80% projektów AI kończy się porażką – to dane z raportu RAND Corporation, która przeprowadziła wywiady z 65 ekspertami od wdrożeń AI. Dwukrotnie więcej niż w tradycyjnych projektach IT. Dlaczego tak wiele firm przepala budżety i rozczarowuje się AI?
- Skąd te dane: raport RAND
- Przyczyna 1: Niezrozumienie problemu
- Przyczyna 2: Problem z danymi
- Przyczyna 3: Technologia zamiast rozwiązania
- Przyczyna 4: Brak infrastruktury
- Przyczyna 5: Zbyt trudne problemy
- Nasza perspektywa: brak indywidualnego podejścia
- Jak nie być częścią statystyki
Skąd te dane: raport RAND
W 2024 roku RAND Corporation opublikowała raport „The Root Causes of Failure for Artificial Intelligence Projects". Badacze przeprowadzili wywiady z 65 data scientistami i inżynierami z co najmniej pięcioletnim doświadczeniem w budowaniu modeli AI/ML. Pytali o jedno: dlaczego projekty AI zawodzą?
Wynik był przygnębiający. Szacunki wskazują, że ponad 80% projektów AI kończy się porażką – dwukrotnie więcej niż w przypadku tradycyjnych projektów IT. To nie są projekty źle zarządzane przez dyletantów. To projekty w poważnych firmach, z budżetami, z zespołami ekspertów. I wciąż zawodzą.
Raport zidentyfikował pięć głównych przyczyn porażek. Każda z nich jest konkretna, zrozumiała – i możliwa do uniknięcia, jeśli wiesz, na co uważać. Przyjrzyjmy się im po kolei, a potem dodajmy naszą perspektywę z dziesiątek wdrożeń w polskich firmach.
Źródło: RAND Corporation, „The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed", 2024. Pełny raport dostępny na rand.org.
Przyczyna 1: Niezrozumienie problemu
Najczęstsza przyczyna porażki: firma nie wie, co tak naprawdę chce rozwiązać. Brzmi banalnie, ale jest śmiertelnie poważne. Interesariusze biznesowi mówią jednym językiem, zespół techniczny rozumie inaczej, a po miesiącach pracy okazuje się, że zbudowano rozwiązanie problemu, który nie istnieje.
RAND opisuje to jako „misunderstanding or miscommunication about the intent and purpose of the project". Ktoś mówi „potrzebujemy AI do obsługi klienta". Co to znaczy? Chatbot na stronie? Agent mailowy? Voicebot? Analiza sentymentu? Każda z tych opcji to inny projekt, inny budżet, inne kompetencje.
Problem pogłębia się, gdy zespół techniczny nie rozumie domeny biznesowej. Data scientist świetnie zna algorytmy, ale nie wie, jak działa dział sprzedaży. Buduje model optymalizujący niewłaściwą metrykę. Wyniki techniczne są doskonałe – ale biznesowo bezużyteczne. Projekt „udał się" technicznie i „zawiódł" biznesowo.
| Symptom | Konsekwencja | Rozwiązanie |
| Różni interesariusze mają różne wizje | Projekt zmierza donikąd | Warsztaty alignmentowe na starcie |
| Brak mierzalnych KPI | Nie wiadomo, czy projekt się udał | Definiuj sukces przed startem |
| Zespół tech nie rozumie biznesu | Optymalizacja złej metryki | Włącz ekspertów domenowych |
Przyczyna 2: Problem z danymi
AI uczy się z danych. Jeśli danych nie ma, są złej jakości lub są niedostępne – model nie powstanie. To brzmi oczywiste, ale firmy wciąż zaczynają projekty AI bez sprawdzenia, czy mają dane do ich realizacji.
RAND opisuje to jako „organization lacks the necessary data to adequately train an effective AI model". Problemy z danymi przyjmują różne formy: dane są rozproszone w wielu systemach, formaty są niespójne, brakuje etykiet (labels) potrzebnych do uczenia nadzorowanego, dane są nieaktualne lub zawierają błędy.
Szczególnie dotkliwy jest problem „data silos". Dane sprzedażowe w CRM, dane finansowe w ERP, dane klientów w osobnym systemie – i żaden z nich nie rozmawia z drugim. Zanim zbudujesz model AI, musisz zbudować infrastrukturę danych. To może być większy projekt niż samo AI.
