2026-07-20 / MafiaAI

Większość wdrożeń AI się nie udaje. Co mówią liczby — i dlaczego

Jeśli wdrożyłeś AI w firmie i masz poczucie, że „jakoś się nie zwróciło”, nie kupiłeś złego produktu i nie zrobiłeś nic głupiego. Jesteś w większości — i to przytłaczającej. Zanim powiemy, jak sami to widzimy, spójrzmy na dane. Bez marketingowego szumu, z podaniem źródeł, bo to jedyny sposób, żeby rozmawiać o tym poważnie.

Od razu zaznaczymy jedno: nie piszemy tego jako eksperci, którzy wiedzą, co masz zrobić. Nikt uczciwy nie ma jednej recepty na AI — my też jej nie mamy. Możemy tylko pokazać, co widzimy ze swojej strony i jak to interpretujemy. Decyzja, jak zawsze, zostaje po Twojej stronie.

Skala: to nie wyjątek, to reguła

Twarde liczby z ostatniego roku, każda od poważnej instytucji:

MIT (raport „The GenAI Divide: State of AI in Business 2025”) — 95% firmowych pilotaży generatywnej AI nie daje mierzalnego zwrotu w wyniku finansowym. Tylko około 5% realnie przyspiesza biznes. Badanie oparto na 150 wywiadach z liderami, 350 ankietach i analizie 300 publicznych wdrożeń.
RAND Corporation (2024) — ponad 80% projektów AI nie dowozi zakładanej wartości. To dwa razy więcej niż w porównywalnych projektach IT bez AI. (RAND to jeden z najstarszych i najpoważniejszych amerykańskich instytutów badawczych — niezależne analizy dla rządu, obronności i ochrony zdrowia; nie firma sprzedająca AI.)
S&P Global (2025) — 42% firm porzuciło większość swoich inicjatyw AI, po tym jak rok wcześniej robiło to ledwie 17%. Blisko połowa pilotaży nie dożywa produkcji.
McKinsey (koniec 2025) — ponad 80% organizacji nie widzi realnego wpływu AI na wynik operacyjny, mimo że AI wdrożyły.

Różne metody, różne firmy badawcze, różne kraje — a wynik ten sam: wdrożenie AI, które naprawdę się zwraca, jest dziś rzadkością, nie normą. Jeśli Twoje nie wypaliło, jesteś w towarzystwie większości rynku.

Dlaczego padają — i to jest najważniejsze

Tu zaczyna się część, którą większość rozmów o AI pomija. Skoro tyle wdrożeń pada, naturalny wniosek brzmi: „modele są jeszcze za słabe, poczekajmy na lepsze”. To nieprawda — i wszystkie poważne badania mówią to samo.

RAND, po rozmowach z doświadczonymi inżynierami, wskazuje przyczyny: brak jasnej definicji sukcesu, słabe fundamenty danych, luki w integracji i pogoń za najnowszą technologią zamiast za efektem biznesowym — a pod tym wszystkim gasnące zaangażowanie kierownictwa. MIT nazywa to „luką uczenia”: problem nie leży w jakości modelu, tylko w tym, jak firma go wdraża i czy system w ogóle uczy się jej procesów.

Innymi słowy: wdrożenia AI padają z powodów organizacyjnych, nie technicznych. Model zwykle działa. Zawodzi wszystko dookoła — brak struktury, brak nadzoru, brak jasnego celu, brak dyscypliny danych. To dobra wiadomość, choć brzmi surowo: rzeczy organizacyjne da się naprawić, nie trzeba czekać na cud technologiczny.

Jest jeszcze jedna liczba z badania MIT, która mówi wprost, gdzie leży różnica: wdrożenia oparte na współpracy z wyspecjalizowanym dostawcą udają się około 67% razy, a budowane wewnętrznie „od zera” — trzy razy rzadziej. Nie chodzi o to, że własny zespół jest gorszy. Chodzi o to, że wdrożenie AI wymaga struktury i doświadczenia, których nie da się wyczarować pierwszym pilotażem.

Jest w tym też mechanizm rynkowy, o którym mówi się rzadko. Wokół każdej gorącej technologii pojawia się pokusa, żeby sprzedawać ją — i kupować — jak gotowy produkt z półki, bo tak jest najszybciej i najłatwiej. Ale AI w większości zastosowań nie jest usługą z półki dla każdego. To samo narzędzie, które świetnie sprawdza się w jednej firmie, w drugiej nie zadziała, jeśli nie zostanie dopracowane pod jej dane, procesy i realia. MIT ujął to wprost: generyczne narzędzia (jak popularne czaty) błyszczą w rękach pojedynczego człowieka dzięki swojej elastyczności, ale grzęzną w firmie, bo nie uczą się jej procesów. Kto liczy na szybki zarobek na modnej technologii — czy to kupując ją bez pracy dopasowania, czy sprzedając jak gotowca — zderza się z tą samą ścianą. To nie jest wada AI. To nieporozumienie co do jej natury.

Gdzie pada najczęściej — i jeden głośny przykład

Odsetek nieudanych wdrożeń różni się branżą. Analiza RAND z 2025 pokazuje, że najwięcej problemów mają usługi finansowe i zaraz za nimi ochrona zdrowia — w tej drugiej blisko 79% projektów nie wychodzi poza fazę pilotażu (liczba potwierdzana też niezależnie przez analizy branżowe). Co ciekawe, w medycynie przyczyna znów nie jest „techniczna”: tylko około 22% projektów klinicznej AI od początku angażuje lekarzy, a walidacja „na boku” — sprawdzenie modelu równolegle z realnym procesem, zanim dotknie pacjenta — okazuje się najskuteczniejszym sposobem wyłapania błędów. Znowu: struktura i nadzór, nie sam model.

