Sztuczna inteligencja dyktuje warunki. Jak AI zmienia reguły wyceny spółek i due diligence?

Jeśli jednak zamiast tego skraca życie produktu, uzależnia spółkę od dostawców modeli lub ułatwia klientom odejście do konkurencji, efekt jest odwrotny. Najwyraźniej widać to w segmencie SaaS (software as a service), czyli oprogramowania dostarczanego w chmurze w modelu subskrypcyjnym, ale mechanizm dotyczy całej gospodarki. Zmienia się również sposób prowadzenia due diligence, czyli badania spółki przed transakcją.

AI jest wszędzie, premia już nie

W II kwartale 2026 r. AI pojawiała się w opisie spółki lub uzasadnieniu transakcji w przypadku 77,7 proc. globalnych przejęć spółek SaaS, wobec 66,2 proc. rok wcześniej¹. Sztuczna inteligencja przestała więc odróżniać spółkę od konkurentów - znaczenie ma dopiero to, jak wzmacnia ekonomikę biznesu lub jego wartość dla nabywcy.

Jednocześnie wśród notowanych spółek SaaS obserwowana jest istotna presja na wyceny. Mediana mnożnika EV/przychody² spadła w ciągu roku (II kw. 2025 – II kw. 2026) z 5,7x do 3,2x³. Mimo to kupujący są skłonni płacić więcej tam, gdzie AI przyspiesza wzrost, poprawia ekonomikę jednostkową lub wzmacnia trwałość przewagi konkurencyjnej, natomiast spółki, w których technologia zwiększa ryzyko komodytyzacji produktu, muszą liczyć się z obniżką wycen.

Wartość AI trzeba wykazać w liczbach

Z perspektywy wyceny przedsiębiorstwa najważniejsze nie jest pytanie, ile warta jest sama technologia, lecz w jaki sposób wpływa ona na ekonomiczne fundamenty działalności.

Jeżeli spółka wprowadza płatne funkcje wykorzystujące sztuczną inteligencję, inwestor będzie chciał ustalić, czy generują one rzeczywiście dodatkowe i powtarzalne przychody. Znaczenie ma nie tylko liczba klientów korzystających z nowych rozwiązań, ale również to, czy są skłonni płacić za nie więcej, pozostają z firmą dłużej i zwiększają wartość swoich zakupów.

Podobnie należy analizować oszczędności wynikające z automatyzacji. Redukcja kosztów obsługi klienta, tworzenia oprogramowania czy procesów administracyjnych może poprawiać marżę brutto, ale dopiero po uwzględnieniu wszystkich wydatków związanych z funkcjonowaniem AI. Obejmują one między innymi opłaty za korzystanie z modeli, infrastrukturę chmurową oraz koszty nadzoru i weryfikacji generowanych wyników.

Istotna jest również trwałość przewagi konkurencyjnej, bo od niej zależy wartość spółki w długim terminie (tzw. wartość rezydualna). Nawet własny model AI rzadko stanowi dziś wystarczającą barierę dla konkurentów. Większą wartość mogą mieć unikalne dane, integracja technologii z procesami klientów, rozbudowane kanały dystrybucji czy trudne do zastąpienia relacje biznesowe.

Wszystkie te elementy powinny znaleźć odzwierciedlenie w prognozach finansowych i scenariuszach wyceny. Kluczowe jest przy tym, by nie policzyć ryzyka dwukrotnie: ryzyka komercyjne powinny trafić do prognoz i scenariuszy, a nie do automatycznie podwyższonej stopy dyskontowej, natomiast prawne i kontraktowe – do zabezpieczeń w umowie transakcyjnej.

Wzrost ma wartość dopiero po przeliczeniu na gotówkę

Jednym z największych wyzwań związanych z komercjalizacją AI pozostaje relacja między wzrostem wykorzystania technologii a kosztami jej działania. W przypadku rozwiązań wykorzystujących generatywną sztuczną inteligencję, każde zapytanie do modelu generuje koszt , więc przy stałym abonamencie rosnąca aktywność klienta może obniżać marżę.

Równie ważna jest prawidłowa ocena nakładów ponoszonych na rozwój technologii. Kapitalizacja nakładów na badania i rozwój poprawia raportowaną EBITDA, ale nie zmienia wydatków gotówkowych, dlatego kupujący coraz większą wagę przywiązują do wolnych przepływów pieniężnych. Tańsze modele nie gwarantują wyższej marży, gdyż tanieją dla wszystkich, co może prowadzić do presji na obniżanie cen produktów i usług. Ostatecznie część korzyści z postępu technologicznego przejmą więc klienci, a nie dostawcy rozwiązań.

