Dlaczego wdrożenia AI w firmach kończą się porażką?

Spis treści
Dlaczego wdrożenia AI w firmach kończą się porażką?
Jak duża jest skala niepowodzeń wdrożeń AI?
Dlaczego stare systemy nie potrafią współpracować ze sztuczną inteligencją?
Gdzie sztuczna inteligencja faktycznie działa, gdy fundamenty są poukładane?
Dlaczego kolejność decyduje o sukcesie wdrożeń AI?
FAQ
Podsumowanie

Wdrożenia AI w firmach w aż 95% przypadków nie przynoszą żadnej realnej wartości biznesowej. To nie dlatego, że sama technologia jest słaba. Winny jest sposób, w jaki wpina się sztuczną inteligencję w procesy i systemy, które od lat nikt nie porządkował. To dokładnie ten sam mechanizm, o którym mówimy w całej serii o długu technologicznym. Różnica jest taka, że teraz koszt błędu rośnie szybciej. AI nie naprawia bałaganu w firmie. Ona go przyspiesza.

Ten artykuł to zapis szóstego odcinka podcastu "Nowe technologie i rozwój firm". Prowadzę Cię w nim przez to, dlaczego stare narzędzia i nieuporządkowane dane torpedują nawet najlepiej zaplanowane wdrożenie AI. Pokazuję też, gdzie sztuczna inteligencja realnie daje efekt, kiedy fundamenty są poukładane.

Dlaczego wdrożenia AI w firmach kończą się porażką?

Wdrożenia AI w firmach kończą się porażką najczęściej z jednego powodu. Firma próbuje wpiąć sztuczną inteligencję w systemy i procesy, które od lat są zaniedbane albo w ogóle nie mają możliwości integracji. Problemem nie jest jakość modeli AI. Problemem jest fundament - dane, procesy i narzędzia - na którym próbuje się je oprzeć.

Agent AI, żeby działać, musi mieć dostęp do danych. Musi też móc wykonywać akcje w Twoich systemach - sprawdzić zamówienie, zaktualizować rekord w CRM, wystawić dokument. Jeśli Twoje systemy nie mają z czym się komunikować, a dane są rozrzucone i niespójne, sztuczna inteligencja nie ma z czego skorzystać. Zamiast rozwiązania dostajesz wtedy kolejne narzędzie, które ktoś musi ręcznie wpasować w chaos, który już istnieje.

Efekt widać najszybciej w budżecie. Firma płaci za licencję, za samo wdrożenie i za czas zespołu, który uczy się nowego narzędzia. Jeśli to narzędzie nie ma dostępu do właściwych danych, żaden z tych kosztów się nie zwraca. Zamiast oszczędności dochodzi jeszcze jeden koszt - czas stracony na projekt, który od początku nie miał szans zadziałać.

To różni się od klasycznej porażki projektu IT. Kiedy wdrażasz zwykły system, błąd zwykle widać od razu - coś się nie loguje albo raport się nie generuje. Agent AI może natomiast działać płynnie i brzmieć przekonująco, a mimo to podejmować decyzje na złych danych. Błąd bywa niewidoczny aż do momentu, w którym kosztuje Cię klienta albo błędnie wystawioną fakturę.

Jak duża jest skala niepowodzeń wdrożeń AI?

Skala problemu jest większa, niż większość zarządów sobie wyobraża. Według głośnego raportu MIT (projekt NANDA) "The GenAI Divide: State of AI in Business 2025", aż 95% pilotaży generatywnej AI we wdrożeniach firmowych nie generuje żadnego mierzalnego zwrotu z inwestycji. Firmy na całym świecie zainwestowały w te projekty od 30 do 40 miliardów dolarów.

