W skrócie: prawie każda firma czegoś z AI próbuje, ale niewiele widzi z tego pieniądze. Z głośnego raportu MIT wynika, że nawet 95% organizacji nie odnotowuje mierzalnego zwrotu z generatywnej AI - to liczba sporna metodologicznie, ale kierunek potwierdzają inne, niezależne źródła. Powód prawie nigdy nie jest technologiczny - model działa, brakuje przeprojektowanego procesu, jasnego celu i dobrych danych wokół niego. Dobra wiadomość jest taka, że te same badania pokazują, co robią nieliczni, którym się udaje. Ten wpis rozkłada przyczyny porażek na czynniki i pokazuje, jak ich uniknąć w Twojej firmie.
Czy wdrożenia AI naprawdę tak często zawodzą?
Tak - i przepaść między „używamy AI” a „zarabiamy na AI” jest dziś ogromna. Adopcja jest masowa: według McKinsey już 88% firm korzysta z AI w co najmniej jednej funkcji - wzrost z 78% rok wcześniej. Ale samo korzystanie to nie to samo co wynik. Z raportu MIT (projekt NANDA, 2025) wynika, że 95% organizacji wdrażających generatywną AI nie widzi mierzalnego zwrotu, a realną wartość wyciąga tylko 5% pilotaży (to wstępne, nierecenzowane wyniki oparte na deklaracjach firm - samą liczbę traktuj ostrożnie, choć kierunek powtarzają inne badania).
Po stronie zysku widać to samo. McKinsey podaje, że jakikolwiek wpływ AI na zysk operacyjny (EBIT) na poziomie całej firmy dostrzega 39% organizacji, a do grona liderów z naprawdę znaczącym efektem należy tylko około 6%. Inne badania - Gartnera, S&P Global i RAND - dochodzą do podobnych wniosków o skali porzucanych projektów; zebraliśmy je we wpisie o tym, czym właściwie jest wdrożenie AI. Obraz jest spójny: kupić i włączyć AI potrafi prawie każdy, zwrot wyciąga garstka.
Zastanawiasz się, po której stronie tej statystyki jest Twój pomysł na AI? Sprawdzimy to na konkretnym procesie podczas bezpłatnej konsultacji - na danych z Twojej firmy, nie w teorii.
Skoro nie technologia, to co tak naprawdę zawodzi?
Najczęściej wszystko poza modelem: źle postawiony cel, brakujące dane i proces, którego nikt nie zmienił. RAND, po wywiadach z doświadczonymi inżynierami i naukowcami od danych, wskazał pięć najczęstszych przyczyn porażek projektów AI:
- Źle zrozumiany problem - zespół rzuca się na narzędzie, zanim ustali, co właściwie ma się poprawić i po czym to poznać.
- Brak danych odpowiedniej jakości i ilości - bez tego nawet najlepszy model nie ma z czego korzystać.
- Pogoń za technologią zamiast za problemem - AI „bo trzeba mieć AI”, nie dlatego, że rozwiązuje konkretny ból.
- Słaba infrastruktura wokół danych - informacje są, ale rozproszone i niepołączone.
- Problem za trudny dla dzisiejszej technologii - cel z założenia poza zasięgiem.
Cztery z tych pięciu przyczyn nie mają nic wspólnego z samym modelem. Jeden z badanych przez RAND ujął to dosadnie: „80% pracy przy AI to brudna robota inżynierii danych”. To rzadko brzmi efektownie na slajdzie - i właśnie dlatego tak często się ten etap pomija, a projekt grzęźnie.
Dlaczego samo kupienie narzędzia nie wystarcza?
Bo wartość nie siedzi w narzędziu, tylko w procesie wokół niego - a ten trzeba świadomie przebudować. To najtwardszy wniosek z danych: McKinsey, badając 25 różnych czynników, wskazał przeprojektowanie procesów jako ten, który najmocniej wiąże się z realnym wpływem AI na zysk - a gruntownie przeprojektowało choć część procesów zaledwie 21% firm. Większość kupuje narzędzie i podpina je do starego sposobu pracy - a potem dziwi się, że nic się nie zmienia.
Dokładnie to opisuje zasada BCG 10-20-70: w transformacji AI około 70% wartości pochodzi z ludzi i procesów, 20% z technologii i danych, a tylko 10% z samych algorytmów. Innymi słowy: kupując model, kupujesz 10% sukcesu. Pozostałe 90% to praca, której żadna licencja nie załatwia - i to ona oddziela 5% wygranych od reszty.
Dlaczego pilotaż wygląda dobrze, a potem nie wchodzi na produkcję?
Bo demo działa na szczęśliwej ścieżce, a produkcja to wszystkie pozostałe ścieżki naraz. Pilotaż pokazuje, że coś jest możliwe. Wdrożenie wymaga, żeby działało codziennie, na prawdziwych danych, w integracji z resztą firmy i przy ludziach, którzy faktycznie zmienią nawyk. Między jednym a drugim wykłada się większość projektów - dlatego Gartner przewiduje, że co najmniej 30% projektów generatywnej AI zostanie porzuconych zaraz po fazie pilotażu.