Wartość dla nabywcy to nie to samo co cena

AI sprawia, że ta sama spółka może być warta znacznie więcej dla jednego nabywcy niż dla innego. Inwestor branżowy może dopłacić za unikalne dane do trenowania własnych modeli lub gotowy produkt AI, który skróci mu drogę na rynek.

Inwestor finansowy będzie natomiast koncentrował się przede wszystkim na tym, czy AI trwale poprawi przepływy pieniężne spółki. Z kolei sprzedający przechwyci synergie tylko w takim zakresie, w jakim pozwolą na to konkurencja w procesie i alternatywy dostępne kupującemu.

Dlatego właściwe zdefiniowanie grona potencjalnych nabywców (buyer universe) i zbudowanie między nimi konkurencji może mieć większy wpływ na cenę niż kolejna korekta modelu wyceny.

Due diligence sprawdza tezę inwestycyjną

Sztuczna inteligencja zmienia również przebieg procesów due diligence. Narzędzia AI przyspieszają samo badanie, ale nie rozstrzygają, które ustalenia są istotne. Ich ocena to nadal zadanie doradców i kupującego. Ostatnią instancją zawsze pozostaje człowiek: wyniki pracy AI weryfikuje zespół transakcyjny, a same narzędzia mogą działać wyłącznie w środowisku zgodnym z wymogami compliance i cyberbezpieczeństwa, które chroni poufne dane stron transakcji.

Jeśli AI jest częścią tezy inwestycyjnej, trafia pod lupę w każdym obszarze badania: czy klienci rzeczywiście za nią płacą, jaki jest koszt działania modeli i marża po pełnych kosztach, na ile spółka zależy od zewnętrznych dostawców modeli i czy umowy oraz zgody pozwalają jej trenować modele na posiadanych danych oraz czy należą do niej generowane wyniki. W spółkach spoza sektora technologicznego kluczowe jest pytanie, jaka część przychodów i kosztów jest podatna na automatyzację i kto zatrzyma oszczędność - spółka czy jej klienci.

Szczególnej ostrożności wymagają deklaracje dotyczące przyszłych oszczędności – kupujący traktuje je jak korektę pro forma, a nie jak osiągnięty wynik. Im słabsze ich potwierdzenie w danych historycznych, tym większe prawdopodobieństwo, że kupujący ograniczy ich wartość w bazowym scenariuszu transakcji albo przeniesie ją do scenariusza optymistycznego albo uzależni jej zapłatę od przyszłych wyników (earn-out).

Niepewność trafia do ceny i dokumentacji transakcyjnej

Rosnące znaczenie AI sprawia, że część ryzyk technologicznych i biznesowych jest coraz częściej przedmiotem negocjacji dotyczących struktury transakcji.

Jeśli komercjalizacja AI nie została jeszcze potwierdzona wynikami, część ceny można uzależnić od przyszłych wyników, np. przychodów z produktów AI. Mechanizm earn-out nie rozwiązuje jednak problemów z prawami do danych, własnością intelektualną czy zależnością od dostawcy modelu.

Te ryzyka wymagają odrębnych zabezpieczeń umownych. Sprzedający składa oświadczenia dotyczące AI - m.in. o legalności danych treningowych, licencjach i zgodności z AI Act⁴ - a za zidentyfikowane ryzyka odpowiada w formie szczególnych zobowiązań odszkodowawczych (indemnities). Ubezpieczyciele W&I często takie ryzyka wyłączają, dlatego kupujący może też żądać zatrzymania części ceny na rachunku powierniczym (escrow) jako zabezpieczenia.

Podaż technologii jest, brakuje lokalnych benchmarków

Rozwiązania wykorzystujące sztuczną inteligencję są coraz szerzej obecne również w ofercie polskich przedsiębiorstw. W naszej bazie polskich spółek kapitałowych z obszaru oprogramowania i usług IT, obejmującej przede wszystkim segment tak zwanych średnich przedsiębiorstw (mid cap)⁵, do AI odwołuje się ponad co piąta spółka (22 proc.).

Wśród spółek SaaS odsetek ten jest najwyższy w ochronie zdrowia (23 proc.) oraz automatyzacji marketingu i CRM (21,2 proc.) Znacznie niższy był on wśród dostawców systemów ERP (4,8 proc.), finansowo-księgowych (3,9 proc.) i dla nieruchomości (3,3 proc.).

Rosnąca obecność AI w ofertach polskich spółek nie znajduje jednak jeszcze proporcjonalnego odzwierciedlenia na rynku fuzji i przejęć. W europejskich transakcjach dotyczących spółek z komponentem AI polskie przedsiębiorstwa pojawiają się znacznie rzadziej niż spółki z największych rynków Europy Zachodniej. W praktyce punktem odniesienia dla wycen pozostają więc benchmarki zagraniczne, korygowane o skalę, tempo wzrostu, jakość przychodów, profil ryzyka i strategiczną atrakcyjność aktywa.

