Dlaczego 80% projektów AI w firmach się sypie, analiza danych z 1300+ wdrożeń, yesfor

Pierwsza uwaga, zanim zaczniemy

Większość artykułów o porażkach projektów AI używa jednej liczby (zwykle "73% Gartner" albo "95% MIT") i buduje na niej całą narrację. To intelektualnie nieuczciwe, bo każda z tych liczb ma własną metodologię, własną próbę i własną definicję "porażki".

Ten artykuł robi inaczej. Pokazuję wszystkie sześć badań, ich różnice, ich krytyków i ich zbieżności. Konkluzja jest zaskakująco spójna, ale dochodzi się do niej przez kontekst, nie przez wybiórcze cytowanie.

Sześć badań, jedna konkluzja

| Badanie | Rok | Próba | Definicja "porażki" | Wynik | |---|---|---|---|---| | RAND Corporation | 2024/2025 | 65 inżynierów ML | Brak osiągnięcia produkcji | 80%+ | | MIT Project NANDA | 2025 | 300+ wdrożeń GenAI | Brak wpływu na P&L | 95% pilotów | | S&P Global | 2025 | 1000+ firm US/EU | Porzucenie większości inicjatyw | 42% firm | | BCG "Widening AI Value Gap" | Q3 2025 | 1250 respondentów | Brak materialnej wartości | 60% firm | | McKinsey Global AI Survey | 11/2025 | Global enterprise | Brak wpływu na EBIT | 80%+ organizacji | | Gartner I&O Survey | Q1 2026 | 782 liderów I&O | Nieosiągnięcie ROI | 72% projektów |

Co te liczby NIE znaczą

NIE znaczą, że AI nie działa technicznie. Modele działają. To organizacje pęknięte.
NIE znaczą, że 80% projektów IT bez AI ma lepsze wyniki, tradycyjne projekty IT mają ~40% porażek, duże projekty IT (>10 mln USD) mają 98% porażek wg raportu CHAOS Standish Group.
NIE znaczą, że "AI to bańka". Firmy z grupy 5-20% sukcesu zarabiają na AI realne pieniądze (Lumen Technologies: 50 mln USD/rok oszczędności).

Co naprawdę znaczą

AI jest projektem klasy "trudny" i wymaga traktowania jak transformacji biznesowej, nie wdrożenia IT.

Krytyczna analiza metodologii, które liczby są wiarygodne

RAND 80%, najsolidniejsze źródło

Raport Ryseff, De Bruhl, Newberry 2024 opiera się na 65 strukturyzowanych wywiadach z doświadczonymi inżynierami ML i data scientists. Liczba 80% pochodzi z syntezy danych z setek projektów, w które ci ludzie byli zaangażowani. Definicja porażki: brak osiągnięcia "meaningful production deployment".

Zalety: wywiady, nie ankieta. Doświadczeni respondenci. Konkretne case files.

Wady: próba ograniczona do US, możliwy selekcyjny bias (chętniej rozmawiają ci, którzy widzieli porażki).

Werdykt: Najsolidniejsza dostępna liczba. Powtórzona w 2025 z podobnym wynikiem (Why AI Projects Fail, RAND PTA2680-1).

MIT 95%, głośna, ale kontrowersyjna

Raport The GenAI Divide: State of AI in Business 2025, 300+ wdrożeń GenAI, 150 wywiadów. Liczba 95% odnosi się tylko do pilotów GenAI, nie do projektów AI w ogóle. Definicja sukcesu: trwały, mierzalny wpływ na P&L potwierdzony przez użytkowników i kadrę zarządczą.

Krytyka Sean Goedecke 2025:

"Patrząc na metodologię MIT, 60% firm rozpoczęło rozważanie task-specific AI, 20% zbudowało pilot, 5% zbudowało wdrożenie z mierzalnym wpływem. To jest 8,3% success rate, nie 5%, bo 40% firm w ogóle nie próbowało."

Werdykt: Liczba prawdopodobnie zawyżona. Realna powinna być ~88-92%. Ale konkluzja pozostaje: większość pilotów GenAI nie skaluje się do produkcji.

S&P Global 42%, solidna, ale o czymś innym

Badanie 1000+ firm w US i Europie. Liczba 42% odnosi się do firm, które porzuciły większość swoich inicjatyw AI w 2025 (vs 17% w 2024). Średnia organizacja zezłomowała 46% pilotów.

Werdykt: Wiarygodne, ale mierzy abandonment rate (porzucenie projektów), nie failure rate (nieosiągnięcie wartości). Te dwie liczby są różne, choć powiązane.

McKinsey, BCG, Gartner, corroborating evidence

Wszystkie trzy mierzą brak wpływu na EBIT/wartość materialną, nie technical failure. Konsekwentne wyniki w zakresie 60-80% niezależnie od metodologii potwierdzają główną tezę.

