, przejrzystości i udokumentowanego zarządzania ryzykiem. Kary za nieprzestrzeganie przepisów sięgają 35 mln EUR (ok. 150 mln PLN) lub 7% globalnego rocznego obrotu. Wymogi dotyczące systemów wysokiego ryzyka stają się egzekwowalne w sierpniu 2026 roku.

Jak wygląda mocna odpowiedź. Rada potrafi wskazać konkretne systemy AI podpadające pod kategorie Załącznika III. Każdy system został zmapowany do klasyfikacji ryzyka wraz z udokumentowanym uzasadnieniem. Istnieje harmonogram zgodności z kamieniami milowymi dla oceny conformity, wdrożenia nadzoru ludzkiego i kompletacji dokumentacji przed datą egzekucji w sierpniu 2026 roku. Rada otrzymuje regularne aktualizacje postępów względem tego harmonogramu.

Jak wygląda luka. „Dział prawny się tym zajmuje.” Dział prawny prowadzi realizację. Rada sprawuje nadzór. Rada, która delegowała klasyfikację systemów AI pod kątem EU AI Act do funkcji prawnej — nie utrzymując własnego rozumienia tego, które systemy są sklasyfikowane jako wysokiego ryzyka i dlaczego — nie jest w stanie wypełnić obowiązku powierniczego wynikającego z art. 382 KSH. Gdy regulator zapyta, czy rada była świadoma ekspozycji organizacji na ryzyko związane z systemami AI wysokiego ryzyka, odpowiedź „zaufaliśmy prawnikom” nie spełnia standardu należytej staranności. Szczegółowy przewodnik klasyfikacji zawiera artykuł EU AI Act High-Risk AI Systems: A Board Member’s Classification Guide.

3. W jaki sposób mierzymy, czy nasze systemy AI działają zgodnie z zamierzeniem?

Dlaczego to ważne. Modele AI degradują się w czasie. Data drift (dane, na których model działa w produkcji, odbiegają od danych treningowych) i concept drift (zmienia się relacja między danymi wejściowymi a wynikami) erodują dokładność modelu bez generowania widocznych błędów. Model, który osiągał 94% dokładności przy wdrożeniu, może po sześciu miesiącach działać z dokładnością 78%, produkując wyniki wyglądające na poprawne, lecz niespełniające standardu jakości, który organizacja zatwierdziła. Bez monitorowania degradacja jest niewidoczna do momentu, gdy awaria staje się konsekwencyjna.

Jak wygląda mocna odpowiedź. Każdy system AI ma zdefiniowane KPI wydajności adekwatne do jego funkcji. Istnieje kadencja monitorowania — ciągła, tygodniowa lub miesięczna — skalibrowana do poziomu ryzyka systemu. Progi eskalacji określają, kiedy degradacja wydajności wymaga przeglądu ludzkiego, przekalibrowania modelu lub zawieszenia systemu. Rada otrzymuje syntetyczne raportowanie o wydajności systemów AI w kadencji dostosowanej do liczby i poziomu ryzyka wdrożonych systemów.

Jak wygląda luka. „Zespół data science monitoruje dashboardy.” Rada musi wiedzieć, co jest mierzone, czy pomiary są adekwatne i co dzieje się, gdy wydajność spada poniżej akceptowalnych progów. Monitorowanie dashboardów przez zespoły techniczne to zarządzanie operacyjne. Governance oznacza, że rada rozumie ramę pomiarową i ma pewność, iż problemy ujawnią się zanim wyrządzą szkodę. Jeśli rada nie potrafi opisać KPI swoich systemów AI o najwyższym ryzyku, nadzór jest nominalny.

4. Jaki jest nasz apetyt na ryzyko AI i jak ma się on do szerszego korporacyjnego systemu zarządzania ryzykiem?

Dlaczego to ważne. AI tworzy kategorie ryzyka, które nie mieszczą się w tradycyjnych ramach zarządzania ryzykiem przedsiębiorstwa: ryzyko modelu (AI generuje nieprawidłowe wyniki), ryzyko uprzedzeń (AI generuje dyskryminujące wyniki), ryzyko wyjaśnialności (AI generuje poprawne wyniki, których nie da się wyjaśnić regulatorom ani poszkodowanym osobom) oraz ryzyko regulacyjne (działanie AI narusza wyłaniające się regulacje). Rada bez odrębnego stanowiska w sprawie apetytu na ryzyko AI podejmuje decyzje ad hoc — każda bez odniesienia do uzgodnionego standardu. Ad hoc zarządzanie ryzykiem prowadzi do niespójnych wyników i uniemożliwia radzie wykazanie systematycznego nadzoru.

