Czy 95% projektów pilotażowych AI naprawdę kończy się porażką?

Skąd pochodzi ta liczba

Źródłem jest The GenAI Divide: State of AI in Business 2025, raport MIT Project NANDA z lipca 2025 r. Badanie połączyło wywiady z przedstawicielami 52 organizacji, odpowiedzi 153 menedżerów z czterech konferencji branżowych oraz przegląd ponad 300 publicznie ujawnionych inicjatyw AI.

Podsumowanie wykonawcze stwierdza, że 95% organizacji nie osiągało zwrotu z inwestycji w enterprise GenAI, a tylko 5% zintegrowanych pilotaży AI przynosiło znaczącą wartość. W dalszej części raport opisuje 95% wskaźnik niepowodzenia rozwiązań enterprise AI i podaje, że jedynie 5% dedykowanych narzędzi enterprise AI dotarło do produkcji.

Liczby nie wymyślił więc autor nagłówka. Problem zaczął się później—gdy statystyka opuściła raport.

„Niepowodzenie pilotażu” obejmuje zbyt wiele

Pilotaż może nie działać technicznie. Może też działać, ale nie integrować się z procesem, nie zostać przyjęty przez zespół, nie trafić na produkcję albo nie przynieść mierzalnego efektu finansowego. Te wyniki nie są tym samym.

Project NANDA zdefiniował udane wdrożenie dla konkretnego zadania jako system, który użytkownicy lub kierownictwo opisali jako przynoszący wyraźny i trwały wpływ na produktywność albo wynik finansowy. To wysoki próg. Działające narzędzie wewnętrzne, które oszczędziło zespołowi kilka godzin, ale nigdy nie zostało formalnie zmierzone, mogło trafić po stronie nieudanych według tej definicji.

Popularne zdanie usuwa to rozróżnienie. „95% pilotaży AI kończy się porażką” brzmi tak, jakby 95 na 100 prototypów zwyczajnie się psuło. Węższa teza raportu mówi, że bardzo niewiele dedykowanych inicjatyw enterprise GenAI pokonało drogę od oceny do produkcji z trwałym, mierzalnym wpływem biznesowym.

Mianownik ma znaczenie

Raport rozdziela asystentów ogólnego zastosowania od osadzonych w procesie systemów do konkretnych zadań. Ponad 80% organizacji analizowało lub pilotażowo testowało narzędzia takie jak ChatGPT i Copilot, a niemal 40% deklarowało wdrożenie. Często były użyteczne dla produktywności pojedynczych osób, nawet gdy organizacja nie potrafiła powiązać tej użyteczności z wynikiem finansowym.

Ostry spadek dotyczył systemów klasy enterprise—dedykowanych lub sprzedawanych przez dostawców narzędzi projektowanych pod konkretny proces. Raport podaje, że 60% organizacji je oceniało, 20% dotarło do etapu pilotażu, a 5% do produkcji.

Badanie ma realne ograniczenia

Dokument określa się jako „Preliminary Findings”. Nie jest przedstawiany jako badanie recenzowane naukowo. Procenty wdrożeń opisano jako kierunkowo trafne i oparte na wywiadach, a nie oficjalnych raportach firm. Wielkości prób różnią się między kategoriami, dane organizacyjne są zanonimizowane, a ankieta konferencyjna może nadreprezentować liderów już zainteresowanych AI.

Te ograniczenia nie czynią raportu bezużytecznym. Czynią niebezpieczną fałszywą precyzję. Dowody wskazują na poważny problem przejścia od pilotażu do produkcji. Nie uzasadniają przypisywania dokładnego prawdopodobieństwa 95% kolejnemu projektowi rozważanemu przez firmę.

Użyteczny wniosek: dlaczego systemy utknęły

Raport nie obwinia przede wszystkim inteligencji modelu. Wskazuje na kruche procesy, słabe uczenie się kontekstu, kiepską integrację z codzienną pracą i decyzje zakupowe napędzane demonstracjami zamiast rezultatami operacyjnymi. Skuteczni nabywcy wymagali dostosowania do procesu i oceniali systemy przez pryzmat wyników biznesowych.

Raport wskazuje również, że partnerstwa zewnętrzne osiągały udane wdrożenia mniej więcej dwa razy częściej niż zespoły działające wyłącznie wewnętrznie. Ten wniosek zasługuje na tę samą ostrożność co statystyka z nagłówka, ale sugeruje praktyczne wyjaśnienie: dostarczenie procesu produkcyjnego wymaga integracji, zarządzania zmianą, bezpieczeństwa, pomiaru i odpowiedzialności—nie tylko dostępu do dobrego modelu.

Co właściciel firmy powinien zrobić inaczej

1. Wybierz jeden kosztowny proces.

   Nie zaczynaj od „potrzebujemy AI”. Zacznij od powtarzalnego opóźnienia, błędu, przekazania sprawy lub zaległości, które już dziś mają koszt.

2. Zdefiniuj produkcję przed demonstracją.

   Nazwij zaangażowane systemy, osobę odpowiedzialną za wynik, punkty zatwierdzeń i warunki, które muszą być spełnione, aby narzędzie stało się częścią normalnej pracy.

3. Zmierz punkt wyjścia.

   Przed budową zapisz czas, wolumen, liczbę błędów, czas reakcji albo konwersję. „Zespół to lubi” jest użyteczną informacją, ale nie obliczeniem ROI.

4. Zaprojektuj pętlę uczenia.

   Zdecyduj, jak korekty, przypadki brzegowe i opinie operatorów będą ulepszać proces. Statyczna demonstracja rzadko wytrzymuje kontakt ze zmieniającym się kontekstem firmy.

5. Szybko kończ słabe pilotaże.

   Pilotaż powinien zasłużyć na kolejny etap. Zatrzymanie złego dopasowania po dwóch tygodniach jest zdyscyplinowanym rozpoznaniem, nie dowodem, że cała kategoria nie działa.