90% projektów AI nie udaje się — dlaczego sprzedawcy kłamią, a kupujący sami się oszukują?

Refleksje po latach wdrożeń AI w przemyśle

Kiedy kilkanaście lat temu zaczynałem zajmować się sztuczną inteligencją w przemyśle, największym problemem była… niewiedza. Ludzie nie wiedzieli, czym właściwie jest AI. Trzeba było godzinami tłumaczyć, czym różni się machine learning od klasycznego oprogramowania, co to jest model predykcyjny i dlaczego dane są ważniejsze niż sam algorytm.

Szybko później był wykwit filozofów, którzy zamiast rozwiązywać problemy woleli godzinami debatować, gdzie dokładnie powinno się narysować linię pomiędzy machine learning, AI lub czym różni się „prawdziwy” AI od „nieprawdziwego”. Teraz mamy podobnie, debaty na temat AI zyskującego świadomość i filozoficznych rozważań, czy AI za 2 lata to już AGI albo może tylko AGI- albo może AGI+, które stworzy nowe miejsca pracy a może zabierze wszystkie. Do tego dodaliśmy wysyp sprzedawców oferujących AI do wszystkiego i na każdą okazję.

Hitem ostatnich miesięcy dla mnie było, gdy jeden ze sprzedawców na konferencji dotyczącej energetyki wygłosił wykład na temat innowacyjności ich produktu i wielkich inwestycji związanych z AI, po czym z wykładu wynikało, że ich dodatek AI to taka średnia arytmetyczna ubrana w kaftan odchylenia standardowego. Jednym słowem — dzisiaj problem braku zrozumienia czym jest AI zniknął, ale zastąpił go chaos informacyjny głoszący, że AI kupuje się na kilogramy.

Odbiorcy AI, zwłaszcza początkujący, często na starcie mają mylne wyobrażenie, że wystarczy „podpiąć się” pod duże modele, takie jak ChatGPT — i sprawa załatwiona. Nagle mamy niemal za darmo narzędzie, które rozwiąże wszystkie problemy w firmie, szczególnie te związane z automatyzacją czy analizą danych.

Takie podejście — choć naiwne — jest zrozumiałe. Social media są pełne historii o tym, jak ktoś w weekend stworzył niemal za darmo działający produkt dzięki AI. Mało kto jednak zadaje sobie pytanie: gdzie są te wszystkie weekendowe innowacje? I czy te posty faktycznie pokazują realną wartość i faktyczne produkty, czy raczej promują “innowacyjność” ich autorów — albo po prostu przypominają nam o istnieniu dużych modeli AI. Często produkty tego typu tydzień później przestają istnieć a w głowach ma zostać prosty przekaz: ktoś stworzył produkt za darmo, kup licencję i też twórz.

Jedno jest jednak pewne: dzięki ChatGPT świadomość na temat AI jest ogromna. Niestety, na miejsce niewiedzy przyszło coś gorszego — mitologia.

Na rynku zapanowało szaleństwo. Każdy ma plakietkę „AI”, sprzedawcy obiecują dwucyfrowe wzrosty wydajności, redukcję kosztów i „rewolucję” po zakupie licencji. Analitycy, którzy jeszcze niedawno żyli w strachu przed tym, że AI odbierze im pracę, teraz chętnie powtarzają dawne przewidywania — tym razem w kontekście AI.

Tak jak w przeszłości słyszeliśmy, że „90% projektów IT nie udaje się” i próbowano to rozwiązać sprzedając certyfikaty, tak dziś powtarza się: „90% projektów AI nie udaje się”, a recepty wciąż brakuje, bo większość analiz jest sponsorowana lub oparta na przypadkach nieprzekładalnych na realne firmy.

I wiecie co? Ta liczba jest jednocześnie prawdziwa i kompletnie myląca.

Tak, według najnowszych raportów nawet 95% pilotów GenAI nie dostarcza mierzalnego zwrotu z inwestycji. Ale to nie jest wina technologii. To wina sposobu, w jaki te projekty są prowadzone. Przykładowo, coraz większą część moich rozmów z klientami nie stanowią nowe wdrożenia, tylko… prace naprawcze. Firmy, które rok–dwa lata temu zrobiły „pilota AI”, miały już dawno odcinać kupony, a zamiast tego dzwonią z prośbą o „terapię” — bo model nie działa w praktyce, nie jest używany przez ludzi albo po prostu nie rozwiązuje realnego problemu.

