W ostatnich latach wiele firm uruchomiło projekty AI w formie pilotaży, prototypów lub eksperymentów. Część z nich zakończyła się wdrożeniem, ale duża grupa nigdy nie wyszła poza fazę testów albo została po czasie wygaszona. W artykule przyglądamy się, jak często firmy wycofują się z projektów AI, na jakim etapie to się dzieje i jakie są powody takich decyzji.
Nasz artykuł opiera się na zbiorczych analizach adopcji AI w firmach publikowanych przez S&P Global Market Intelligence, MIT oraz Gartner (cytowanych m.in. przez CIO Dive, Tom’s Hardware i WorkOS).
Skala zjawiska: ile projektów AI nie trafia do środowiska produkcyjnego
Dane z ostatnich lat pokazują, że problemy z wdrażaniem AI nie są pojedynczymi przypadkami, ale zjawiskiem na większą skalę. Według analizy S&P Global Market Intelligence, opisanej przez serwis CIO Dive, w 2025 roku aż 42% firm porzuciło większość swoich inicjatyw związanych z AI. Średnio 46% projektów proof-of-concept nigdy nie trafia do produkcji, czyli kończy się na etapie testów lub pilotażu.
Podobne wnioski płyną z badań akademickich. Analiza przeprowadzona przez MIT, obejmująca kilkaset wdrożeń generatywnej AI w firmach, pokazuje, że zdecydowana większość pilotaży nie przynosi możliwego do zmierzenia wpływu na wyniki finansowe lub operacyjne organizacji. Projekty działają technicznie, ale nie przekładają się na rzeczywistą wartość biznesową, czyli nie zwiększają przychodów ani nie obniżają kosztów w zauważalny sposób.
Coraz częściej mówi się o problemach organizacyjnych i decyzyjnych, czyli źle dobranych celach, niedoszacowanych kosztach, braku integracji z istniejącymi procesami oraz braku jasnych decyzji biznesowych po stronie firmy. To właśnie te czynniki sprawiają, że wiele projektów AI może nigdy nie wyjść poza fazę testów, mimo dużych nakładów czasu i pieniędzy.
Przykłady nieudanych wdrożeń sztucznej inteligencji
Statystyki dotyczące nieudanych projektów AI pokazują skalę zjawiska, ale konkretne przykłady wdrożeń pozwalają najlepiej zrozumieć, gdzie pojawiają się problemy. W ostatnich latach wiele firm uruchamiało systemy AI z dużymi oczekiwaniami, które zderzyły się z rzeczywistością. Poniższe przykłady pokazują, jak te wyzwania wyglądały i jakie miały konsekwencje.
Zillow Offers
Zillow uruchomił program Zillow Offers, którego celem było automatyczne kupowanie i sprzedawanie domów. System AI miał przewidywać ceny nieruchomości, pozwalając firmie szybko składać oferty ich właścicielom, a następnie sprzedawać je z zyskiem. W teorii model działał poprawnie, ponieważ potrafił oszacować ceny na podstawie dużych zbiorów danych historycznych i lokalnych trendów rynkowych.
Problemem okazało się to, że nawet niewielkie błędy predykcji przekładały się na bardzo duże straty finansowe. Model nie radził sobie dobrze z różnicami jakości nieruchomości, zmianami rynkowymi i kosztami operacyjnymi, które trudno było dokładnie uwzględnić w algorytmie. Przy dużej skali działalności te odchylenia zaczęły się kumulować. W 2021 roku Zillow ogłosił zamknięcie programu, sprzedając tysiące domów ze stratą.
Według publicznych danych firma poniosła straty przekraczające 500 milionów dolarów, a decyzja o zamknięciu projektu doprowadziła do zwolnienia około 25% pracowników. Co istotne, sam model AI nie był problemem. Kluczowym błędem było przyjęcie założenia, że predykcja cen wystarczy do zbudowania opłacalnego biznesu, bez uwzględnienia ryzyka, kosztów utrzymania nieruchomości zanim te zostaną sprzedane, logistyki oraz zmienności rynku w krótkim czasie.