Ciekawe jest to, że w tym samym czasie pracownicy w ponad 90% firm regularnie korzystają z prywatnych narzędzi AI, takich jak ChatGPT, do swojej codziennej pracy. Robią to, mimo że oficjalne, firmowe wdrożenia utknęły w martwym punkcie. To nie przypadek. Osobiste narzędzia AI nie muszą łączyć się z firmowym CRM ani czytać danych z zaniedbanego systemu ERP. Działają w izolacji, więc omijają dokładnie ten problem, o którym mówimy w tym artykule.

Problem zaczyna się dużo wcześniej niż na etapie samego modelu AI. Zaczyna się od dostępu do danych. Według badania Qlik, aż 74% firm wskazuje koszty infrastruktury, rozproszone silosy danych albo zbyt wolne wczytywanie informacji jako główną barierę skalowania AI.

Tylko 42% liderów deklaruje pełne, w pełni kontrolowalne zaufanie do wyników generowanych przez AI. Jednocześnie aż 88% mówi o przynajmniej umiarkowanym zaufaniu. Ta różnica to koszt złych fundamentów pod danymi.

Gartner prognozuje, że do końca 2026 roku firmy porzucą aż 60% projektów AI pozbawionych danych gotowych do pracy z AI. Dochodzi do tego jeszcze jeden czynnik, o którym rzadko się mówi. Według analizy rynku agentów AI, 60% firm wskazuje integrację ze starymi, dziedziczonymi systemami jako największą pojedynczą przeszkodę w skalowaniu agentów AI poza etap pilotażu.

W praktyce oznacza to, że firma inwestuje w narzędzie, którego nikt tak naprawdę nie może efektywnie wykorzystać. Zespół traci entuzjazm, zarząd traci cierpliwość, a temat AI trafia na półkę do rewizji za rok. Tymczasem problem nigdy nie leżał w samym narzędziu.

Dlaczego stare systemy nie potrafią współpracować ze sztuczną inteligencją?

Stare systemy w większości firm nie potrafią współpracować ze sztuczną inteligencją z dwóch głównych powodów:

1. Brak dostępu do API - system nie ma interfejsu, przez który agent AI mógłby się z nim komunikować i wymieniać dane.
2. Nieustrukturyzowane dane - notatki, maile i transkrypcje rozmów są rozrzucone po wielu miejscach, więc AI nie ma jednego spójnego źródła informacji.

Każda akcja, którą wykonuje agent AI, wymaga interakcji z jakąś bazą danych. Może to być system sprzedażowy, system płatności albo dashboard raportowy. Jeżeli Twój system nie ma interfejsu komunikacyjnego, czyli API, agent po prostu nie ma jak do niego sięgnąć. To trochę tak, jakbyś próbował podłączyć nowoczesny telefon do ładowarki sprzed pięćdziesięciu lat. Fizycznie się nie da, niezależnie od tego, jak dobry jest telefon.

Drugi powód to notatki handlowców, maile, transkrypcje rozmów telefonicznych i spotkań online. Te dane mają ogromny potencjał. Sztuczna inteligencja świetnie sobie z nimi radzi - ale tylko wtedy, kiedy są uporządkowane i ustandaryzowane. Jeśli Twoje dane są rozrzucone po kilku systemach albo trzymane w arkuszach, tak jak pisałem przy okazji tego, kiedy firma wyrasta z Excela, AI nie ma z czego korzystać. Nie ma po prostu jednego spójnego źródła prawdy.

Gdzie sztuczna inteligencja faktycznie działa, gdy fundamenty są poukładane?

Skoro tyle wdrożeń kończy się porażką, czy w ogóle warto się tym zajmować? Zdecydowanie tak. Trzeba tylko wiedzieć, że agenci AI dają realny efekt dopiero wtedy, kiedy fundamenty są poukładane. Przejdźmy przez konkretne obszary firmy, jeden po drugim.