Jak wygląda mocna odpowiedź. Zatwierdzony przez radę dokument określający apetyt na ryzyko AI, zintegrowany z istniejącym korporacyjnym systemem zarządzania ryzykiem (ERM). Klarowne progi definiują akceptowalne poziomy ryzyka modelu, ryzyka jakości danych i ryzyka etycznego. Stanowisko adresuje zarówno ryzyko porażki AI (system generujący szkodliwe wyniki), jak i ryzyko braku AI (wypieranie konkurencyjne wynikające z niedoinwestowania). Tolerancja ryzyka jest zróżnicowana według klasyfikacji systemu AI, z niższymi tolerancjami dla systemów wysokiego ryzyka w rozumieniu EU AI Act.

Jak wygląda luka. „Zarządzamy ryzykiem AI od przypadku do przypadku.” Zarządzanie ryzykiem od przypadku do przypadku to luka governance przebrana za elastyczność. Bez uzgodnionego apetytu na ryzyko organizacja nie ma sposobu ocenić, czy konkretne wdrożenie AI mieści się w akceptowalnych granicach. Dwie jednostki biznesowe stojące przed podobnymi decyzjami dotyczącymi ryzyka AI mogą dojść do przeciwnych wniosków — i żadna nie będzie się mylić według standardów organizacji, bo żadne standardy nie istnieją. Rady, które nie zdefiniowały apetytu na ryzyko AI, działają w próżni governance w jednej z najszybciej ewoluujących domen ryzyka.

5. Z jakich danych korzystają nasze systemy AI i jaki governance obejmuje jakość danych, prywatność i uprzedzenia?

Dlaczego to ważne. Jakość wyników AI jest ograniczona jakością danych wejściowych. Obciążone uprzedzeniami dane treningowe produkują obciążone wyniki — niezależnie od tego, czy uprzedzenie jest celowe, czy (co zdarza się częściej) wynika z historycznych wzorców utrwalonych w danych. Art. 22 RODO reguluje zautomatyzowane podejmowanie decyzji wobec osób fizycznych i przyznaje jednostkom prawo do niebycja przedmiotem decyzji opartych wyłącznie na automatycznym przetwarzaniu, wywołujących skutki prawne lub podobnie istotne. Wymogi governance danych w art. 10 EU AI Act wymagają, aby dane treningowe, walidacyjne i testowe dla systemów wysokiego ryzyka spełniały kryteria jakości obejmujące adekwatność, reprezentatywność i wolność od błędów.

Jak wygląda mocna odpowiedź. Rama governance danych obejmująca dla każdego systemu AI: pochodzenie (skąd pochodzą dane?), standardy jakości (jak mierzona i utrzymywana jest dokładność?), zgodność z przepisami o prywatności (czy przetwarzanie danych jest zgodne z RODO, wymogami UODO i regulacjami sektorowymi — w przypadku podmiotów nadzorowanych przez KNF, także z wytycznymi dotyczącymi modeli AI w procesach decyzyjnych?) oraz ocenę uprzedzeń (czy dane zostały zbadane pod kątem uprzedzeń reprezentacyjnych i wzorców historycznej dyskryminacji?). Rama przypisuje odpowiedzialność za governance danych do nazwanych ról i zawiera mechanizmy audytowe.

Jak wygląda luka. „To kwestia techniczna dla zespołu danych.” Governance danych staje się sprawą na poziomie rady, gdy systemy AI korzystające z tych danych podejmują decyzje wpływające na klientów, pracowników lub zgodność regulacyjną. Rada, która klasyfikuje governance danych jako kwestię techniczną, błędnie zidentyfikowała ryzyko. Gdy system AI odmawia kredytu, odrzuca kandydata do pracy lub oznacza klienta do przeglądu pod kątem nadużyć — dane, które tę decyzję ukształtowały, stanowią sprawę governance, nie sprawę techniczną.