Ten przypadek często przywoływany jest jako przykład błędu w projektach AI. Sam system może osiągać dobre wyniki, ale generować straty, jeśli zostanie osadzony w procesie, w którym margines błędu jest bardzo mały, a koszt pojedynczej decyzji bardzo wysoki. W przypadku Zillow AI stała się elementem podwyższającym ryzyko, zamiast je ograniczać.
IBM Watson for Oncology
IBM Watson for Oncology był jednym z najbardziej znanych projektów AI w medycynie ostatniej dekady. Pomysł polegał na wykorzystaniu sztucznej inteligencji do wspierania lekarzy onkologów w analizowaniu ogromnych ilości literatury medycznej, badań klinicznych i danych o pacjentach, aby sugerować możliwe opcje leczenia nowotworów. Projekt zyskał szerokie zainteresowanie i był prezentowany jako narzędzie, które mogłoby usprawnić decyzje terapeutyczne i poprawić opiekę nad pacjentami chorującymi na raka.
Cele projektu były ambitne: usprawnienie decyzji klinicznych, uzupełnianie wiedzy lekarzy o najnowsze badania, spersonalizowane rekomendacje terapeutyczne, poszerzenie dostępu do wiedzy oraz pozycjonowanie Watsona jako lidera AI w ochronie zdrowia. Projekt powstawał we współpracy z renomowanymi instytucjami, takimi jak Memorial Sloan Kettering Cancer Center, które dostarczały danych treningowych o praktykach klinicznych. IBM intensywnie inwestował w rozwój Watson Health, kupując firmy zajmujące się przetwarzaniem danych medycznych i analizą obrazów, by wzmocnić obiecywane możliwości systemu.
Jednak ta wizja zderzyła się z rzeczywistością kompleksowej opieki onkologicznej. Watson for Oncology miał tendencję do generowania rekomendacji, które nie uwzględniały lokalnych standardów medycznych ani różnorodności danych klinicznych. System był trenowany przede wszystkim na danych z jednej instytucji, co ograniczało jego przydatność w innych krajach i środowiskach medycznych. W wielu przypadkach rekomendacje AI nie były zgodne z praktycznym, klinicznym doświadczeniem lekarzy ani z lokalnymi protokołami leczenia, co prowadziło do sceptycyzmu w środowisku medycznym.
Z czasem coraz więcej kontraktów z klientami zostało wycofanych, a program zaczął tracić na znaczeniu. Ostatecznie działalność została stopniowo wygaszona, co skutkowało zamknięciem projektu w 2023 roku. Ta historia pokazuje, że nawet bardzo duże inwestycje rzędu miliardów dolarów i partnerstwa z renomowanymi instytucjami nie gwarantują sukcesu, jeśli rozwiązanie AI nie jest dostosowane do realnych potrzeb użytkowników i kontekstu, w jakim ma działać.
Chatboty
Chatboty i voice-boty mają bezpośredni kontakt z klientem. Każdy błąd jest publiczny, często nagrywany, udostępniany w mediach społecznościowych i szybko staje się elementem wizerunku marki.
Jednym z przykładów był projekt systemu zamówień w drive-thru McDonald’s, który był testowany w USA. Miał on problemy ze zrozumieniem mowy klientów, błędnie interpretował zamówienia i dodawał losowe produkty, co doprowadziło do sytuacji, w których klienci otrzymywali absurdalnie wysokie wartości zamówień. Z powodu licznych negatywnych opinii i nagrań w mediach społecznościowych firma zdecydowała się wycofać rozwiązanie.
Inny przypadek dotyczy chatbota miejskiego NYC MyCity, który miał pomagać mieszkańcom i przedsiębiorcom z Nowego Jorku w uzyskiwaniu informacji o prawie i procedurach lokalnych. W praktyce narzędzie udzielało niedokładnych lub sprzecznych odpowiedzi, w tym takich, które sugerowały działania niezgodne z obowiązującym prawem (np. dotyczące zasad wynagrodzeń czy praktyk zatrudnienia). To spowodowało szybki sprzeciw publiczny i konieczność kontroli odpowiedzi udzielanych przez system.
