Tylko 5% wdrożeń GenAI w firmach zwiększa przychody

Wyniki najnowszego badania prestiżowego Massachusetts Institute of Technology (MIT) ujawniają dramatyczną przepaść między obietnicami generatywnej sztucznej inteligencji a rzeczywistością jej wdrożeń w przedsiębiorstwach. Mimo inwestycji sięgających 30-40 miliardów dolarów, aż 95% firmowych pilotaży AI kończy się spektakularną porażką.

Bezlitosna statystyka niepowodzeń

Raport „The GenAI Divide: State of AI in Business 2025”, opracowany w ramach projektu NANDA przez MIT, przedstawia niepokojący obraz wdrożeń AI w firmach. Wyniki są jednoznaczne: tylko 5% projektów pilotażowych osiąga szybki wzrost przychodów, podczas gdy zdecydowana większość nie przynosi żadnego mierzalnego wpływu na wyniki finansowe.

*Źródło: Raport MIT – „The GenAI Divide: State of AI in Business 2025”*

Rozłóżmy na części pierwsze ten wykres. Twórcy raportu przeanalizowali dokładnie 300 takich wdrożeń w firmach i okazało się, iż duże modele językowe LLM ogólnego przeznaczenia typu ChatGPT czy Copilot są powszechnie stosowane, bo w 80% przypadków rozważano ich wdrożenie, 50% doczekało się pilotażu, 40% zakończyło się udanym wdrożeniem. Jednak mowa tu o zastosowaniach, które głównie zwiększają produktywność indywidualną pracowników, nie przekładając się na wyniki finansowe całego przedsiębiorstwa.

W przypadku kluczowej tu generatywnej sztucznej inteligencji, wbudowanej w strukturę przedsiębiorstw i przeznaczonej już do konkretnych zadań mających uprościć procesy w firmach, oceniana do wdrożenia była już tylko przez 60% przedsiębiorstw, z których 20% zdecydowało się na pilotaż, zakończony pomyślnym wdrożeniem w zaledwie 5%.

Oczywiście pomyślne wdrożenia narzędzi GenAI definiowane są tutaj jako te, które spowodowały zauważalny i trwały wpływ na produktywność i/lub wyniki finansowe.

Z czego wynikają te nieudane wdrożenia? Aleksandra Suchorzewska z Accenture, podczas panelu dyskusyjnego na temat AI w biznesie na naszej ostatniej konferencji AI Summit PJAIT 2025, jako główne przyczyny niepowodzeń wdrożeń AI wskazywała punktowe implementacje sztucznej inteligencji, bez często koniecznego w takim przypadku reorganizowania całej struktury przedsiębiorstw i bez planowania nowego modelu pracy oraz przewagi konkurencyjnej.

Nie bez znaczenia jest tu również brak umiejętności oszacowania korzyści biznesowych, odpowiednich mierników i określania celów wdrożenia AI czy wdrożenia przeprowadzane bez jasnej strategii wartości.

Jako kluczowe rekomendacje wskazywano tu: rozwój strategii AI nakierowanych na korzyści biznesowe i traktowanie AI jako głównego „drivera” transformacji organizacji. Równie ważne są inwestycje w przygotowanie ludzi i modelu operacyjnego oraz skupienie się na skalowalnych wdrożeniach zamiast punktowych prób, w których to AI jest tylko dodatkiem, a nie integralnym elementem poszczególnych procesów.

Luka w uczeniu – główny winowajca porażek

Wracając do samego raportu MIT, według wyników badania, kluczowym problemem w takich wdrożeniach jest brak zdolności uczenia się i adaptacji korporacyjnych systemów GenAI do zmian procesów w firmach. Większość generatywnych systemów AI nie zachowuje wcześniejszych informacji, nie może więc dostosować się do kontekstu i nie uczy się z napływających danych. Rezultatem tego jest słaba integracja z codziennymi zadaniami i brak trwałego wpływu na wydajność organizacyjną.

Problem ten widać wyraźnie w kontekście zjawiska „shadow AI economy”, czyli wykorzystywania osobistych narzędzi AI przez pracowników. MIT odkrył, że 9 na 10 pracowników firm regularnie używa własnych kont ChatGPT, Claude czy innych narzędzi AI do codziennych zadań służbowych, często bez wiedzy działów IT.

Wyłania się tu uderzający kontrast, bo tylko 40% firm posiada oficjalne subskrypcje LLM, ale i tak 90% pracowników wykorzystuje AI w pracy. Wielu użytkowników „shadow AI” przyznaje się do wielokrotnych, codziennych interakcji z LLM w ramach regularnego przepływu pracy – z adopcją często znacznie przewyższającą zatwierdzone inicjatywy AI ich firm, które pozostają w fazie pilotażowej.