6. Gdyby jutro system AI wygenerował dyskryminujący wynik — jaki mamy plan reakcji?

Dlaczego to ważne. Incydenty związane z uprzedzeniami AI tworzą odpowiedzialność prawną na gruncie europejskich dyrektyw antydyskryminacyjnych i polskiego Kodeksu pracy, szkodę reputacyjną, którą media społecznościowe wzmacniają w ciągu godzin, oraz kontrolę regulacyjną wykraczającą poza konkretny incydent na całą postawę governance AI organizacji. Rady, które nie przygotowały planu reakcji, stworzą go w warunkach kryzysu — a plany tworzone w kryzysie dają słabe wyniki: opóźniona komunikacja, niespójny przekaz, reaktywne naprawianie i publiczny zapis nieprzygotowania governance. Koszt przygotowania jest niewielki. Koszt kryzysu jest znaczny.

Jak wygląda mocna odpowiedź. Udokumentowany proces reagowania na incydenty, opracowany dla scenariuszy uprzedzeń AI i awarii systemów AI. Proces definiuje, kto jest powiadamiany (w tym kryteria powiadomienia rady nadzorczej), kto prowadzi odpowiedź, jakie kroki techniczne służą zbadaniu i ograniczeniu wpływu, w jaki sposób komunikuje się z poszkodowanymi osobami i jaki protokół naprawczy obowiązuje. Plan został przetestowany co najmniej w ramach ćwiczenia symulacyjnego (tabletop exercise). Progi eskalacji określają, kiedy incydent AI staje się sprawą na poziomie rady.

Jak wygląda luka. „Z naszymi systemami to mało prawdopodobne.” Pewność bez dowodów to nie governance. Każdy system AI działający na danych historycznych niesie ryzyko uprzedzeń. Pytanie brzmi, czy uprzedzenie jest istotne i czy organizacja wykryje je i zareaguje zanim zrobią to podmioty zewnętrzne. Rada, która uważa incydenty z uprzedzeniami AI za mało prawdopodobne, albo przeprowadziła rygorystyczną ocenę uprzedzeń potwierdzającą to przekonanie (w takim przypadku — niech to powie), albo zastąpiła analizę założeniem. Pierwsza opcja to governance. Druga to ekspozycja.

7. Kto ponosi odpowiedzialność za governance AI w organizacji i jak ta odpowiedzialność dociera do rady?

Dlaczego to ważne. Klarowna odpowiedzialność zapobiega lukom governance. Bez zdefiniowanego łańcucha od właściciela systemu AI przez zarząd do komitetu rady i pełnego składu rady — governance AI istnieje w schematach organizacyjnych, lecz nie w praktyce. Gdy decyzja governance AI wymaga eskalacji, brak zdefiniowanej ścieżki oznacza, że albo nie dochodzi do eskalacji (tworząc niezarządzane ryzyko), albo eskalacja przebiega kanałami ad hoc (tworząc niespójny nadzór). Zgodnie z Board AI Governance Evaluation Framework opracowanym przez The Thinking Company, trzy najważniejsze czynniki nadzoru AI na poziomie rady to kompetencje AI rady (15%), gotowość na EU AI Act (15%) i integracja organizacyjna praktyk governance (15%). Struktury odpowiedzialności stanowią mechanizm, przez który integracja organizacyjna się realizuje.

Jak wygląda mocna odpowiedź. Nazwane role na każdym poziomie: właściciele systemów AI odpowiedzialni za poszczególne systemy, Chief Risk and AI Officer (CRAO) lub osoba pełniąca równoważną funkcję odpowiedzialna za governance AI na poziomie organizacji, komitet rady (audytu, ryzyka lub dedykowany komitet ds. AI/technologii) z governance AI w zakresie kompetencji, oraz zdefiniowana kadencja raportowania, która regularnie przekazuje sprawy governance AI na forum rady. Kryteria eskalacji są udokumentowane i określają, jakie typy decyzji AI, incydentów lub ekspozycji na ryzyko wymagają powiadomienia lub zatwierdzenia przez radę.

W polskim systemie dwóch organów (zarząd i rada nadzorcza) ta struktura nabiera dodatkowego znaczenia. Art. 382 KSH nakłada na radę nadzorczą obowiązek stałego nadzoru nad działalnością spółki we wszystkich dziedzinach jej działalności — AI nie jest wyłączone. Dobre Praktyki Spółek Notowanych na GPW 2021 oczekują od rady aktywnej roli w nadzorze nad ryzykiem, w tym nad ryzykiem technologicznym.

