Autor: Marko · 4 min czytania

Dlaczego projekty AI upadają i który etap się pomija

Dlaczego projekty AI upadają i który etap się pomija

Demo działa po jednym wieczorze. Chatbot odpowiada klientom, agent przygotowuje raport, zespół jest zachwycony. Dwa miesiące później projekt po cichu znika z agendy. Brzmi znajomo? Tak kończy się większość projektów AI, i rzadko z winy samego modelu.

Poniżej: co mówią badania, skąd wzięła się głośna liczba 95% i na którym etapie projekty się łamią.

Dlaczego większość projektów AI upada?

Większość projektów AI upada, bo zespół przeskakuje do automatyzacji, zanim AI pozna kontekst firmy i zanim ktoś ustali, co jest dobrym wynikiem. Badania wciąż wskazują te same przyczyny: źle postawione zadanie, słabe dane, niejasna wartość. Model rzadko jest głównym problemem. Problemem jest to, na czym się opiera.

Według szacunków, które przytacza RAND, ponad 80% projektów AI kończy się porażką, dwa razy częściej niż projekty IT bez AI. Badacze RAND przeprowadzili wywiady z 65 doświadczonymi analitykami danych i inżynierami, a jako pierwszą przyczynę wskazali tę: zlecający projekt źle rozumieją albo nie potrafią przekazać, jaki problem ma rozwiązać AI.

W 2024 roku Gartner przewidywał, że co najmniej 30% projektów generatywnej AI zostanie porzuconych po etapie proof of concept do końca 2025 roku. Powody: słaba jakość danych, niewystarczająca kontrola ryzyka, rosnące koszty i niejasna wartość biznesowa.

Czy to prawda, że 95% projektów AI upada?

Liczba 95% pochodzi z raportu MIT NANDA "The GenAI Divide" z 2025 roku i mierzy coś węższego, niż brzmi. 95% firm w próbie nie zobaczyło mierzalnego wpływu generatywnej AI na swój wynik finansowy. To wniosek o jednej konkretnej próbie i o pieniądzach. Przenoszenie go na wszystkie projekty AI na świecie to za daleko idące uogólnienie.

Raport MIT udostępniany jest na prośbę, więc opieramy się tu na relacji Fortune. Warto znać też szerszy obraz. Liczby w różnych źródłach wahają się od 30% do 95%, bo mierzą różne rzeczy: porzucone pilotaże, projekty, które nie osiągnęły celu, firmy bez zysku z AI. Zgadzają się w jednym: porażka zdarza się częściej niż sukces, a przyczyny są niemal zawsze te same.

Przyczyny, etap po etapie

W artykule o modelu dojrzałości AI opisaliśmy cztery etapy: Prompt, Context, Harness i Loop. Każdy kolejny opiera się na poprzednim. Jeśli położyć przyczyny z badań obok etapów, prawie każda z nich okazuje się etapem, który zespół pominął.

EtapCo powinno istniećJak porażka brzmi w badaniachSygnał w Twoim zespole
Promptwspólne zasady pracy z AInasza obserwacja: pilotaż zależy od jednej osobywyniki ma tylko ten, kto uruchomił pilotaż
Contextjedna baza wiedzy o firmiesłaba jakość danych (Gartner), za mało danych (RAND)AI za każdym razem trzeba tłumaczyć, kim jesteście i jak pracujecie
Harnessdefinicja "gotowe" i sprawdzenieniejasna wartość (Gartner), źle zrozumiane zadanie (RAND)nikt nie potrafi powiedzieć, czy pilotaż się udał
Looprutynowa praca bez ręcznych przypomnieńrosnące koszty i niejasna wartość (Gartner)automatyzacja mnoży błędy szybciej, niż ktoś je zauważy
Why AI projects fail: teams jump from Prompt straight to Loop, skip Context and Harness, and the project falls into the gap between them
FIG. 01

Najczęściej pomijane są Context i Harness. Są najmniej widoczne: nie mają efektownego demo, tylko spisane ustalenia i jasne kryteria. A to one decydują, czy pilotaż przetrwa zderzenie z prawdziwą pracą. Context oznacza bazę wiedzy dla AI, z której pracują i zespół, i AI. Harness oznacza, że każde zadanie ma kryteria akceptacji, a wynik sprawdza się według nich.

Skok od razu na czwarty etap kosztuje najwięcej. Gartner przewiduje, że ponad 40% projektów agentowej AI zostanie anulowanych do końca 2027 roku. Agent bez bazy wiedzy pracuje na ślepo, a agent bez sprawdzania wyników po prostu szybciej się myli.

Dlaczego AI wydaje się prostsza, niż jest

Na starcie AI wydaje się wszechmocna. Prototyp powstaje w jeden wieczór, a od razu planuje się kilka kolejnych systemów, czasem nawet własny produkt. AI imituje prostotę: pierwszy wynik pojawia się szybko, a prawdziwy zakres pracy zostaje poza kadrem.

Ta praca kryje się na ostatnim odcinku: zebrać kontekst, wbudować AI w proces, sprawdzać wyniki, przyzwyczaić zespół. Właśnie tu projekty się zatrzymują, w połowie drogi, z kilkunastoma niedokończonymi pomysłami.

Widzimy to codziennie we własnej pracy. Doprowadzenie projektu AI do końca jest możliwe, a wymaga systemu, na którym opiera się każdy kolejny krok.

Jak sprawić, żeby projekt AI się udał?

Zacznij od jednego procesu. Zapisz kontekst, z którym będzie pracować AI. Przed startem ustalcie, co uznajecie za gotowy wynik, i sprawdzajcie każdy wynik według tego kryterium. Automatyzuj tylko to, co już stabilnie działa ręcznie. Wtedy projekt przechodzi etapy po kolei i żaden nie wypada.

Przed uruchomieniem pilotażu odpowiedz na pięć pytań:

  • Który jeden proces zmieniamy i kto za niego odpowiada?
  • Gdzie jest zapisany kontekst, z którym będzie pracować AI?
  • Po czym poznamy, że wynik jest gotowy?
  • Kto i jak sprawdza wynik, zanim zostanie przyjęty?
  • Co musi działać ręcznie, zanim to zautomatyzujemy?

Jeśli choć jedno pytanie zostaje bez odpowiedzi, pilotaż ryzykuje, że będzie kolejnym ładnym demo.

Podsumowanie

Większość projektów AI upada z tych samych powodów: zespół przeskakuje do automatyzacji i pomija bazę wiedzy oraz sprawdzanie wyników. Badania podają różne liczby i ten sam obraz. Najtańszy sposób, by nie trafić do statystyk, to przejść etapy po kolei.

Żeby sprawdzić, od którego etapu zacząć, zrób krótki test w artykule o modelu dojrzałości AI. A jeśli chcesz zobaczyć, jak etapy wyglądają w działającym systemie, pokażemy to w 20 minut na rozmowie.

Źródła