TL;DR
Lietuva — 7-a pasaulyje pagal AI naudojimą tarp gyventojų, bet tik 1 iš 5 įmonių AI taiko darbo procesuose. Priežastys: nežinoma nuo ko pradėti, baimė dėl kainos ir sudėtingumo, laukimas tinkamo momento. Praktika rodo kitaip — transporto, edukacijos ir kitose srityse AI sprendimai duoda rezultatą per savaites. Geriausias pirmas žingsnis: identifikuoti vieną procesą, kuris atima daugiausiai laiko ir kuriame klaidų kaina didžiausia.
Cybernews 2025 m. AI Adoption Index rodo, kad Lietuva pagal AI įrankių naudojimą yra 7-a pasaulyje — 52% naudojimo rodiklis, aukščiau nei Vokietija, Prancūzija ar Skandinavijos šalys[1]. Tuo pačiu metu Valstybės duomenų agentūros duomenys atskleidžia kitą pusę: tik 21% Lietuvos įmonių AI technologijas naudoja savo darbo procesuos[2].
Tas skirtumas nėra atsitiktinis. Jis parodo tiksliai, kur įstrigo lietuviškas verslas — ir kodėl tai keičiasi greičiau nei atrodo.
Žmonės naudoja. Įmonės — dar ne
Kai žmogus namuose paklausia ChatGPT kaip išvirti sriubą ar paprašo sugeneruoti atostogų planą — tai irgi skaičiuojama kaip AI naudojimas. Eurostat duomenimis, Lietuva čia tikrai aktyvi — internetu informacijos paieškai naudojasi net 79% gyventojų, viršijant ES vidurkį[3].
Bet kai tas pats žmogus ateina į darbą — dokumentai vis dar tvarkomi rankiniu būdu, ataskaitos sudaromos valandų valandomis, o sprendimams priimti laukiama, kol kas nors surinks duomenis iš kelių sistemų.
Tai nėra technologijų problema. Tai — požiūrio ir prioritetų problema.
Rinka kalba aiškiai
Vienas ryškiausių signalų iš Lietuvos rinkos — kelionių eSIM platforma Saily (Nord Security grupė) viešai paskelbė, kad per artimiausius mėnesius pereis prie programavimo vien su DI agentais. Generalinis direktorius Vykintas Maknickas patvirtino, kad programuotojo profesija keičiasi, o ribos tarp pareigybių nyks[4]. Tai ne eksperimentas — tai viešas strateginis sprendimas iš vienos žinomiausių Lietuvos tech grupių.
Trys priežastys, kodėl verslas delsia
“Mes dar nesame pasiruošę.” Dažniausiai girdima frazė. Bet pasiruošimas neateina savaime — jis ateina per pirmą konkretų žingsnį. Daugelis įmonių laukia tobulo momento, kuris niekada neateis.
“Nežinome, nuo ko pradėti.” Tai sąžiningiausia priežastis. AI galimybių spektras platus — nuo dokumentų apdorojimo iki sprendimų palaikymo sistemų. Kai viskas atrodo galima, sunkiausia nuspręsti, kas svarbiausia būtent jūsų verslui.
“Bijome, kad bus per brangu arba per sudėtinga.” Realybė dažnai priešinga. Pirmieji AI diegimai paprastai sprendžia siaurą, konkretų skausmą — ir grąža matoma per kelias savaites, ne metus.
Kaip tai atrodo praktikoje — du Lietuvos pavyzdžiai
Transportas: nuo Excel’io iki automatinio valdymo
UAB Eisturas kasdien vykdo šimtus reisų — 32 transporto priemonės, 29 vairuotojai, daugiau nei 2 600 važiavimų per mėnesį. Iki tol visą koordinaciją vienas žmogus tvarkė Excel’iu: maršrutų planavimą, vairuotojų priskyrimą, grafikų keitimus.
Sukūrėme transporto valdymo sistemą, kuri tai automatizavo. Rezultatas — važiavimų generavimas tapo momentinis, vairuotojai realiu laiku gauna maršrutus per Telegram, klaidų tikimybė sumažėjo iki minimumo. Vienas vadybininkas dabar valdo tūkstančius kelionių be papildomos pagalbos — ir įmonė gali augti, nedidinant administracinės komandos.