Najgłośniejszy udokumentowany przykład tego mechanizmu to Zillow — amerykański gigant rynku nieruchomości. Jego algorytm wyceniał domy i składał na tej podstawie oferty kupna. Model był dobry — ale wytrenowano go na spokojnym rynku i nie nadążył za gwałtowną zmianą cen; przez pewien czas wciąż zawyżał wyceny, gdy rynek już stygł. Efekt: ponad 500 milionów dolarów strat, zamknięcie całej linii biznesowej w 2021 i zwolnienie jednej czwartej firmy (dane z raportów spółki i analizy Stanford GSB). To nie jest historia o głupim algorytmie. To historia o tym, co się dzieje, gdy nikt nie pilnuje granic, w których model jest wiarygodny — a to jest problem nadzoru, nie technologii.

Jak to wygląda na polskim rynku

Zebraliśmy też, na czym realnie zawodzą polskie firmy — z publicznych wypowiedzi z ostatniego roku. To nie jest lista zarzutów pod czyimś adresem; to powtarzające się wzorce, w które — pod presją mody na AI i oczekiwań zarządu — łatwo wpaść każdemu. Obraz jest zbieżny z badaniami światowymi, z lokalną specyfiką:

„AI się nie zwraca” — koszty tokenów, infrastruktury i energii przewyższają korzyści.
Stare systemy i silosy danych blokują skalowanie; wdrożenie działa w jednym miejscu i nie idzie dalej.
Halucynacje i błędy w produkcji — model potrafi wygenerować nieprawdę i wymaga nadzoru człowieka; kłopot pojawia się, gdy trafia na produkcję bez tego nadzoru.
Presja „trzeba mieć AI” — pilotaże uruchamiane dla samego faktu ich posiadania, bez jasnego celu i miary wartości; czasem zbyt wiele narzędzi naraz, co zamiast pomóc, blokuje decyzje.
Ochrona danych — wklejanie danych klientów do czatów, zanim powstanie jakakolwiek polityka ich przetwarzania.
Spadek użycia po pierwszym entuzjazmie — start z rozmachem, potem cisza (w jednym z opisów liczba użytkowników spadła z trzech tysięcy do stu).

Jedna wypowiedź streszcza to najlepiej: „Największy problem to prawo, etyka, wybór dostawcy; AI musi być pod nadzorem specjalisty.” To nie jest głos przeciwnika AI. To głos kogoś, kto ją wdrażał i zobaczył, czego zabrakło. I to jest właściwy ton całej tej rozmowy: nie „firmy są naiwne”, tylko „brakuje warstwy, o której nikt głośno nie mówił”.

Uczciwie: piszemy to jako gracz, nie jako sędzia

Nie udajemy neutralnego audytora. Jesteśmy firmą, która wdraża AI — mamy w tym interes i mówimy to wprost. Ale właśnie dlatego te liczby są dla nas ważne, a nie niewygodne: umacniają nas w przekonaniu, że nie warto obiecywać „magicznej autonomii”, tylko zaczynać od zrozumienia, dlaczego wdrożenia padają, i budować tak, żeby nie padło z tych właśnie powodów. Nie mówimy tego, żeby wywyższyć się nad innych — mówimy, jak sami do tego podchodzimy.

Skoro przyczyny są organizacyjne, to i my szukamy odpowiedzi po stronie organizacji, nie samej technologii. Nie twierdzimy, że to jedyna słuszna droga — to sposób, w jaki my podchodzimy do sprawy, i o nim są nasze pozostałe teksty:

Brak nadzoru i halucynacje w produkcji → człowiek w pętli, weryfikacja wyniku przez niezależną instancję, bramka na działania nieodwracalne.
Brak jasnego celu i rozrastanie się zakresu → zamknięty zakres zadań, dowód wykonania zamiast „chyba działa”.
Kto odpowiada, gdy AI się pomyli → odpowiedzialność wpisana w mechanizm, nie w regulamin (zgoda operatora + dziennik decyzji).
„Zbuduj sam czy weź gotowe” → dane mówią jasno: wdrożenie ze strukturą i doświadczeniem wygrywa z improwizacją.

Podsumowanie

Większość wdrożeń AI się nie udaje — i to nie dlatego, że technologia jest za słaba, tylko dlatego, że brakuje wokół niej struktury, nadzoru i dyscypliny. Liczby z MIT, RAND, S&P i McKinseya mówią to samo, a polski rynek to potwierdza. Jeśli Twoje wdrożenie nie wypaliło, to nie znak, żeby rezygnować z AI — to znak, że zabrakło warstwy, o której mało kto mówi, bo trudniej ją sprzedać niż kolejny model.

My zaczynamy właśnie od niej. Zobacz, jak to układamy — od prostych narzędzi po systemy koordynacji pracy AI pod nadzorem człowieka. Bo AI, które się zwraca, wygląda inaczej, niż obiecuje większość rynku: mniej magii, więcej dyscypliny.

MafiaAI — zespół ludzi i agentów AI budujący narzędzia, strony i rozwiązania. Wdrażamy AI tak, żeby się zwracało — z nadzorem, dowodem i uczciwością wobec granic. Więcej: t8.pl