Prečo väčšina firemných AI projektov zlyhá — a ako sa tomu vyhnúť

Podľa výskumu spoločnosti RAND zlyháva viac než 80 % firemných AI projektov — dvojnásobne viac než pri bežných IT projektoch bez umelej inteligencie. A pozor: nejde o zlú technológiu. Modely dnes fungujú lepšie než kedykoľvek predtým. Zlyháva spôsob, akým k projektom firmy pristupujú. Začínajú z nesprávneho konca, merajú nesprávne veci a projekt ukončia skôr, než sa čokoľvek dostane do reálnej prevádzky. Tento článok rozoberá najčastejšie príčiny a to, ako sa im dá vyhnúť bez hype a prázdnych sľubov.

Čísla, ktoré by mal poznať každý manažér

Skepsa nie je namieste kvôli pesimizmu, ale kvôli dátam. Nezávislé výskumy z posledných dvoch rokov ukazujú prekvapivo konzistentný obraz:

• RAND Corporation: viac než 80 % AI projektov zlyhá — dvojnásobne oproti IT projektom bez AI. Záver vychádza z rozhovorov so 65 skúsenými dátovými vedcami z verejného aj súkromného sektora.
• MIT / projekt NANDA: napriek 30 až 40 miliardám dolárov investovaným do firemnej generatívnej AI nevidí 95 % organizácií žiadnu merateľnú návratnosť. Iba 5 % pilotov reálne prináša hodnotu.
• S&P Global: v roku 2025 opustilo väčšinu svojich AI iniciatív 42 % firiem — oproti 17 % o rok skôr. Priemerne sa zahodí 46 % projektov medzi pilotom a produkciou (prieskum medzi vyše 1000 respondentmi v Severnej Amerike a Európe).
• Gartner: minimálne 30 % projektov generatívnej AI skončí po fáze proof of concept — najmä pre zlú kvalitu dát, nedostatočné kontroly rizík, nekontrolované náklady a nejasnú biznisovú hodnotu.

Spoločným menovateľom týchto čísel nie je technológia. Je ním prístup. Nasleduje šesť omylov, ktoré tento obraz spôsobujú — a ktoré sa opakujú naprieč firmami každej veľkosti.

Omyl č. 1: Firma začína nástrojom, nie problémom

Najtypickejší štart vyzerá takto: firma si kúpi licenciu na populárny nástroj alebo platformu a až potom hľadá, kde by sa dala použiť. To je postavené na hlavu. RAND označuje najčastejšiu príčinu zlyhania ako nesúlad cieľov — rozpor medzi tým, čo mal AI projekt dosiahnuť, a tým, čo organizácia skutočne potrebovala. Keď technológia hľadá problém, výsledkom je pôsobivé demo bez biznisovej hodnoty. Zdravý postup je opačný: začať konkrétnym, nákladným a merateľným problémom — dlhé spracovanie objednávok, drahá zákaznícka podpora, opakovaná manuálna administratíva — a až potom sa pýtať, či a ako ho AI dokáže vyriešiť. Nástroj je až posledné rozhodnutie, nie prvé.

Omyl č. 2: Dáta, na ktoré sa zabudlo

Jeden z dátových vedcov to v štúdii RAND zhrnul úderne: 80 % AI je špinavá robota dátového inžinierstva. Projekty padajú na nesprávnych dátach, na dátach, ku ktorým sa nedá dostať, na zle zdokumentovaných dátach alebo na dátach, ktoré nezodpovedajú realite, s ktorou sa systém stretne v produkcii. Aj Gartner uvádza zlú kvalitu dát ako jednu z hlavných príčin opúšťania projektov. Kým firma nemá poriadok v tom, kde jej dáta žijú, kto k nim má prístup a v akej sú kvalite, žiadny model — akokoľvek pokročilý — jej to nevykompenzuje. Pri citlivých dátach navyše pribúda otázka, kde vôbec smú byť spracované; práve preto je pre mnohé firmy relevantné on-premise nasadenie, ktoré drží dáta vo vlastnej infraštruktúre.

Omyl č. 3: Žiadna definícia úspechu a merania

Ak sa na začiatku nedohodne, ako vyzerá úspech, projekt nemôže uspieť — nemá sa totiž o čo oprieť. Gartner priamo hovorí, že organizácie zápasia s dokazovaním a realizáciou hodnoty; manažéri sú netrpezliví, no chýba im metrika, ktorou by návratnosť ukázali. Pred spustením treba pomenovať jednu-dve tvrdé metriky (ušetrené hodiny, skrátený čas vybavenia, znížená chybovosť, nižšie náklady na prípad), zmerať východiskový stav a k nemu porovnávať výsledok. Bez baseline a bez cieľového čísla sa každá diskusia o prínose zmení na dojmy — a dojmy rozpočet neobhája. Definícia úspechu má navyše ešte jednu funkciu: chráni projekt pred nekonečným rozširovaním rozsahu. Keď je jasné, čo sa má dosiahnuť, je rovnako jasné, kedy je projekt hotový a kedy sa už len prilievajú náklady bez ďalšej hodnoty.