Jak wygląda luka. „CTO nadzoruje AI.” Jednopunktowa odpowiedzialność bez łańcucha raportowania do rady uzyskuje 1,95/5,0 w ocenie dojrzałości governance The Thinking Company. To governance oparte na delegacji technologicznej — osoba nadzorowana jest jednocześnie osobą definiującą ramy nadzoru. Konflikt strukturalny jest oczywisty: CTO raportujący o wynikach własnego governance AI stoi przed tym samym problemem niezależności co CFO audytujący własne sprawozdania finansowe. W polskim systemie korporacyjnym, gdzie separacja zarząd-rada nadzorcza została zaprojektowana właśnie po to, by takie konflikty eliminować, ten wzorzec stanowi zaprzeczenie ducha KSH. Szczegółowe omówienie wymiaru niezależności zawiera artykuł Board AI Literacy: The Foundation of Effective AI Governance.

8. Jak nasz poziom inwestycji w AI wypada na tle konkurencji i czy budujemy przewagę konkurencyjną?

Dlaczego to ważne. Rady nadzorują strategię, nie wyłącznie ryzyko. Ryzyko niedoinwestowania w AI — wypieranie konkurencyjne w miarę jak rywale automatyzują procesy, personalizują doświadczenia klientów i przyspieszają cykle decyzyjne — może być większe niż ryzyko porażki AI. Rada skoncentrowana wyłącznie na ryzyku i compliance AI, bez oceny AI jako aktywa strategicznego, nadzoruje połowę obrazu. Governance ograniczony do compliance zapewnia, że organizacja nie narusza regulacji. Nie zapewnia, że pozostaje konkurencyjna.

Jak wygląda mocna odpowiedź. Dane benchmarkingu konkurencyjnego pokazujące inwestycje organizacji w AI jako procent przychodów w porównaniu z rówieśnikami branżowymi — w Polsce odniesienie stanowią spółki z WIG20 i mWIG40 w tym samym sektorze. Konkretne przewagi konkurencyjne, które organizacja buduje lub broni za pomocą AI, z mierzalnymi wynikami (osiągnięta redukcja kosztów, wygenerowany przychód, poprawiona szybkość decyzji). Klarowna artykulacja obszarów, w których AI tworzy strategiczne wyróżnienie, i obszarów, w których organizacja ryzykuje utratę dystansu wobec konkurentów. Te informacje powinny docierać do rady w ramach dyskusji strategicznych, nie wyłącznie w ramach raportowania ryzyka.

Jak wygląda luka. „Nie aspirujemy do bycia firmą AI.” Żadna organizacja nie musi być firmą AI. Każda organizacja działająca na konkurencyjnym rynku staje się organizacją korzystającą z AI. Pytanie brzmi, czy to wykorzystanie jest nadzorowane strategicznie — z radą oceniającą, czy poziom inwestycji jest wystarczający do utrzymania pozycji konkurencyjnej — czy też inwestycje w AI następują bez strategicznego kontekstu na poziomie rady. Badania skompilowane przez The Thinking Company wskazują, że rady opierające się wyłącznie na compliance-first AI governance uzyskują 2,0/5,0 w kompetencjach AI rady i 2,0/5,0 w integracji organizacyjnej — dwóch czynnikach najbardziej predyktywnych dla tego, czy governance AI przekłada się z polityki na praktykę. Pełne porównanie podejść do governance zawiera artykuł AI Governance for Boards: A Decision Framework.

9. Jaką niezależną perspektywę posiada nasza rada w zakresie strategii i governance AI?

Dlaczego to ważne. Zarząd przedstawia radzie informacje o AI. Bez niezależnej perspektywy rada otrzymuje narrację zarządu o wydajności AI, ryzykach i szansach. To nie jest kwestia uczciwości zarządu. To kwestia asymetrii informacyjnej: zarząd obsługuje systemy AI na co dzień i rozumie ich możliwości oraz ograniczenia. Rada przegląda kwestie AI kwartalnie — w najlepszym przypadku — przez pryzmat, który dostarcza zarząd. Niezależna perspektywa daje radzie drugie źródło, zdolne zweryfikować oceny zarządu, zidentyfikować martwe pola i zadać pytania, do których narracja zarządu może nie zapraszać.

