Dlaczego projekty AI kończą się porażką?

Projekty AI mają wyjątkowo wysoki wskaźnik niepowodzeń — i to nie jest clickbait. Według licznych badań i ankiet wskaźnik niepowodzeń projektów AI może sięgać nawet 80%, czyli niemal dwukrotnie więcej niż w przypadku tradycyjnych projektów IT. Przyjrzyjmy się niektórym przyczynom tego zjawiska.

Niedawne badanie Deloitte wykazało, że jedynie 18% organizacji obniża koszty dzięki AI, a tylko 27% poprawia efektywność i produktywność. Jeszcze w 2021 roku Gartner alarmował, że zaledwie 53% projektów AI przechodzi z fazy prototypu do produkcji — głównie dlatego, że dyrektorzy IT i liderzy IT mają trudności ze skalowaniem projektów AI ze względu na brak narzędzi do tworzenia i zarządzania produkcyjnym potokiem AI. Badania wykazały, że „paraliż pilotażowy", w którym firmy uruchamiają pilotażowe projekty AI, ale nie potrafią ich skalować, jest zaskakująco powszechny.

Jednocześnie eksperci są przekonani, że większości niepowodzeń można by uniknąć — gdyby liderzy biznesowi zakorzeniali swoje projekty w osiągalnych wynikach. Harvard Business Review nazwał kiedyś tę rozbieżność między oczekiwaniami a rzeczywistością „głupimi powodami" — ale czy naprawdę są aż tak głupie?

Przyjrzyjmy się niektórym statystykom i głównym przyczynom niepowodzeń projektów AI na podstawie najnowszych badań i danych.

1) Nierealistyczne oczekiwania

Jedną z najczęstszych przyczyn niepowodzeń projektów AI są nierealistyczne oczekiwania wobec możliwości technologii. Wielu menedżerów błędnie oczekuje, że AI natychmiast rozwiąże złożone problemy, nie rozumiejąc iteracyjnej natury jej rozwoju. Gdy zarząd „myśli zbyt wielko", zakres projektu często wykracza poza to, co jest realistycznie osiągalne.

Równie istotne jest to, że projekty AI są niekiedy jedynie opatrzone tą etykietą, ale w rzeczywistości nie korzystają z żadnych technologii związanych z AI. Projekty te można uznać za porażki, ponieważ nie doprowadziły faktycznie do adopcji AI.

Zrzut ekranu z pracy „Why AI Projects Fail: Lessons From New Product Development" autorstwa Roberta Coopera.

2) Niezrozumienie potrzeb użytkowników

Wiele organizacji wpada w pułapkę podejścia skoncentrowanego na technologii — skupiają się na atrakcyjności AI bez uprzedniego zbadania konkretnych problemów wymagających rozwiązania. Jak wielokrotnie pisaliśmy w naszych publikacjach, najlepiej zacząć od jasnego zrozumienia problemu użytkownika, a dopiero potem zdecydować, które rozwiązanie AI będzie odpowiednie.

Czytaj też: Jak wygląda złoty standard procesu discovery? Poznaj nasze przykładowe podejście — BBUD

Raport McKinsey z 2023 roku podkreśla, że niedopasowanie do potrzeb użytkowników jest głównym powodem niepowodzeń AI — podobnie jak w przypadku tworzenia nowych produktów (NPD). Gdy organizacje nie przeprowadzają odpowiednich badań użytkowników i nie angażują użytkowników końcowych w trakcie rozwoju, tworzone rozwiązania często chybiają celu. Bez zrozumienia punktów bólu użytkowników, ich przepływów pracy i zastosowań nawet najbardziej zaawansowane rozwiązania AI ryzykują okazać się nieistotne lub słabo zintegrowane z istniejącymi procesami. Prowadzi to do słabo zdefiniowanych celów projektu i ostatecznie przyczynia się do wysokiego wskaźnika niepowodzeń.

3) Niska jakość danych

Systemy AI wymagają wysokiej jakości, odpowiednich i prawidłowo oznaczonych danych zarówno do trenowania, jak i do działania — jeśli jakość danych wejściowych jest niska, prowadzi to do zawodnych modeli. W ankiecie Deloitte 33% respondentów wskazało brak zaufania do wyników jako jedno z największych zagrożeń GenAI (trzecie na liście 10 głównych ryzyk).

Wiele firm zmaga się z solidną infrastrukturą danych, co utrudnia gromadzenie lub zarządzanie niezbędnymi informacjami. Jak napisano w raporcie Deloitte: „Zaufanie związane z jakością danych, treningiem LLM i niezawodnością wyników staje się szczególnie ważne".

Odsetek firm wskazujących dane zagrożenia w procesie adopcji AI (źródła danych: McKinsey 2023; IBM Newsroom 2024)

4) Niedobór talentów i brak zasobów

Wdrażanie AI jest zasobochłonne i wymaga nie tylko danych, ale też wykwalifikowanych ludzi. W jednym z badań respondenci wskazali brak wiedzy specjalistycznej jako kluczowy powód niepowodzeń projektów AI. Jak ujął to jeden z rozmówców w jednym z badań: „Jeśli postawisz na projekcie AI niewłaściwą osobę, bez wystarczającej wiedzy, możliwe jest, że budżet zostanie przepalony bez żadnych efektów."

Organizacje często nie doceniają wymaganego wykwalifikowanego kapitału ludzkiego niezbędnego do skutecznej realizacji projektów AI, co prowadzi do inicjatyw obsadzonych zbyt małą liczbą osób. Ten brak zasobów skutkuje zatrzymanymi lub porzuconymi projektami — zjawisko to bywa nazywane „paraliżem pilotażowym", gdy firmy utknęły w niekończących się fazach proof-of-concept.