Inny przykład dotyczy chatbota linii lotniczej Air Canada. W 2024 roku ta linia została pozwana po tym, jak chatbot udzielił klientowi błędnej informacji na temat możliwości uzyskania zwrotu kosztów za bilety w sytuacji żałoby rodzinnej. Sąd uznał, że opinia chatbota wiązała firmę, i zasądził odszkodowanie, podkreślając, że organizacje nadal ponoszą odpowiedzialność za informacje podawane przez AI, nawet jeśli są one generowane automatycznie.
Te przypadki pokazują, że chatboty mogą generować błędy już przy prostych zapytaniach, które mają natychmiastowy wpływ na doświadczenie klienta i reputację marki. W przeciwieństwie do systemów, które działają w tle (np. narzędzi analitycznych czy predykcyjnych), błędy w chatbotach są widoczne od razu co sprawia, że testowanie, monitorowanie i ograniczanie zakresu odpowiedzi jest kluczowe, zanim narzędzia takie trafią do użytkowników.
Dlaczego tak się dzieje? Najczęstsze przyczyny problemów z AI
Przykłady opisane powyżej łączy kilka wspólnych elementów. Problemy rzadko wynikają z samej technologii. W większości przypadków źródłem trudności są decyzje organizacyjne, sposób planowania projektu oraz zbyt optymistyczne założenia co do efektów.
AI rzadko „zawodzi” nagle. Częściej projekty stopniowo są coraz wolniej rozwijane, aż w końcu zostają ograniczone albo zamknięte. Dlatego warto przyjrzeć się temu, jakie mechanizmy najczęściej prowadzą do takich sytuacji.
Jednym z najczęstszych powodów jest brak jasno zdefiniowanego celu biznesowego. Projekty AI często zaczynają się od pytania, gdzie można wykorzystać nową technologię, zamiast od określenia konkretnego problemu do rozwiązania. Jeśli od początku nie wiadomo, jaki efekt ma zostać osiągnięty i jak będzie mierzony, trudno później ocenić, czy projekt rzeczywiście jest wartościowy. W efekcie powstają rozwiązania, które działają technicznie, ale nie wpływają w istotny sposób na wyniki firmy.
Drugim problemem jest niedoszacowanie kosztów, o czym pisaliśmy w naszym poprzednim artykule. Budowa modelu to tylko część wydatków. Równie ważne są koszty przygotowania danych, integracji z istniejącymi systemami, testów, infrastruktury oraz późniejszego utrzymania i monitorowania. Na etapie pilotażu wydatki mogą wydawać się niewielkie, jednak przy próbie wdrożenia na większą skalę mogą rosnąć szybciej, niż zakładano. Wtedy projekt zaczyna być postrzegany jako zbyt drogi w stosunku do osiąganych efektów.
Barierą mogą być również dane. Mogą one być niepełne, niespójne albo rozproszone w różnych systemach. Często dopiero w trakcie realizacji projektu firma odkrywa, że uporządkowanie i przygotowanie danych zajmie więcej czasu niż sama budowa modelu. Jeśli jakość danych jest niska, nawet dobrze zaprojektowany system nie będzie w stanie generować wiarygodnych wyników.
Kolejnym wyzwaniem jest integracja z codzienną pracą zespołów. Model może działać poprawnie w środowisku testowym, ale to nie oznacza, że łatwo wpisze się w istniejące procesy. Wdrożenie AI często wymaga zmian organizacyjnych, nowych procedur i zaufania ze strony użytkowników. Jeśli pracownicy nie widzą w systemie wsparcia lub nie rozumieją jego działania, mogą z niego nie korzystać, co sprawia, że projekt formalnie istnieje, lecz w praktyce nie jest używany tak, jak zakładano.