Werdykt: Spójność wyników z różnych metodologii i prób = wysoka pewność konkluzji.

Siedem rzeczywistych przyczyn porażki, uporządkowane wg częstotliwości

Synteza danych z RAND (Ryseff 2024), MIT NANDA, McKinsey 2025, Gartner I&O 2026 i Informatica CDO 2025. Procenty pokazują, jak często dana przyczyna pojawia się w nieudanych projektach (jeden projekt może mieć kilka).

Przyczyna 1: Brak metryk sukcesu zdefiniowanych przed startem, 73% projektów

Projekt rusza, bo zarząd zdecydował "trzeba mieć AI". Nikt nie zapisał na piśmie, co konkretnie ma się zmienić w liczbach po 6, 12, 24 miesiącach. Po pierwszym kwartale CFO pyta "co dostaliśmy za 2 mln zł?", i nikt nie wie jak odpowiedzieć.

Mechanizm porażki:

Decyzja zarządu: "wdrażamy AI"
CTO wybiera technologię (zwykle pod presją vendora)
Wdrożenie startuje bez baseline KPI
Po 6 miesiącach: CFO żąda metryk
Metryki dorabiane post-hoc, niewiarygodne
CEO traci zaufanie, projekt cichy zgon

Najtańsza do naprawienia przyczyna. Wystarczy jeden warsztat strategiczny przed startem (4-8 godzin), żeby ustalić: jaki KPI dziś, jaki za 12 miesięcy, kto mierzy, kto raportuje, kto eskalować.

Przyczyna 2: Dane nie są AI-ready, 43% wskazań

Gartner zdefiniował "AI-ready data" jako dane spełniające pięć warunków: dopasowanie do use case, ownership na poziomie zasobu, automated pipelines z bramkami jakości, live metadata, ciągła kontrola jakości.

W polskich korporacjach typowo:

ERP wdrożony 4-7 lat temu, 30% kluczowych pól pustych lub "n/d"
CRM nie integruje się z systemami operacyjnymi (każdy ma własną wersję klienta)
Dział handlowy trzyma kluczowe dane w Excelach (shadow IT)
Hurtownia danych ostatnio refactoryzowana w 2021, 60% niewykorzystywanych tabel
RODO compliance "jest", ale nikt nie wie, na co konkretnie klient się zgodził

Konsekwencja: AI trenowane na takich danych zwraca śmieci. Tyle że szybciej niż człowiek. I z większą pewnością siebie, co jest jeszcze gorsze (halucynacje).

Przyczyna 3: Utrata sponsoringu C-level w pierwszych 6 miesiącach, 56% projektów

RAND 2024 pokazuje: projekty z trwałym sponsoringiem CEO mają 68% sukcesu. Projekty, w których sponsoring wycofuje się po pierwszej fazie, 11%. Sześciokrotna różnica.

Sponsoring nie znaczy "prezes powiedział tak na zarządzie". Sponsoring znaczy:

Konkretna osoba w C-level ma projekt w swoim portfolio
Ma KPI związane z sukcesem projektu w swoim review
Uczestniczy w monthly project reviews (nie kwartalnych)
Broni budżetu przed CFO, gdy projekt jest jeszcze przed wynikami
Interweniuje, gdy działy operacyjne sabotują wdrożenie

W większości polskich firm sponsoring kończy się przy podpisie umowy z dostawcą.

Przyczyna 4: Traktowanie AI jako projektu IT, 61% projektów

Schemat: zarząd deleguje "ten AI" do CTO. CTO wybiera technologię. Dział operacyjny dostaje gotowe narzędzie z polecenia "macie używać". Nikt nie przeprojektował procesów. Nikt nie zmienił KPI. Nikt nie zaktualizował systemu wynagrodzeń.

McKinsey 2025 pokazuje to jednoznacznie: organizacje raportujące "znaczące zwroty finansowe" są 2× bardziej skłonne przeprojektować end-to-end procesy biznesowe przed wyborem modelu AI.

Inaczej: AI bez redesign procesów = automatyzacja chaosu. Chaos staje się szybszy i tańszy do produkowania.

Przyczyna 5: Zbyt ambitne oczekiwania, zbyt krótki horyzont, 57% wskazań

Liderzy I&O w badaniu Gartnera Q1 2026 mówią wprost: projekty wypadły, bo "oczekiwaliśmy za dużo, za szybko". Założyli, że AI natychmiast zautomatyzuje skomplikowane procesy. Po 90 dniach bez efektu, utrata zaufania.