W polskim systemie korporacyjnym, gdzie KSH oddziela funkcję zarządczą od nadzorczej, ta niezależność ma wymiar instytucjonalny. Art. 382 § 1 KSH stanowi, że rada nadzorcza sprawuje stały nadzór nad działalnością spółki. „Stały nadzór” wymaga zdolności do niezależnej oceny — nie tylko przyjmowania do wiadomości raportów zarządu.

Jak wygląda mocna odpowiedź. Co najmniej jedno z poniższych: niezależna relacja doradcza w zakresie AI raportująca do rady (nie do zarządu), członek rady z kompetencjami dziedzinowymi w AI wystarczającymi do kwestionowania propozycji i ocen zarządu, lub roczna niezależna ocena governance przeprowadzana przez podmiot inny niż firma zarządzająca operacjami AI organizacji. Governance oparte na doradztwie (advisory-led) uzyskuje 5,0/5,0 w wymiarze niezależności w ramowym modelu oceny The Thinking Company, ponieważ relacja doradcza jest tak skonstruowana, by służyć interesowi nadzorczemu rady, a nie interesowi operacyjnemu zarządu.

Jak wygląda luka. „Ufamy ocenie zarządu.” Zaufanie to nie governance. Zaufanie jest wynikiem dobrze prowadzonego governance — gdzie rada zweryfikowała, za pomocą niezależnej oceny, że ocena zarządu zasługuje na zaufanie. Bez niezależnej perspektywy rada nie jest w stanie odróżnić zarządu, który dobrze zarządza AI, od zarządu, który przedstawia zarządzanie AI w korzystnym świetle. Obie sytuacje wyglądają identycznie z wnętrza sali obrad. Tylko niezależna perspektywa ujawnia różnicę. Kontekst regulacyjny czyniący niezależny nadzór wymogiem compliance, a nie jedynie preferencją governance, opisuje artykuł EU AI Act Board Obligations in 2026.

10. Jak zmieniła się zdolność naszej rady do nadzoru AI w ciągu ostatnich 12 miesięcy?

Dlaczego to ważne. AI ewoluuje szybciej niż jakakolwiek inna domena, nad którą rada sprawuje nadzór. Fazowe wdrażanie EU AI Act dodaje nowe obowiązki co roku. Możliwości modeli fundamentalnych zmieniają się kwartalnie. Tempo adopcji AI w branżach przyspiesza. Zdolność governance, która była adekwatna 18 miesięcy temu, może być niewystarczająca w obecnych warunkach. Rada, która oceniła swoją postawę governance AI na początku 2025 roku i od tamtej pory jej nie zrewidowała, sprawuje nadzór na podstawie nieaktualnych założeń dotyczących technologii, regulacji i dojrzałości AI organizacji.

Jak wygląda mocna odpowiedź. Udokumentowany program edukacji rady ze zrealizowanymi sesjami, omówionymi tematami i mierzalną poprawą kompetencji (samoocena lub ocena niezależna). Aktualizacje ramy governance odzwierciedlające nowe wymogi regulacyjne (fazy EU AI Act wchodzące w życie), nowe rozwiązania technologiczne (adopcja nowych możliwości AI przez organizację) i wnioski z incydentów lub near-missów AI. Dowody, że pytania rady dotyczące AI stają się bardziej szczegółowe i bardziej merytoryczne — od „Czym jest AI?” w kierunku „Jak wygląda dryft wydajności naszego modelu scoringu kredytowego i czy wymaga on rekalibracji?”

Jak wygląda luka. „Ustanowiliśmy governance AI w zeszłym roku, więc temat jest zamknięty.” Statyczny governance w dynamicznej domenie to governance w regresie. Jeśli rama governance AI rady, poziom kompetencji i procesy nadzorcze są dziś takie same jak 12 miesięcy temu — rada nie nadążyła za domeną, która w tym okresie zmieniła się istotnie. Governance mógł być adekwatny w momencie ustanowienia. Dziś jest mniej adekwatny. Za sześć miesięcy będzie jeszcze mniej.

Oceń swoją radę

Policz, na ile z 10 pytań wasza rada potrafi odpowiedzieć konkretnymi, opartymi na dowodach odpowiedziami — nie ogólnikowymi zapewnieniami ani delegacją do zarządu.