Dlaczego tak się dzieje?

Z mojego doświadczenia w byteLAKE wynika coś ciekawego. Po pierwsze — AI traktuje się jak produkt, a nie jak narzędzie. Kupujemy licencję na „AI w MES-ie”, „AI do predictive maintenance” albo „kolejnego Copilota” tak, jakby to była nowa maszyna generująca pieniądze. Następnie pojawiają się oferty na kolejne wdrożenia AI, pozornie identyczne, więc bierzemy najtańszą i zapada decyzja: „Wrzućmy to na linię produkcyjną i zobaczymy”.

AI nie działa w ten sposób. To nie jest maszyna, która od razu przyspiesza etykietowanie czy montaż nakrętek. AI to narzędzie, które rozwiązuje konkretny problem analityczny lub biznesowy. Jeśli tego problemu nie zdefiniowaliśmy precyzyjnie — nie ma szans na sensowny ROI. Nie da się rzetelnie oszacować „o ile procent spadną straty”, jeśli nie wiemy, czy w ogóle mamy problem ze stratami i czy jesteśmy w stanie go zmierzyć.

Innymi słowy, AI nie jest produktem typu „kupuję X i otrzymuję Y% wzrostu efektywności”. Jest narzędziem służącym do rozwiązania konkretnego problemu biznesowego. Jeśli taki problem nie został jeszcze zdefiniowany, nie da się rzetelnie oszacować potencjalnego ROI. Wdrożenie AI to nie zakup nowej maszyny, która od razu „coś przyspiesza”. AI ma sens dopiero wtedy, gdy jest realny problem analityczny lub potrzeba połączenia wielu źródeł danych w szerszym kontekście. Czasami AI nie jest potrzebne — wystarczy prosty czujnik i lampka ostrzegawcza o czym napisałem tutaj: Kiedy AI w przemyśle naprawdę ma sens?.

Jeśli na obecnym etapie naszej działalności nie widzimy obszarów do wdrożenia AI, to trzeba podejść do sprawy na chłodno: albo patrzymy w złe miejsca, albo czegoś nie umiemy dostrzec, albo obecny stan rzeczy w zupełności nas satysfakcjonuje i to też jest OK. Nie każdy musi ciągle coś ulepszać czy zmieniać. Konsekwencje ma każda decyzja, a jej brak to także decyzja. Polecam inny mój artykuł między innymi o tym aspekcie: Zatrudnialibyście pracownika, który nie zarabia na swoje utrzymanie?.

Po drugie — „Go Live” (uruchomienie AI) to dopiero początek. Wiele firm myśli, że po podpisaniu faktury i wdrożeniu modelu AI praca się kończy. Nic bardziej mylnego. Prawdziwa praca zaczyna się dopiero po uruchomieniu.

Trzeba przeszkolić ludzi, zmienić istniejące workflow, wbudować AI w codzienne procesy i — co najważniejsze — ciągle „polerować” model, dostosowywać go do zmieniającej się rzeczywistości produkcyjnej. AI, które nie jest używane i rozwijane, bardzo szybko staje się nieaktualne.

Pamiętam klienta, który wdrożył AI bo chciał zamknąć projekt, w którym brakowało perełki — etykiety innowacyjności. Następnie przez lata nie korzystał z rozwiązania. Firma ewoluowała, zmieniły się procesy, pojawiły nowe technologie i aktualnie rozmawiamy o ponownym wdrożeniu AI, a przecież można było tego uniknąć.

Sytuacja przypomina nieco podejście typu: stawiamy dach by przykryć altankę ogrodową, ale w trakcie prac okazuje się, że jednak z altanki zrobił nam się potężny dom z tarasem i teraz stoimy przed dylematem nie tylko wymiany paru krokwii, ale i zmiany konstrukcji, gdyż zamiast blachy ma być dachówka, a na koniec jeszcze wyjście na balkon z basenem, co w ogóle zmienia cały budynek konstrukcyjnie. Takie rzeczy mają miejsce, to normalne — biznes to ciągłe zmiany — ale dla analityków takie wdrożenie AI wyląduje w koszyku projektów nieudanych.