Realny horyzont ROI z AI w korporacji według McKinsey:

Quick wins (zautomatyzowanie 1-2 procesów): 6-12 miesięcy
Mierzalna poprawa P&L całego działu: 18-24 miesięcy
Transformacja enterprise-wide: 2-4 lata

Vendorzy obiecują 6-12 miesięcy dla wszystkiego. Zarządy podpisują, oczekując 6-12. Po roku, porażka.

Przyczyna 6: Brak co-designu z użytkownikami końcowymi, 50%+ projektów

To finding z RAND, który większość vendorów ignoruje, bo psuje sprzedaż. Najczęstsza nietechniczna przyczyna porażki to misaligned incentives + absence of end-user co-design.

Co to znaczy w praktyce:

Narzędzie projektowane przez IT bez konsultacji z osobami, które będą go używać
Brak mechanizmu zbierania feedbacku użytkowników po wdrożeniu
Brak iteracji rozwiązania na podstawie realnego użycia
Premie pracowników nadal premiują "stary sposób pracy"

Konsekwencja: użytkownicy końcowi (z badania Writer 2025) w 31% przypadków świadomie sabotują wdrożenia AI. Nie używają. Wpisują złe dane. Spowalniają projekty.

Przyczyna 7: Consulting dependency trap, pojawia się w 40%+ enterprise projects

Globalne wydatki na GenAI consulting w 2024: 3,75 mld USD (3× więcej niż w 2023, National CIO Review 2025). Klient płaci konsultantowi za strategię. Konsultant odchodzi. Kapacyta odchodzi z nim.

Po 12 miesiącach firma orientuje się, że:

Nie ma w domu osób, które rozumieją wdrożone rozwiązanie
Każda zmiana wymaga ponownego zamówienia konsultanta
Koszt utrzymania = 30-50% kosztu wdrożenia rocznie
Vendor lock-in jest tak silny, że migracja kosztowałaby drugie wdrożenie

To dlatego capability transfer, celowe wbudowanie kompetencji w organizację, jest kluczowym warunkiem powodzenia. Audyt yesfor.ai zawsze kończy się planem capability transfer.

Branżowe wskaźniki porażek

Nie wszystkie branże radzą sobie tak samo. Dane z RAND i Pertama Partners 2026 pokazują znaczące różnice:

| Branża | Failure rate | Główna przyczyna w branży | |---|---|---| | Financial Services | 82% | Compliance + legacy systems | | Healthcare | 79% | Data privacy + clinician resistance | | Manufacturing | 76% | Legacy OT/IT separation | | Retail | 74% | Brak ujednoliconych danych klientów | | Professional Services | 69% | Workflow integration | | Construction (budownictwo) | brak osobnych danych, oszacowanie ~75-80% | Fragmentacja procesów między budowami |

Polski kontekst:

W Polsce nie ma dedykowanego badania o failure rate AI per branża. Można oszacować na podstawie:

Niższy poziom inwestycji per firma (Horvath 2026: 0,35% obrotu w EU mid-size vs 0,5% globalna średnia)
Wyższy odsetek legacy ERP (60-70% średnich firm na SAP/Comarch sprzed 2020)
Niższy poziom data literacy w C-level (PARP 2024)

Konserwatywne oszacowanie failure rate w polskich średnich firmach: 78-85%.

Co robią te 5-20% firm, którym się udaje

Wszystkie poważne badania (RAND, McKinsey 2025, BCG 2025, Trullion AI Survivability Matrix) zgadzają się w czterech wzorcach sukcesu:

Wzorzec 1: Workflow-First Design

Firmy z mierzalnym ROI są 2× bardziej skłonne przeprojektować procesy przed wyborem AI. Kolejność: biznes → proces → KPI → dopiero potem technologia.

Wzorzec 2: Data Integration Priority

Firmy z silną integracją danych osiągają 10,3× ROI vs 3,7× dla firm ze słabą integracją (Integrate.io 2024). To prawie trzykrotna różnica, przy tym samym budżecie wdrożeniowym.

Wzorzec 3: Realistic Scoping

Te 5%, które dowozi rapid revenue acceleration w MIT NANDA, nie próbuje transformacji enterprise-wide w 12 miesięcy. Rozwiązują konkretne, dobrze zdefiniowane problemy z mierzalnymi outcomes, i ekspandują od tam, gdzie zadziałało.

Wzorzec 4: Sustained C-level Involvement

68% sukcesu przy trwałym sponsoringu vs 11% przy utracie (RAND). Sponsoring nie kończy się przy podpisie umowy. Trwa przez cały cykl projektu, włącznie z utrzymaniem.

Te 80% porażek nie wynika z głupoty zarządów. Wynika z tego, że AI sprzedaje się jak software, a wymaga zarządzania jak transformacja biznesu. Zarządy, które rozumieją różnicę, są w 20%. Reszta inwestuje w software i kupuje sobie problemy.