Dla sprzedającego oznacza to konieczność wcześniejszego przygotowania danych potwierdzających ekonomiczną wartość wykorzystania AI. Powinny one obejmować m.in.: rozbicie przychodów i marży, dane kohortowe, koszt działania modeli i dokumentację praw do danych.

AI nie zmieniła teorii wyceny przedsiębiorstw

Sztuczna inteligencja nie stworzyła nowej metodologii wyceny przedsiębiorstw. Zmieniła natomiast założenia, które trafiają do modelu, oraz ciężar dowodu spoczywający na sprzedającym.

Nie istnieje uniwersalna premia za AI, którą można automatycznie doliczyć do wartości spółki. Inwestorzy są za to gotowi płacić więcej za udowodniony wpływ technologii na wzrost, marżę, generowanie gotówki i trwałość przewagi konkurencyjnej, pod warunkiem pozostania korzyści ekonomicznej w spółce.

Tam, gdzie brakuje przekonujących dowodów, niepewność nie znika – przechodzi z wyceny do struktury transakcji. W praktyce kupujący obniża wartość scenariusza bazowego wyceny, żąda dodatkowych zabezpieczeń albo uzależnia część ceny od realizacji przyszłych wyników.

Ostatecznie o wartości spółki nie decyduje to, czy wykorzystuje sztuczną inteligencję, lecz czy potrafi zamienić ją w trwałą i mierzalną przewagę biznesową.

Autorka: Majka Rucińska, Senior Manager, Excalibur Capital

Przypisy

¹ Mergermarket, dane na dzień 30.09.2026 r. Odsetek globalnych transakcji przejęć spółek SaaS, w których AI pojawiała się w opisie spółki docelowej lub uzasadnieniu transakcji.
² EV (ang. enterprise value) – wartość przedsiębiorstwa, czyli wartość kapitału własnego spółki powiększona o jej dług netto. Mnożnik EV/przychody pokazuje, ile razy wartość przedsiębiorstwa przewyższa jego roczne przychody.
³ Software Equity Group, 2Q26 Quarterly SaaS Report - mediana EV/TTM przychodów spółek notowanych ujętych w indeksie SEG SaaS Index™ (2Q25: 5,7x; 2Q26: 3,2x).
⁴ Rozporządzenie Parlamentu Europejskiego i Rady (UE) 2024/1689 z dnia 13 czerwca 2024 r. w sprawie ustanowienia zharmonizowanych przepisów dotyczących sztucznej inteligencji (akt w sprawie sztucznej inteligencji), Dz. Urz. UE L 2024/1689 z 12.07.2024 r.
⁵ Dane własne Excalibur Capital - efekt mapowania rynku spółek kapitałowych z siedzibą w Polsce z obszaru oprogramowania i usług IT na podstawie publicznie dostępnych źródeł; stan na 30.09.2026 r. Podstawą wyliczeń są 3 553 unikalne podmioty ujęte w mapowaniu spółek oferujących oprogramowanie w modelu SaaS (2 288), software B2B (1 315), oprogramowania krytycznego (548) i klasy enterprise (386) oraz dostawców usług opartych na AI (432); część spółek występuje w więcej niż jednej kategorii; baza obejmuje spółki zatrudniające 50 i więcej pracowników. Odwołania do AI zidentyfikowano na podstawie nazw, opisów działalności i oferty spółek, a dostawców usług opartych na AI ujęto w całości. Odsetki w podziale na segmenty dotyczą spółek SaaS, przypisanych do segmentów: edukacja i e-learning (464), ERP i zarządzanie przedsiębiorstwem (335), ochrona zdrowia (283), automatyzacja marketingu i CRM (222), e-commerce i retail tech (176), logistyka i łańcuch dostaw (155), systemy finansowo-księgowe (129), cyberbezpieczeństwo i zarządzanie IT (128), HR, kadry i rekrutacja (100), nieruchomości (90), pozostałe SaaS (164) oraz spółki bez przypisanego segmentu (42). Łączną liczbę spółek kapitałowych z obszaru oprogramowania i usług IT w Polsce szacuje się na ok. 15–18 tys.; sama grupa spółek kapitałowych, których przeważającą działalnością jest działalność związana z oprogramowaniem, liczy ok. 11 tys. podmiotów (na podstawie BizRaport, dane za 2025 r.). Zdaniem autorki niniejsza próba jest wystarczająco szeroka, by wskazać kierunek i skalę wykorzystania AI w tym segmencie rynku.