Edukacija: analitika, kurios nebuvo
Aha Stories — matematikos mokymo platforma, kurią savaitiškai naudoja daugiau nei 1 200 vaikų. Prieš projektą platforma neturėjo jokios analitikos: nebuvo žinoma, kurie mokytojų mokiniai aktyvūs, kokie turinio modeliai veikia, kur dingsta įsitraukimas.
Sukūrėme išmanią analitikos sistemą, kuri leidžia mokytojams matyti realų vaizdą — ne tik ar vaikai žiūri turinį, bet kaip jie mokosi. Tai pakeitė ne tik duomenis, bet ir tai, kaip mokytojai planuoja pamokas.
Kur realiai padeda AI — trys pagrindinės sritys
Dirbdami su Lietuvos įmonėmis, matome, kad vertę dažniausiai sukuria trys dalykai: dokumentų ir duomenų automatizavimas (transportas, logistika, gamyba), sprendimų paruošimas vadovams (struktūrizuoti duomenys prieš susitikimą, ne po jo), ir vidinės žinių sistemos — kai informacija išsibarsčiusi po žmones ir dokumentus, AI tampa atminties sluoksniu.
Ką daryti dabar
Valstybės duomenų agentūros duomenys rodo, kad 16% įmonių AI nenaudoja, bet svarsto[2]. Jei esate tarp jų — geriausias pirmas žingsnis yra ne strategija ir ne biudžetas. Tai — konkretus procesas, kuris dabar užima daugiausiai laiko ir kuriame klaidų kaina didžiausia.
Nuo ten ir pradedame.
Šaltiniai
[1] Cybernews AI Adoption Index 2025: https://www.15min.lt/verslas/naujiena/mokslas-it/lietuva-septinta-pasaulyje-pagal-dirbtinio-intelekto-naudojima-1290-2647772
[2] Valstybės duomenų agentūra — IT naudojimas įmonėse (2025): https://vssa.lrv.lt/lt/naujienos/informaciniu-technologiju-naudojimas-imonese/
[3] Eurostat / 15min — lietuvių interneto naudojimas 2025: https://www.15min.lt/verslas/naujiena/mokslas-it/nuo-informacijos-paieskos-iki-dirbtinio-intelekto-ka-lietuviai-veike-internete-2025-metais-1290-2642724
[4] 15min — Saily pereina prie AI programavimo: https://www.15min.lt/verslas/naujiena/bendroves/vieni-pirmuju-lietuviskas-startuolis-po-keliu-menesiu-ketina-programuoti-vien-su-di-663-2647092
D.U.K.
Ar AI tinka tik didelėms įmonėms?
Ne. Dauguma efektyviausių diegimų vyksta smulkiame ir vidutiniame versle — ten, kur vienas žmogus prižiūri daug procesų ir kiekviena klaida kainuoja. Kaip tik tokiems atvejams AI duoda greičiausią grąžą.
Nuo ko pradėti, jei niekas įmonėje nėra dirbęs su AI?
Nuo konkretaus skausmo, ne nuo technologijos. Klauskite: koks procesas šiandien užima daugiausiai laiko arba sukuria daugiausiai klaidų? Ten ir pradedame — ne nuo strategijos, o nuo vieno sprendžiamo dalyko.
Kiek laiko užtrunka pirmas AI diegimas?
Priklauso nuo sudėtingumo, bet pirmieji veikiantys sprendimai dažniausiai pasiekiami per 4–8 savaites. MVP principas čia veikia geriau nei didelis projektas — greičiau matote, kas veikia, greičiau adaptuojate.
Ar reikia keisti visą sistemą, kad pradėtumėte naudoti AI?
Ne. Dažniausiai AI integruojamas į esamus procesus ir įrankius — ne pakeičia juos, o papildo.
Kaip žinoti, ar AI sprendimas atsipirks?
Prieš diegimą skaičiuojame: kiek valandų per savaitę eina konkrečiam procesui, kokia klaidų kaina, kiek žmonių tai liečia. Tie patys skaičiai po diegimo parodo, ar sprendimas veikia — ne teoriškai, o realiais duomenimis.