— Arleta Marczyńska, Founder, yesfor.ai

Co to znaczy konkretnie dla polskich firm

Jeśli jesteś w zarządzie polskiej firmy 500+ osób i rozważasz wdrożenie AI, prawdopodobieństwo statystyczne mówi, że wasz projekt nie dowiezie obiecanej wartości. To nie jest pesymizm. To są dane.

Trzy rzeczy, które realnie zmieniają to prawdopodobieństwo:

1. Audyt przedwdrożeniowy zamiast skoku na głęboką wodę

Audyt diagnozuje czy firma jest gotowa zanim wydacie pieniądze na wdrożenie. Koszt audytu (25-200 tys. PLN) to 2-5% typowego budżetu wdrożeniowego. Audyt nie gwarantuje sukcesu, ale eliminuje 4 z 7 najczęstszych przyczyn porażki.

Pełen przewodnik po audycie przedwdrożeniowym AI →

2. Metryki sukcesu zdefiniowane PRZED startem

Jeden warsztat strategiczny przed kontraktem z dostawcą eliminuje przyczynę #1 (73% projektów). Czas: 4-8 godzin. Koszt: dystans między zarządem a operacjami. Dochodowość: nieproporcjonalnie wysoka.

3. Capability transfer od dnia 1

Nie wdrażaj AI bez planu, jak utrzymasz system po wyjściu konsultanta. Vendor lock-in i consulting dependency są droższe niż sam projekt.

Self-test: czy jesteście w 80% czy w 20%?

Odpowiedzcie szczerze na 7 pytań. Im więcej "tak", tym wyższe prawdopodobieństwo, że jesteście w 20%.

Czy zarząd ma na piśmie, jakie KPI mają się zmienić w wyniku wdrożenia AI?
Czy dane dla planowanego use case spełniają 5 wymiarów AI-ready data Gartnera?
Czy konkretna osoba z zarządu ma sukces tego projektu wpisany w swój roczny review?
Czy zaprojektowaliście (lub planujecie zaprojektować) nowe procesy biznesowe przed wyborem narzędzia AI?
Czy oczekiwany horyzont mierzalnego ROI to 18-36 miesięcy (a nie 6-12)?
Czy macie plan, jak włączyć użytkowników końcowych w design rozwiązania?
Czy macie plan capability transfer, kto w organizacji będzie utrzymywał system po wyjściu konsultantów?

0-2 tak: Pełna gotowość niezachowana. Wdrożenie teraz = wysokie ryzyko statystyczne. Sugerujemy audyt przed kontynuacją.

3-4 tak: Częściowa gotowość. Można wdrażać quick wins. Duże projekty wymagają dopracowania.

5-7 tak: Wysoka gotowość. Jesteście w mniejszości, strategia transformacyjna ma sens.

Dokładniejszą ocenę daje AI Readiness Self-Assessment, 30 minut, 36 pytań, mierzalny score 0-100.

FAQ

Następny krok

Statystyki są bezlitosne, ale deterministyczne, można je zmienić, znając przyczyny. Trzy ścieżki:

AI Readiness Self-Assessment, sprawdź, czy Twoja firma jest w 80% czy w 20%. 30 minut, bezpłatnie.
Pełny przewodnik po audycie przedwdrożeniowym AI, co zrobić, żeby uniknąć dołączenia do statystyki.
Discovery call, 30 minut rozmowy o Twoim konkretnym kontekście.

Wszystkie źródła zacytowane w artykule

Badania pierwotne:

Ryseff, J., De Bruhl, B. F., Newberry, S. J. (2024). The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed. RAND Corporation, RRA2680-1. Pełny raport
Ryseff, J., Narayanan, A. (2025). Why AI Projects Fail. RAND Corporation, PTA2680-1. Webinar
Challapally, A. et al. (2025). The GenAI Divide: State of AI in Business 2025. MIT Project NANDA.
S&P Global Market Intelligence (2025). AI Initiative Abandonment Survey.
BCG (2025). The Widening AI Value Gap (September 2025 update).
McKinsey & Company (2025). Global AI Survey: November 2025.
Gartner (2026). AI Projects in I&O Stall Ahead of Meaningful ROI Returns.
Informatica (2025). CDO Insights Survey 2025.
Writer / Workplace Intelligence (2025). Generative AI in the Enterprise.
Horvath (2026). Mittelstand AI Investment Study.

Krytyki metodologiczne i analizy:

Goedecke, S. (2025). Is it worrying that 95% of AI enterprise projects fail? Link
Pertama Partners (2026). AI Project Failure Rate 2026: 80% Fail.
Talyx (2026). Why 90% of Enterprise AI Implementations Fail.