Po trzecie — nadmiar łatwych rozwiązań i niedobór trudnych pytań. Kupujemy gotowy dom z katalogu i dziwimy się, że nie pasuje idealnie do potrzeb naszej rodziny. W środowisku produkcyjnym rzadko da się „wygooglować” rozwiązanie, które jednocześnie zrozumie nasze dane z MES, CMMS, SCADA, notatki serwisowe, specyfikacje techniczne i realne ograniczenia operacyjne.

Dlatego najcenniejsze wdrożenia, które robimy w byteLAKE, zaczynają się nie od technologii, tylko od pytania: „Jakie konkretne, bolesne problemy analityczne lub biznesowe chcecie rozwiązać?” Dopiero potem dobieramy narzędzia, trenujemy modele i integrujemy je z istniejącą infrastrukturą.

Klient, który chce AI, ale nie wie po co

Do tej mieszanki wybuchowej wystarczy dodać osobę zmęczoną pustymi obietnicami, która — bez jasno określonych celów i modelu przychodów — wymusza na dostawcy deklarację zysków. Po wdrożeniu zaczyna je gorączkowo „liczyć w Excelu”, mimo że projekt od początku opierał się na niejasnych założeniach i słabych danych.

90% (lub nawet 95%) projektów AI „nie udaje się” nie dlatego, że AI jest za słabe. Nie udaje się, bo zbyt często pomijamy najtrudniejszy i najważniejszy etap — rzetelne zdefiniowanie problemu biznesowego i zbudowanie organizacji, która potrafi z AI pracować na co dzień.

AI nie jest celem. Jest narzędziem. I jak każde dobre narzędzie — działa rewelacyjnie, gdy jest używane w odpowiedni sposób, we właściwym miejscu i przez ludzi, którzy wiedzą, po co je wdrożyli. A reszta… to po prostu hałas.

Dlaczego w produkcji AI wymaga indywidualnego podejścia?

Można kupić gotowe narzędzie lub licencję, które w teorii rozwiązują problem. Ale w praktyce — szczególnie w środowiskach produkcyjnych — rzadko zdarza się, że gotowiec odpowiada na realne wyzwania: eliminacja marnotrawstwa w konkretnej linii (czas i zasoby stracone na produkcję z defektami, niewykorzystany potencjał, powtarzanie błędów lub zbyt późne dostrzeganie problemów), analiza przyczyn defektów w specyficznych warunkach produkcyjnych, integracja firmowego chatbota czy narzędzi analitycznych z systemem CMMS lub MES.

Analogicznie, można kupić dom „z półki” — ale trudno znaleźć gotowy dom jednorodzinny, który będzie idealnie dopasowany do potrzeb Twojej rodziny i przyjaciół. Tak samo AI — musi być dopasowane, skalibrowane i wdrożone w kontekście specyfiki firmy.

Klucz do sukcesu: problem → rozwiązanie → AI

Nim zaczniemy jakiekolwiek działania dotyczące wdrożenia AI u siebie w firmie, stańmy przed lustrem i odpowiedzmy sobie szczerze po co to robimy. Jeśli naszą jedyną motywacją jest kolekcjonowanie innowacji to w porządku — kupmy cokolwiek z etykietą AI. Jednakże pamiętajmy, że wszystko ma swoje konsekwencje. Nawet jeśli teraz zdobycie trofeum innowacyjności, którym akurat w 2026 roku wciąż jest rozwiązanie z etykietą AI wydaje się być za darmo, to długofalowo możemy być bardzo niemile zaskoczeni. Ale OK, jeśli jedyną motywacją jest kolekcjonowanie innowacji — w porządku. Wtedy traktujmy to jako koszt marketingowy, a nie inwestycję zwrotną. Pamiętajmy jednak — i jeszcze raz to powtórzę, że nawet „darmowa” etykieta innowacyjności generuje koszty (licencje, serwery, utrzymanie). Nieco więcej słów na ten temat napisałem tutaj: Jak podejść do wdrożenia AI w 2026 roku?.