Wiele inicjatyw traci wsparcie z powodu braku efektów, które można by zmierzyć. Bez określonych wskaźników trudno udowodnić, że rozwiązanie wpływa na przychody, koszty lub efektywność. Początkowy entuzjazm może z czasem osłabnąć, jeśli nie towarzyszą mu konkretne liczby pokazujące rzeczywistą wartość. W takich sytuacjach projekty AI mogą zostać uznane za eksperyment, który nie przyniósł oczekiwanych rezultatów.
Co zwiększa szanse powodzenia projektu AI?
Po analizie przykładów i przyczyn widać wyraźnie, że powodzenie projektu AI rzadko zależy wyłącznie od jakości modelu. Częściej decyduje sposób, w jaki organizacja podchodzi do planowania, wdrożenia i późniejszego zarządzania rozwiązaniem.
Pierwszym czynnikiem jest zdefiniowanie problemu biznesowego. Projekty, które mają większe szanse powodzenia, zaczynają się od konkretnego pytania: jaki proces treba usprawnić, jaki koszt obniżyć, jakie decyzje podejmować lepiej? AI staje się wtedy narzędziem do realizacji celu, a nie celem samym w sobie. Taka perspektywa ułatwia także ocenę efektów i podjęcie decyzji o dalszym rozwoju
Drugim elementem jest podejście etapowe. Zamiast dużych, wieloletnich inicjatyw obejmujących całą organizację, skuteczniejsze mogą okazać się mniejsze wdrożenia w wybranym obszarze. Pozwala to szybciej sprawdzić, czy rozwiązanie działa w praktyce, ograniczyć ryzyko oraz lepiej oszacować koszty dalszego rozwoju.
Istotną rolę odgrywa także podejście do danych. Firmy, które traktują przygotowanie i jakość danych jako osobny, kluczowy etap projektu, rzadziej mają poważne problemy w późniejszej fazie. Inwestycja w porządkowanie, ujednolicanie i monitorowanie danych może przesądzać o stabilności całego rozwiązania.
Kolejnym czynnikiem jest odpowiedzialność i nadzór. Projekty AI wymagają nie tylko zespołu technicznego, lecz także osoby lub zespołu po stronie biznesu, który bierze odpowiedzialność za efekty i ich wykorzystanie w praktyce. Gdy decyzje dotyczące kierunku projektu są podejmowane wspólnie przez zespół techniczny i biznesowy, łatwiej uniknąć sytuacji, w której powstaje system niedostosowany do potrzeb organizacji.
Znaczenie ma również stałe monitorowanie efektów. Nawet po wdrożeniu rozwiązania konieczne jest sprawdzenie, czy model działa zgodnie z założeniami i czy osiągane rezultaty nadal uzasadniają koszty utrzymania. AI nie jest projektem jednorazowym, lecz procesem wymagającym ciągłej kontroli i dostosowywania.
Z tych obserwacji wynika, że technologia sama w sobie nie gwarantuje sukcesu. Projekty AI mogą być wartościowe, jeśli są prowadzone w sposób przemyślany, etapowy i ściśle powiązany z celami biznesowymi firmy czy organizacji.
Podsumowanie
AI może być narzędziem rozwoju, ale nie jest prostą drogą do przewagi konkurencyjnej. Przykłady opisane w artykule pokazują, że nawet duże organizacje z dużymi budżetami mogą napotkać poważne trudności, jeśli projekt nie jest dobrze osadzony w kontekście biznesowym.
Największe wyzwania rzadko dotyczą samego algorytmu, a częściej pojawiają się na granicy technologii i organizacji, czyli w sposobie definiowania celów, jakości danych, zarządzaniu kosztami czy integracji rozwiązania z codzienną pracą zespołów. Te elementy mogą decydować, czy AI stanie się wsparciem, czy eksperymentem.
Jeśli Twoja firma planuje wdrożenie AI lub chce uporządkować istniejące projekty, warto zadbać o odpowiednie kompetencje już na etapie planowania. Doświadczony zespół łączący perspektywę technologiczną i biznesową może znacząco zwiększyć szanse powodzenia projektu. Jeśli potrzebujesz wsparcia — zapraszamy do kontaktu, chętnie porozmawiamy o Twoich pomysłach.