Ten sam wzorzec znamy z budowy oprogramowania: narzędzia AI dowożą pierwsze 70% zaskakująco szybko, a całe ryzyko siedzi w ostatnich 30% - integracji, błędach i utrzymaniu. Rozłożyliśmy to na czynniki we wpisie o tym, dlaczego przy software z AI liczy się specyfikacja. Pilotaż, który nie ma z góry zaplanowanej drogi na produkcję, najczęściej na niej zostaje.
Budować AI samemu czy z partnerem?
Dane mówią dość jednoznacznie: z dobrym partnerem dwa razy częściej. W badaniu MIT narzędzia kupowane od wyspecjalizowanych dostawców wchodziły na produkcję mniej więcej dwa razy częściej niż budowane wewnętrznie - około 67% udanych wdrożeń wobec mniej więcej połowy tego. Powód nie jest magiczny: partner, który zrobił to wcześniej kilkanaście razy, zna typowe pułapki z listy RAND i nie wpada w nie po raz pierwszy na Twój koszt.
To nie znaczy, że trzeba wszystko oddać na zewnątrz - przeciwnie. Najlepiej działa model, w którym partner wnosi doświadczenie i prowadzi pierwsze wdrożenie, a kompetencja i dane zostają u Ciebie. Cel to firma, która po projekcie radzi sobie sama, a nie taka, która jest na stałe uzależniona od jednego dostawcy.
Jak zwiększyć szanse, że wdrożenie się zwróci?
Skupić się na tym, co robi te 5%, którym się udaje - a nie na wyborze modelu. W praktyce sprowadza się to do kilku zasad:
- Zacznij od jednego procesu z mierzalnym celem - nie od „wdrożenia AI w firmie” w ogóle. Jak wybrać ten pierwszy, opisujemy we wpisie od czego zacząć.
- Przeprojektuj proces, nie podmieniaj narzędzia - zapytaj, jak ta praca powinna wyglądać z AI, a nie gdzie wcisnąć model w stary obieg.
- Uporządkuj dane do wąskiego zakresu - nie całą firmę naraz, tylko to, czego potrzebuje ten jeden proces.
- Zmierz „przed” i „po” - bez liczby na wejściu nie udowodnisz zwrotu. Jak go liczyć, pokazujemy we wpisie ile kosztuje wdrożenie AI.
- Zaangażuj liderów i naucz zespół - bo to filar „ludzie”, w którym według reguły 10-20-70 siedzi największa część wartości.
Różnicę między wdrożeniem, które pada, a takim, które się zwraca, widać w jednej tabeli:
| Wdrożenie, które pada | Wdrożenie, które się zwraca | |
|---|---|---|
| Punkt startu | „kupmy AI” | jeden proces z mierzalnym celem |
| Co się zmienia | narzędzie, proces zostaje | proces przebudowany wokół AI |
| Dane | „kiedyś uporządkujemy” | gotowe do wąskiego zakresu |
| Dowód | wrażenie, że działa | liczba „przed” i „po” |
| Rola zespołu | dostaje narzędzie | uczy się nowego sposobu pracy |
Najczęstsze pytania
Skoro 95% firm nie widzi zwrotu, czy AI w ogóle się opłaca? Tak - bo te 95% to najczęściej skutek złego podejścia, nie braku potencjału. Liderzy z grona 5% wyciągają realną wartość tym samym narzędziem. Różnica jest w procesie, celu i danych, a nie w dostępie do lepszego modelu.
Od czego zacząć, żeby nie trafić w te 95%? Od jednego, wąsko wybranego procesu z liczbą, którą da się poprawić - i od pomiaru, który wcześnie pokaże, czy działa. Cały pierwszy krok rozpisaliśmy we wpisie od czego zacząć wdrożenie AI.
Czy mniejsza firma ma większe szanse? Często tak - ma krótszą drogę decyzyjną i mniej systemów do pogodzenia, więc szybciej przebuduje jeden proces i zobaczy wynik. Skala nie jest tu przewagą; przewagą jest dyscyplina wąskiego startu.
Najważniejsze wnioski
- Adopcja AI jest masowa, zwrot rzadki - 88% firm używa AI, ale według głośnego (choć spornego) raportu MIT aż 95% nie widzi z tego mierzalnego zwrotu.
- Przyczyna prawie nigdy nie jest technologiczna - zawodzi cel, dane i proces, nie model.
- Wartość siedzi w przeprojektowaniu procesu - to z niego, nie z narzędzia, bierze się wpływ na zysk; robi to dopiero 21% firm.
- Pilotaż to nie wdrożenie - większość projektów wykłada się na drodze z dema na produkcję.
- Z partnerem dwa razy częściej - wdrożenia prowadzone z wyspecjalizowanym partnerem wchodzą na produkcję mniej więcej dwukrotnie częściej niż budowane wyłącznie wewnętrznie.
- Recepta jest powtarzalna - wąski proces, mierzalny cel, dobre dane, przeprojektowany sposób pracy i zaangażowany zespół.