Typowy scenariusz: Firma chce predykcji churnu klientów. Ma dane o transakcjach, ale nie ma historii interakcji (maile, rozmowy). Bez tych danych model nie widzi sygnałów ostrzegawczych. Projekt kończy się modelem o dokładności niewiele lepszej niż rzut monetą.
Przyczyna 3: Technologia zamiast rozwiązania
„Chcemy użyć GPT-4!" „Musimy mieć deep learning!" „Konkurencja ma AI, my też musimy!" Brzmi znajomo? To klasyczny przypadek stawiania technologii przed problemem.
RAND nazywa to „focusing more on using the latest and greatest technology than on solving real problems". Zespół jest podekscytowany nową architekturą neuronową, najnowszym frameworkiem, trendy technologicznym – ale nie zadaje pytania: czy to jest najlepsze rozwiązanie dla naszego problemu?
Czasem najlepszym rozwiązaniem nie jest AI. Prosty automat if-then w Zapierze może rozwiązać problem szybciej, taniej i bardziej niezawodnie niż zaawansowany model ML. Ale to nie jest „sexy". Nie da się tym pochwalić na LinkedIn. Więc firmy budują przerostowe rozwiązania do prostych problemów – i dziwią się, że nie działają.
| Problem | Rozwiązanie „sexy" | Rozwiązanie praktyczne |
| Sortowanie maili | NLP classifier | Reguły + filtry |
| Przypomnienia o zadaniach | AI agent | Automatyczny kalendarz |
| Analiza sprzedaży | Predykcyjny ML | Dashboard + alerty |
| FAQ klientów | Custom LLM | Baza wiedzy + search |
Przyczyna 4: Brak infrastruktury
Model AI zbudowany – co dalej? Trzeba go wdrożyć, zintegrować z systemami, monitorować, aktualizować. Tu wiele projektów pada, bo firma nie ma infrastruktury do obsługi AI w produkcji.
RAND opisuje to jako „organizations might not have adequate infrastructure to manage their data and deploy completed AI models". Model wytrenowany na laptopie data scientista nie działa w rzeczywistym środowisku. Brakuje pipeline'ów danych, monitoringu, alertów, mechanizmów rollbacku.
To szczególnie dotkliwe w firmach bez kultury DevOps. Dział IT działa w trybie „utrzymanie", nie „rozwój". Nie ma kompetencji do wdrażania nowych systemów w sposób ciągły. Projekt AI kończy się w notebooku Jupytera, nie w produkcji.
Rozwiązanie: Zanim zaczniesz budować model, zapytaj: „Jak to wdrożymy?". Jeśli odpowiedź brzmi „nie wiem" – rozwiąż ten problem najpierw. Najlepszy model jest bezużyteczny, jeśli nie możesz go uruchomić w produkcji.
Przyczyna 5: Zbyt trudne problemy
Ostatnia przyczyna z raportu RAND: AI próbuje rozwiązać problem, który jest (jeszcze) nierozwiązywalny. Brzmi dziwnie – przecież AI może wszystko, prawda? Nieprawda.
RAND nazywa to „AI projects fail because the technology is applied to problems that are too difficult for AI to solve". Są problemy, gdzie brakuje danych. Są problemy, gdzie zależności są zbyt złożone. Są problemy, gdzie natura problemu zmienia się szybciej niż model zdąży się nauczyć.
Typowy przykład: predykcja rynków finansowych. Tysiące firm próbowały, miliardy dolarów wydano – i wciąż nie ma modelu, który konsekwentnie bije rynek. Nie dlatego, że data scientiści są słabi. Dlatego, że problem jest fundamentalnie trudny – sygnały są zaszumione, a rynek adaptuje się do strategii, które działają.
| Typ problemu | Dlaczego trudny | Alternatywa |
| Predykcja przyszłości | Zbyt wiele zmiennych | Scenariusze + heurystyki |
| Rozumienie kontekstu | Brak formalnej reprezentacji | Human-in-the-loop |
| Generalizacja z małej próby | Za mało danych | Transfer learning / fine-tuning |
| Dynamiczne środowiska | Drift danych | Ciągłe douczanie |
Nasza perspektywa: brak indywidualnego podejścia
Po dziesiątkach wdrożeń w polskich firmach widzimy jeszcze jedną przyczynę, którą RAND nie nazwał wprost: brak indywidualnego podejścia do firmy klienta.