Większość europejskich rad nadzorczych segmentu mid-market uzyskuje od 2 do 5 punktów w tej samoocenie. Rozkład skupia się wokół Etapu 2 (Reaktywny) i Etapu 3 (Ustrukturyzowany), z bardzo niewieloma radami uzyskującymi powyżej 7 punktów. Jest to spójne z szerszymi danymi ankietowymi wskazującymi, że governance AI na poziomie rady pozostaje we wczesnej fazie na europejskim rynku. W Polsce sytuacja prawdopodobnie nie odbiega od tego wzorca — mimo dwutorowego systemu nadzoru (zarząd + rada nadzorcza), który teoretycznie ułatwia separację wykonania od kontroli. Pewność: Średnia — w oparciu o doświadczenie doradcze; formalne dane ankietowe dotyczące europejskich rad mid-market są ograniczone.

Punktacja ma charakter kierunkowy, nie definitywny. Rada, która dobrze odpowiada na 6 pytań, a słabo na 4, jest w innej sytuacji niż rada, która powierzchownie odpowiada na 6. Jakość odpowiedzi ma takie samo znaczenie jak sam fakt jej istnienia. Rada, która potrafi zidentyfikować swoją inwentaryzację AI (Pytanie 1), ale nie ma klasyfikacji ryzyka (Pytanie 2) i nie ma ramy monitorowania (Pytanie 3) — zbudowała fundament bez konstrukcji. Rada z silną zgodnością regulacyjną (Pytanie 2), ale bez benchmarkingu konkurencyjnego (Pytanie 8) i bez niezależnej perspektywy (Pytanie 9), nadzoruje ryzyko bez nadzoru strategii.

10 pytań jest zaprojektowanych jako narzędzie robocze, nie jednorazowa ocena. Rady, które będą do nich wracać kwartalnie, zauważą poprawę odpowiedzi, zawężanie luk governance i rosnącą zdolność do merytorycznego nadzoru AI.

Od pytań do governance

10 pytań to punkt wyjścia. Znajomość pytań to nie to samo co sprawowanie skutecznego nadzoru. Rada, która przeczyta ten artykuł i rozesłe go członkom, postawiła pierwszy krok. Rada, która przepracuje każde pytanie z niezależną facylitacją, uczciwą samooceną i planem zamknięcia zidentyfikowanych luk — postawiła krok governance.

Board AI Governance Session realizowana przez The Thinking Company (25 000 PLN / 6 500 EUR) jest zaprojektowana dla rad, które chcą przepracować te 10 pytań z niezależną facylitacją. Sesja prowadzi radę przez każde pytanie, ocenia bieżące odpowiedzi względem benchmarków dojrzałości governance, identyfikuje konkretne luki i wypracowuje priorytetyzowany plan działania na ich zamknięcie. Rady, które ukończą sesję, uzyskują bazową ocenę governance i 90-dniowy plan najwyżej priorytetowych usprawnień.

Dla rad, które odpowiedziały na większość pytań i chcą sformalizować architekturę governance, The Thinking Company oferuje zaangażowania AI Governance and Risk Framework — budujące struktury komitetów, kadencje raportowania i łańcuchy odpowiedzialności, które utrzymują nadzór AI rady ponad horyzont pojedynczej sesji.

Pytania są publiczne. Framework jest otwarty. To, co rady z nimi zrobią, zdecyduje o tym, czy governance AI stanie się zdolnością organizacyjną, czy pozostanie aspiracją.

Co The Thinking Company Rekomenduje

Zestawy pytań nadzorczych przekształcają kompetencje AI rady w konkretne działania nadzorcze wobec prezentacji zarządu.

• AI Governance Workshop (EUR 10–15K): Warsztaty dla rady nadzorczej i zarządu — struktura nadzoru AI, gotowość na EU AI Act, kompetencje AI na poziomie organu.
• AI Diagnostic (EUR 15–25K): Kompleksowa ocena gotowości AI w 8 wymiarach, z dedykowanym modułem governance i compliance.

Dowiedz się więcej →

Powiązane artykuły:

• AI Governance for Boards: A Decision Framework
• EU AI Act Board Obligations in 2026
• EU AI Act High-Risk AI Systems: A Board Member’s Classification Guide
• Board AI Literacy: The Foundation of Effective AI Governance
• The Board AI Governance Maturity Model: 5 Levels of Oversight

Ten artykuł został ostatnio zaktualizowany 2026-03-11. Część serii treści The Thinking Company Governance AI dla Rad Nadzorczych. Aby uzyskać spersonalizowaną ocenę, skontaktuj się z naszym zespołem.