Obsługa klienta

Obsługa klienta to obszar, który daje najszybszy zwrot z inwestycji. Chatboty oparte na AI odpowiadają na pytania klientów całą dobę. Obsługują reklamacje, informują o statusie zamówienia i wysyłają powiadomienia. Dobrym przykładem jest chatbot Cyberfolks. Potrafi samodzielnie sprawdzić, czy DNS-y domeny są już aktywne, albo podłączyć domenę do hostingu - i naprawdę dobrze to robi. Jeśli chcesz zrozumieć, co dokładnie siedzi w środku takiego chatbota dla firmy, zebraliśmy to w osobnym przewodniku.

W jednym z projektów, które realizujemy w Devesol, zbudowaliśmy głosowego agenta AI dla dystrybutora narzędzi do obrabiarek CNC. Telefon dzwonił tam cały dzień, z tymi samymi pytaniami o dostępność i status zamówienia. Zanim agent zaczął w ogóle rozmawiać z klientami, przeanalizowaliśmy setki nagrań historycznych rozmów. Zbudowaliśmy z nich uporządkowaną bazę wiedzy, a samego agenta podłączyliśmy przez API wprost do systemu zamówień. Dopiero to połączenie - uporządkowane dane plus działające API - pozwoliło mu przejąć rozmowy bez kolejki i bez przerywania pracy zespołu. Więcej podobnych wdrożeń znajdziesz w naszych case studies.

Sprzedaż

Sztuczna inteligencja potrafi analizować wzorce zakupowe klientów. Na tej podstawie przewiduje ich przyszłe zachowania. Potrafi też sugerować optymalne ceny na podstawie danych rynkowych, zamiast tego, żeby ktoś ustalał cenniki na wyczucie. To wszystko wymaga jednak, żeby dane o klientach i transakcjach były w jednym, spójnym miejscu. Nie mogą być rozrzucone po CRM-ie i osobnym systemie produkcyjnym. Ten sam mechanizm stoi za dobrze zautomatyzowanym lejkiem sprzedażowym. AI potrafi kwalifikować leady i reagować na ich zachowanie tylko wtedy, kiedy wie, na jakim etapie faktycznie się znajdują.

Finanse i księgowość

Narzędzia oparte na AI potrafią rozpoznawać pola na fakturach. Automatycznie tworzą raporty finansowe i wystawiają powtarzalne dokumenty, co znacząco redukuje czas poświęcany na ręczne przetwarzanie danych. Potrafią też monitorować dane finansowe w czasie rzeczywistym. Wychwytują nietypowe transakcje, które mogą świadczyć o błędzie albo nadużyciu, zanim ktoś zauważy to ręcznie. Fundamentem pod to wszystko jest rozpoznawanie tekstu z dokumentów (OCR) oraz uporządkowany proces fakturowania w dobie KSeF, gdzie dokumenty i tak muszą mieć ustandaryzowaną strukturę.

Rekrutacja i HR

Dobrym przykładem jest firma Canditech. Stworzyła platformę testów symulacyjnych, która automatycznie ocenia umiejętności kandydatów. Efektem jest skrócenie czasu zatrudnienia nawet o 50%. Eliminuje też do 80% zbędnych rozmów rekrutacyjnych na wczesnych etapach - czyli tych, które i tak kończą się odrzuceniem kandydata.

Podobny mechanizm sprawdza się przy onboardingu nowych pracowników. Zamiast osoby z HR ręcznie koordynującej kilkanaście systemów i osób, agent AI orkiestruje cały proces - od podpisania oferty do pierwszego dnia pracy. Skraca to czas onboardingu o połowę. Jeśli dopiero układasz automatyzację procesów rekrutacyjnych albo zastanawiasz się, od czego zacząć w dziale HR, to dobry moment, żeby zrobić to we właściwej kolejności.

Czy widzisz wspólny mianownik tych wszystkich przykładów? W każdym z nich sztuczna inteligencja działa na jasno określonym, uporządkowanym procesie. Działa na konkretnych, dostępnych danych. Nie zgaduje w chaosie - wykonuje zadania na fundamencie, który już istnieje. Żaden z tych przykładów nie zaczyna się od wyboru modelu AI. Zaczyna się od pytania, czy dane i procesy są w ogóle gotowe, żeby ten model mógł działać.