Wiele firm wdrożeniowych sprzedaje „rozwiązania pudełkowe". Ten sam chatbot dla sklepu internetowego i dla kancelarii prawnej. Ten sam workflow dla firmy produkcyjnej i dla agencji marketingowej. Skalowanie kosztem dopasowania.
Problem polega na tym, że każda firma jest inna. Ma inne procesy, inne dane, inną kulturę, inne problemy. Rozwiązanie, które działa u konkurencji, może totalnie nie pasować do Ciebie. Nie dlatego, że jest złe – dlatego, że nie było projektowane z myślą o Tobie.
Druga strona tego problemu: za mało praktyki i pilotaży. Firmy chcą od razu pełnego wdrożenia, bez testowania hipotez. Podpisują kontrakt na 12 miesięcy, zanim sprawdzą, czy AI w ogóle pasuje do ich procesu. A potem dziwią się, że to nie działa.
Nasze podejście: Zawsze zaczynamy od audytu i pilotażu. Nie sprzedajemy rozwiązań – rozwiązujemy konkretne problemy konkretnej firmy. Jeśli AI nie jest najlepszą odpowiedzią – mówimy to wprost.
Jak nie być częścią statystyki
Wiesz już, dlaczego 80% projektów AI zawodzi. Jak być w pozostałych 20%? Oto konkretne rekomendacje.
1. Zacznij od problemu, nie od technologii. Nie „chcę AI". Ale „chcę skrócić czas odpowiedzi na zapytania klientów z 24h do 2h". Konkretny, mierzalny cel biznesowy. Technologia jest środkiem, nie celem.
2. Sprawdź dane przed startem. Zanim podpiszesz kontrakt na wdrożenie, zrób audyt danych. Czy masz dane potrzebne do trenowania? Czy są dostępne? Czy są wysokiej jakości? Jeśli nie – najpierw rozwiąż ten problem.
3. Zacznij od pilotażu. Pilotaż za 20 000 zł to ułamek kosztu pełnego wdrożenia. Udowodnij wartość na małą skalę. Jeśli pilotaż się nie uda – wiesz wcześnie i taniej.
4. Wybierz partnera, który rozumie Twój biznes. Nie szukaj najtańszego. Szukaj takiego, który zadaje pytania o Twój biznes, nie tylko o technologię. Który mówi „nie wiem" i pyta, zamiast udawać wszechwiedzącego.
5. Planuj infrastrukturę od początku. Jak wdrożysz model? Kto będzie go utrzymywał? Jak będziesz monitorować jakość? Te pytania trzeba zadać przed startem, nie po.
| Praktyka | Dlaczego działa |
| Jasno zdefiniowany problem biznesowy | Wszyscy wiedzą, co budujemy i dlaczego |
| Audyt danych przed startem | Brak niespodzianek w trakcie projektu |
| Pilotaż przed full wdrożeniem | Szybka walidacja hipotez |
| Partner z doświadczeniem w branży | Rozumie kontekst, nie tylko technologię |
| Infrastruktura zaplanowana od początku | Płynne przejście do produkcji |
Podsumowanie
85% projektów AI kończy się porażką – ale nie musi. Przyczyny porażek są znane i możliwe do uniknięcia.
Pięć głównych przyczyn (RAND):
- Niezrozumienie problemu – wszyscy mówią o innym projekcie
- Problem z danymi – brak, niska jakość, niedostępność
- Technologia przed rozwiązaniem – focus na narzędzia, nie cele
- Brak infrastruktury – model działa, ale nie da się go wdrożyć
- Zbyt trudne problemy – AI nie jest magią
Plus nasza obserwacja: 6. Brak indywidualnego podejścia – pudełkowe rozwiązania nie pasują
Jak być w 20%? Zacznij od problemu, sprawdź dane, zrób pilotaż, wybierz partnera, który rozumie Twój biznes. To nie jest rocket science – ale wymaga dyscypliny i uczciwości.