Omyl č. 4: Pilot, ktorý sa nikdy nedostane do produkcie

Podľa S&P Global sa priemerne 46 % projektov zahodí práve medzi pilotom a produkciou. Demo na konferencii a systém, ktorý spoľahlivo beží každý deň, sú dva úplne odlišné svety. RAND upozorňuje na technický dlh z prototypovania — z rýchleho prototypu sa stane produkčný kód aj s napevno zadrátovanými heslami, chýbajúcim ošetrením chýb a bez logovania. K tomu sa pridáva neplánovaná infraštruktúra: dostupnosť výpočtového výkonu, latencia odpovedí, škálovanie. Pilot preto treba od začiatku navrhovať s ohľadom na produkciu, nie ako jednorazovú ukážku, ktorú bude neskôr treba postaviť odznova.

Omyl č. 5: Prehnané očakávania a hype

MIT vo svojej štúdii zdôrazňuje, že priepasť medzi 5 % úspešných a 95 % neúspešných neurčuje kvalita modelu, ale prístup. Rita Sallam z Gartnera to dopĺňa triezvo: po vlne humbuku sú vedúci pracovníci netrpezliví a chcú vidieť návratnosť, ktorú však firmy nedokážu dokázať. Náklady na jedno nasadenie generatívnej AI sa pritom bežne pohybujú v miliónoch. Očakávanie, že AI cez noc a bez ľudskej práce prekope celý biznis, je najistejšia cesta k sklamaniu. Realistickejší je úzko vymedzený prvý prípad použitia, rýchle overenie hodnoty a postupné rozširovanie — nie veľkolepá transformácia všetkého naraz. Jeden dotiahnutý a odmeraný prípad použitia buduje dôveru vo firme lepšie než desať rozbehnutých pilotov, ktoré nikam nevedú, a zároveň dáva reálny základ pre rozhodnutie, kam investovať ďalej.

Omyl č. 6: Ignorovanie ľudí a procesov

Technológia je len časť rovnice. RAND radí medzi kľúčové príčiny zlyhania organizačné trenie — odpor bezpečnostných, compliance a prevádzkových tímov, ktoré oprávnene žiadajú prístupové práva, audit a monitoring. MIT zas hovorí o učiacej medzere: nástroje aj organizácie sa musia naučiť s AI pracovať. Ak sa riešenie nasadí bez zapojenia ľudí, ktorí ho majú používať, a bez úpravy procesu okolo neho, skončí nepoužívané bez ohľadu na to, aké je technicky dobré. Zavedenie AI je z veľkej časti projekt riadenia zmeny, nie iba IT projekt.

Ako k tomu pristupuje Nabu

V Nabu Technologies staviame na jednoduchom princípe: od podnikateľov pre podnikateľov. Riešenia nevznikajú z toho, že je nejaká technológia práve v móde, ale zo skutočných prevádzkových potrieb. Preto skôr, než sa napíše prvý riadok kódu, robíme opak spomínaných omylov:

• Mapovanie procesov — najprv pochopíme, ako firma reálne funguje a kde vzniká najviac času, chýb a nákladov. Až tam hľadáme priestor pre AI.
• Začíname od problému, nie od nástroja — technológiu (vrátane možnosti on-premise hardvéru pre citlivé dáta) volíme až podľa toho, čo daný problém vyžaduje.
• Merateľnosť od začiatku — definujeme, ako vyzerá úspech, zmeriame východiskový stav a k nemu vyhodnocujeme prínos.
• Cesta do produkcie, nie len demo — riešenia navrhujeme tak, aby spoľahlivo bežali v reálnej prevádzke, nie aby dobre vyzerali na prezentácii.
• Ľudia a procesy — počítame so zapojením tímu, ktorý bude systém používať, a s úpravou procesu okolo neho.

Štatistiky o zlyhaní AI projektov nie sú dôvodom AI sa vyhýbať. Sú návodom, čomu sa vyhnúť. Firmy, ktoré patria do úspešných percent, nemajú lepšie modely — majú lepšie zadanie, čistejšie dáta, jasnú metriku a projekt dotiahnutý do produkcie. Presne to je práca, ktorú treba odviesť, a presne na nej staviame.