Dlaczego kolejność decyduje o sukcesie wdrożeń AI?

Sztuczna inteligencja nie jest lekarstwem na dług technologiczny. Jest wzmacniaczem tego, co już masz. Jeżeli masz stare narzędzia, zbyt wiele systemów naraz albo Excela pełniącego funkcję systemu, wpięcie AI w ten bałagan nie sprawi, że bałagan zniknie. Sprawi tylko, że ten sam bałagan będzie działał szybciej. Błędy, które wcześniej powstawały powoli, zaczną powstawać znacznie szybciej.

Dlatego kolejność ma znaczenie. Najpierw uporządkowane narzędzia i jedno źródło prawdy o danych. Potem opisane i zmapowane procesy. Dopiero na takim fundamencie sztuczna inteligencja daje efekty - szybszą obsługę klienta, trafniejsze decyzje sprzedażowe, mniej błędów w finansach i szybszą rekrutację. Jeśli chcesz zobaczyć ten proces rozpisany krok po kroku, łącznie z tym, czym jest podejście human-in-the-loop, mamy osobny, praktyczny przewodnik po wdrożeniu AI w organizacji.

W praktyce oznacza to trzy konkretne kroki na start. Po pierwsze, ujednolicenie danych klienta i transakcji w jednym miejscu. Po drugie, zapewnienie dostępu API do kluczowych systemów, z których ma korzystać agent AI. Po trzecie, jasny opis procesu, który chcesz zautomatyzować - zanim ktokolwiek napisze pierwszy prompt. Bez tych trzech elementów kolejny agent AI będzie tylko szybciej powtarzał te same błędy.

To domyka też całą naszą serię o długu technologicznym. Zaczęliśmy od tego, czym w ogóle jest dług technologiczny i jakie są jego konsekwencje - spadek sprzedaży, frustracja pracowników, trudniejsza rekrutacja i mniejsza konkurencyjność. Potem rozłożyliśmy to na cztery źródła: stare narzędzia, zbyt wiele narzędzi naraz, Excel i arkusze Google udające pełny system, i wreszcie brak możliwości wpięcia sztucznej inteligencji. Fundamenty pod nią nigdy nie zostały poukładane. To nie są cztery osobne problemy. To jeden i ten sam problem, oglądany z różnych stron.

FAQ

Podsumowanie: wdrożenia AI w firmach dają efekt tylko na solidnych fundamentach

Wdrożenia AI w firmach kończą się porażką nie dlatego, że modele są słabe. Dzieje się tak dlatego, że firmy próbują wpiąć je w procesy i systemy, których nikt od lat nie porządkował. Jeśli masz dostęp do API, uporządkowane dane i opisane procesy, sztuczna inteligencja realnie oddaje Ci czas i pieniądze - w obsłudze klienta, sprzedaży, finansach i rekrutacji. Jeśli tych fundamentów brakuje, AI tylko przyspieszy chaos, który już masz. Wybór między wdrożeniem AI a uporządkowaniem fundamentów to zresztą fałszywy dylemat - potrzebujesz jednego, żeby drugie w ogóle zadziałało.

Jeśli zastanawiasz się, czy Twoja firma ma dziś fundamenty pod sensowne wdrożenie AI, porozmawiajmy o tym na bezpłatnej konsultacji. Sprawdzimy razem, od czego warto zacząć.

O autorze
Kamil Zazula - założyciel i konsultant ds. automatyzacji procesów biznesowych i integracji systemów w Devesol. Od kilku lat pomaga polskim firmom wdrażać automatyzacje i Agentów AI, opierając się na doświadczeniu zdobytym wcześniej jako programista aplikacji webowych. Więcej o autorze: devesol.pl/o-nas