Przy czym tylko niektóre przedsiębiorstwa wykorzystują i zapełniają już tę lukę, analizując to zjawisko poprzez wyłuskanie tych narzędzi prywatnych i ich zastosowań przez pracowników, które to przynoszą im realną wartość oraz wdrażają je później w rozwiązania korporacyjne.

Błędne alokacje budżetów

Raport ujawnia również znaczące niedopasowanie w alokacji zasobów. Ponad połowa budżetów na generatywną AI trafia do działów sprzedaży i marketingu, podczas gdy największe zwroty z inwestycji (ROI) odnotowuje się w obszarze automatyzacji w takich działach jak finanse, HR czy księgowość.

Skąd się to bierze? Z prostej zależności, wyniki inwestycji w sprzedaż i marketing są bardziej widoczne i mierzalne. Z kolei zastosowanie AI na przykład w finansach oferuje bardziej subtelne korzyści, między innymi usprawnione procesy czy przyspieszone zamknięcie miesiąca, co jest wprawdzie niezwykle ważne, ale trudne do pokazania w rozmowach z kierownictwem czy raportach dla inwestorów.

Badanie MIT ujawnia też znaczące różnice w skuteczności, w zależności od strategii wdrażania AI. Firmy kupujące gotowe rozwiązania od wyspecjalizowanych dostawców osiągają sukces w 67% przypadków. Tymczasem samodzielne budowanie systemów AI kończy się powodzeniem tylko w jednej trzeciej prób. Dzieje się tak głównie z tej przyczyny, iż takie wyspecjalizowane startupy czy integratorzy szybciej dostosowują model do niuansów branży, w której działa dana organizacja, a ta z kolei unika kosztu utrzymania zespołu.

Rekomendacje dla liderów IT

Dla menedżerów odpowiedzialnych za strategie AI w swoich organizacjach, raport MIT jest przydatnym materiałem pomocniczym, oferującym jasne wskazówki, co do wdrożeń AI w ich firmach. Na pewno kluczowe będzie tu wybieranie rozwiązań, które nie tylko generują treści, ale integrują się z procesami i ewoluują wraz z organizacją.

Firmy chcące uniknąć fiaska powinny inwestować nie tylko w same narzędzia AI, lecz także w przygotowanie menedżerów do ich skutecznego wdrażania. Takie przygotowanie do efektywnego zarządzania transformacją cyfrową zapewnia program MBA dla branży IT czy studia podyplomowe Lider AI w Transformacji Cyfrowej. Istotne jest również zrozumienie technologicznych podstaw AI, w tym zasad działania dużych modeli językowych LLM, które stanowią fundament większości rozwiązań generatywnej AI.

Przyszłość: systemy agentowe jako następny krok

Raport MIT stanowi surową ocenę obecnego stanu wdrożenia AI w biznesie. 95% współczynnik niepowodzeń to nie anomalia statystyczna, ale werdykt dotyczący przestarzałego podejścia, które traktuje AI jako prostą technologię do zakupu, a nie transformacyjną siłę, którą należy zintegrować z całą strukturą organizacji.

Jaka więc przyszłość rysuje się w kontekście wyników badania MIT? Przewagę uzyskają organizacje, które kupują szybciej, uczą mądrzej i wdrażają głębiej. Kluczem jest tu odejście od eksperymentów „dla PR-u” na rzecz rozwiązań AI z pamięcią i jasnym modelem biznesowym. Firmy powinny inwestować w systemy agentowe, które gromadzą wiedzę o danych, procesach i decyzjach oraz potrafią koordynować działania w całej infrastrukturze.

Agentic AI łączy bowiem pamięć na przykład z możliwością autonomicznego wywoływania szeregu procesów w narzędziach takich jak RAG, ERP czy CRM, dzięki czemu operuje w ramach aktualnego kontekstu potrzebnych działań. Organizacje, które potrafią wdrożyć agentów w swoje podstawowe procesy najszybciej i zbudować infrastrukturę do wykorzystania tego cyklu danych, stworzą możliwości AI, których konkurenci po prostu nie będą mogli skopiować.

Według twórców raportu MIT czasu pozostało na to niewiele, okno transferu wiedzy w tym zakresie zamknie się w ciągu najbliższych 18 miesięcy, kiedy to rynek zwiąże się już długoterminowymi kontraktami z dostawcami odpowiednich i sprawdzonych rozwiązań.