95 proc. projektów AI w firmach nie daje efektów. Gdzie błąd?

Sztuczna inteligencja miała być panaceum dla biznesu — narzędziem, które przyspieszy procesy i zmniejszy wydatki. Rzeczywistość okazuje się znacznie bardziej skomplikowana: według badań sieci naukowej MIT NANDA, aż 95 procent początkowych projektów wdrażających generatywną sztuczną inteligencję nie przynosi wymiernych rezultatów finansowych.

Skalę problemu pokazują liczby

Statystyki są niepokojące. Spośród pierwszych inicjatyw wdrażających AI w przedsiębiorstwach, trzy na pięć kończą się niepowodzeniem. To oznacza, że więcej niż połowa inwestycji nie osiąga założonych celów biznesowych. W Polsce sytuacja jest szczególnie ciekawa — branża produkcyjna wskazuje AI jako jeden z priorytetów inwestycyjnych, jednak zaledwie co piąta z tych firm faktycznie prowadzi eksperymentalne projekty wdrażające rozwiązania oparte na AI.

Dysproporcja między deklaracjami a działaniami jest wyraźna. Firmy ogłaszają ambicje, ale tempo rzeczywistych zmian pozostaje wolne.

Dlaczego projekty AI upadają w biznesie?

Przyczyny niepowodzeń są wielorakie. Raport opracowany przez ABB wskazuje na konkretne bariery stojące przed przedsiębiorstwami:

Jak wyjaśnia Jarosław Sokolnicki, współzałożyciel exeAI, problem tkwi w rozbieżności między różnymi szczeblami organizacji: „Firmy nabywają licencje, uruchamiają projekty pilotażowe, szkolą pracowników i testują rozwiązania. Zespoły operacyjne zauważają wzrost efektywności, kierownictwo obserwuje rosnące koszty, a wynik finansowy pozostaje niezmieniony”.

Fundamentalny błąd polega na kolejności działań. Przedsiębiorstwa zaczynają od technologii, zamiast najpierw przeprojektować procesy biznesowe i jasno zdefiniować, jaki konkretny rezultat chcą uzyskać. To odwrócenie priorytetów prowadzi do sytuacji, w której AI jest wdrażane bez wyraźnego celu biznesowego.

Problem kadrowy hamuje transformację

Innym istotnym wąskim gardłem jest dostęp do talentów. Siedemdziesiąt dwa procent prezesów firm inwestuje w szkolenie pracowników w nowych umiejętnościach, jednak rynek pracy nie dostarcza wystarczającej liczby specjalistów. Braki dotyczą szczególnie ekspertów w obszarze:

• integracji i zarządzania danymi
• projektowania architektur rozwiązań
• cyberbezpieczeństwa
• kierowania procesami zmian organizacyjnych

Bez odpowiedniego zespołu, nawet najnowocześniejsza technologia nie przyniesie oczekiwanych rezultatów. Firmy mają dostęp do narzędzi, ale brakuje im ludzi, którzy wiedzą, jak je prawidłowo wdrożyć i utrzymywać.

Co to oznacza dla polskich firm?

Na rynku polskim sytuacja ma szczególny wymiar. Polska gospodarka, szczególnie sektor produkcyjny, stoi przed wyborem: albo inwestować w AI strategicznie, albo ryzykować, że konkurenci z zagranicy zyskają przewagę. Jednak samo ogłoszenie inwestycji nie wystarczy.

Dla przedsiębiorstw oznacza to, że przed wdrożeniem jakiegokolwiek rozwiązania opartego na AI należy:

1. Przeprowadzić audyt istniejących procesów i zidentyfikować, gdzie AI może rzeczywiście dodać wartość
2. Zdefiniować konkretne metryki sukcesu — nie abstrakcyjne cele, lecz mierzalne wskaźniki (np. redukcja czasu przetwarzania zamówienia o 30 procent)
3. Zaplanować budżet na integrację systemów, a nie tylko na licencje oprogramowania
4. Przygotować zespół na zmiany organizacyjne, które AI przyniesie
5. Zadbać o zgodność z wymogami regulacyjnymi od samego początku

Koniec ery pustych deklaracji

Zarządy firm zmieniają podejście. Czas, gdy inwestycje w AI były traktowane jako działania wizerunkowe, powoli się kończy. Badanie przeprowadzone przez Bain & Company pokazuje, że 59 procent kierownictwa firm ocenia, iż ich organizacje osiągają jedynie część zaplanowanych rezultatów transformacji cyfrowej opartej na AI.

Ta świadomość prowadzi do istotnej zmiany: zarządy nie akceptują już samych wydatków. Żądają konkretnych dowodów — wzrostu produktywności, obniżenia kosztów operacyjnych, przyspieszenia procesów biznesowych. To oznacza koniec ery, w której można było inwestować w technologię bez odpowiedzialności za wyniki.

Dla firm, które chcą uniknąć porażki, kluczowe jest zmianę mentalności: od „kupujemy AI, bo wszyscy to robią” do „wdrażamy AI, ponieważ rozwiązuje konkretny problem biznesowy i mamy plan, jak to zmierzyć”.