5) Ograniczenia organizacyjne i brak spójności

Ograniczenia budżetowe, silosy organizacyjne i wewnętrzny opór wobec zmian mogą również derailować projekty AI. Wiele organizacji ustala zbyt niskie budżety lub nie dostosowuje inicjatyw AI do szerszych strategii biznesowych, tworząc tarcia między działami. Dodatkowo przepisy lub kwestie zgodności z regulacjami mogą utrudniać rozwój AI, szczególnie w wysoko regulowanych sektorach jak opieka zdrowotna lub finanse.

Raport Roberta Coopera zauważa, że projekty AI wymagają współpracy w różnych obszarach funkcjonalnych. Gdy zespoły nie współpracują, rezultatem jest brak spójności i niemożność integracji rozwiązań AI z istniejącymi procesami biznesowymi. Zgadzają się z nim również inni. „Posiadanie zespołu AI Ops złożonego wyłącznie z personelu technicznego, takiego jak data scientists i specjaliści IT, prawdopodobnie zaowocuje rozwiązaniami oderwanymi od realnych potrzeb użytkowników i operacyjnej rzeczywistości" — pisze Cem Dilmegani, główny analityk w AIMultiple, w swoim artykule „4 Root Causes to Avoid for AI Project Failure".

6) Przeszkody technologiczne

Choć AI jest często postrzegana jako nowoczesne rozwiązanie dla organizacji, sama technologia może stwarzać poważne wyzwania — zwłaszcza jeśli firma ma legacy starej infrastruktury technologicznej i dług technologiczny hamujący wysiłki na rzecz transformacji cyfrowej.

Jedno z badań pokazuje, że głównym powodem niepowodzeń AI jest to, że model „nie zachowywał się tak, jak obiecywano". Za tym stoją między innymi wcześniej wspomniane czynniki, takie jak nieodpowiednia jakość danych, ograniczenia algorytmiczne i niestabilność modelu (gdy algorytmy są aktualizowane, nowy system może nie dawać tych samych wyników co poprzedni). Innym powodem jest to, że algorytmy AI nie są transparentne. Jest to problem znany jako „czarna skrzynka" (trudno zrozumieć, jak system AI dochodzi do swoich wniosków lub prognoz).

Czytaj też: 6 nieoczywistych sygnałów wskazujących, że możesz potrzebować konsultacji UX

7) Brak zarządzania zmianą

Na koniec musimy wspomnieć o znaczeniu zarządzania zmianą podczas wdrażania rozwiązań AI. AI to nie tylko wyzwanie techniczne, ale i kulturowe. Firmy, które nie przygotują swoich zespołów na zmiany, jakie przyniesie AI, często napotykają opór, który może storpedować nawet najbardziej obiecujące projekty. Niedobory talentów w połączeniu ze słabymi praktykami zarządzania zmianą zaostrzają ten problem, utrudniając zespołom pełną integrację AI w ich operacjach.

Zarządzanie zmianą jest również ważne, bo pracownicy mają i będą mieć lęki i fobie związane z AI. Niektóre z głównych obaw to (podział zaproponowany przez Junesoo Lee w artykule AI jako „Another I": Journey map of working with artificial intelligence from AI-phobia to AI-preparednes):

• AI-literacy: poczucie „nie wiem, jak działa AI ani jak jej używać";
• AI-substitutability: „boję się, że AI sprawi, że stanę się zbędny i zostanę zastąpiony."
• AI-implementability: „muszę adoptować AI, bo po prostu muszę to zrobić."
• AI-accountability: „gdy coś idzie dobrze lub źle, kto lub co jest odpowiedzialne: ja czy AI?"

Niepokój ludzi wobec AI wynika głównie z asymetrii informacji dotyczącej mechanizmów i skutków AI. Projektanci i deweloperzy AI w firmie mogą mieć inny poziom wiedzy niż użytkownicy końcowi, którym brakuje zrozumienia działania AI (ze względu na problem czarnej skrzynki). Poza tym, ponieważ dokładność, szybkość, zakres i głębokość AI przewyższa ludzi w wielu działaniach intelektualnych, ludzie kwestionują swoją konkurencyjność na rynku pracy. Pracownicy są też niepewni co do niejasnej odpowiedzialności za decyzje i wyniki wspierane lub realizowane przez AI (jeśli informacja dostarczona przez AI jest nieprawidłowa, kto ponosi odpowiedzialność: programista, użytkownik czy AI?).

Czytaj też: Jak zbudować system wiedzy wokół nowego narzędzia?

Proces przygotowywania i angażowania pracowników w adopcję AI omówiliśmy szczegółowo w specjalnej serii artykułów: „Przewodnik po przygotowaniu i angażowaniu pracowników do adopcji asystenta AI". Sprawdź wszystkie trzy części: Część I: Ludzie, Część II: System i Część III: Relacje.

Czy potrzebujesz pomocy w zrozumieniu potrzeb użytkowników?

AI ma ogromny potencjał, ale jej wdrożenie wiąże się z wieloma wyzwaniami. Możemy pomóc Ci w zakresie potrzeb i oczekiwań użytkowników, badań UX oraz przygotowania organizacji na cyfrową zmianę. Dysponujemy sprawdzonym procesem i doświadczeniem, które przeprowadzą Cię przez każdy etap transformacji cyfrowej.

Gotowy, żeby odkryć, jak możemy pomóc Ci pokonać wyzwania związane z AI?

Skontaktuj się z nami, by omówić swoje konkretne potrzeby, i zapoznaj się z naszym najnowszym case study dotyczącym wdrożenia chatbota wspomaganego AI w dziale obsługi klienta firmy produkcyjnej.