Jeśli jednak chcemy wycisnąć z naszego wdrożenia AI maksimum, robimy trzy kroki:

1. Cel biznesowy: Co chcemy osiągnąć i po co chcemy to robić? Jaki mamy cel biznesowy, który jest konkretny i mierzalny, czyli jakoś przekłada się na pieniądze teraz i w przyszłości? Jak realizacja tego celu wpłynie na nasze finanse? Jak ten cel koreluje z celem nadrzędnym: zarabiać pieniądze teraz i w przyszłości? Dla organizacji niekomercyjnych analogicznie — jak nasz cel koreluje z nadrzędnym celem naszej organizacji?

2. Zrozumienie co oznacza realizacja naszego celu biznesowego: Jakie kroki musimy podjąć, jakie procesy zmienić? Gdzie i w jaki sposób tandem „nasza firma + AI” powinny zadziałać? Jakie źródła danych są potrzebne? (np. analiza skomplikowanych dokumentów ofertowych przy zamówieniach publicznych albo korelacja odczytów ze stacji pomiarowych z notatkami serwisowymi przy redukcji defektów).

3. Czy nas na to stać? Czy tandem „nasza firma + AI” nie tylko zrealizuje cel biznesowy, ale i czy po drodze pokryje koszt takiej zmiany?

• koszt wdrożenia / uruchomienia (start),
• koszt licencji / rachunków / innych opłat cyklicznych (aby AI mogło działać),
• koszt szkoleń pracowników / zarządzania zmianą / ciągłych ulepszeń (aby AI dostarczało realną wartość teraz i w przyszłości).

Pamiętajmy, że większość wdrożeń AI jest tworzonych na bazie gotowych produktów — bo budowanie wszystkiego od zera jest zbyt drogie. Zresztą, jeśli budujemy coś od zera to później musimy to utrzymać, rozwijać więc kosztów cyklicznych po wdrożeniu nie unikniemy. Chyba że to wdrożenie „na półkę” wtedy: wdrażamy i zapominamy. Tak czy owak, przy wdrożeniu, z którego chcemy korzystać będą więc opłaty cykliczne np. licencje. Poza tym samo uruchomienie AI nie kończy projektu— trzeba wdrożyć je w procesy ludzkie, szkolić ludzi, zarządzać zmianą i dostosowywać model do ewoluującej firmy. Narzędzia AI są tylko narzędziami — muszą nadążać za zmianami w organizacji. To wszystko z kolei generuje kolejne koszty, o których również musimy pomyśleć planując wdrożenie AI, które ma nie tylko być ale i działać oraz dostarczać wartość teraz i w przyszłości.

Podsumowując

AI nie jest magiczną różdżką, ale potężnym narzędziem analitycznym i automatyzacyjnym. Tak jak każda inwestycja, wymaga zrozumienia, przygotowania i konsekwentnej pracy. Tylko wtedy projekt AI może przynieść realne korzyści — nie „90%” czy „X%”, który ktoś obiecał, ale konkretny efekt w Twojej firmie, odpowiadający na rzeczywisty problem biznesowy.

Wobec powyższego uważam, że wyeliminowanie ze statystyk podejścia polegającego na wdrażaniu AI „na ilość” znacząco obniżyłoby odsetek niepowodzeń. Dekadę temu królowały hasła, że 90% projektów IT nie udaje się. Dzisiaj nie ma firmy, która mogłaby funkcjonować bez IT. Więc jednak coś się w tym IT udało. Dzisiaj modnie jest krzyczeć o AI. Dlatego zachęcam do podchodzenia z rozwagą, ale i odważnie.

W byteLAKE pomagamy naszym klientom przejść tę drogę od zidentyfikowanego problemu do skutecznego wdrożenia, integrując AI w sposób, który naprawdę generuje wartość. Nasze podejście jest bardzo pragmatyczne:

• Robimy audyt gotowości do wdrożenia AI. Ewentualnie pomagamy taką gotowość zbudować w obszarach gdzie ma to sens.
• Wdrażamy rozwiązania AI w pełni oparte na naszym produkcie Cognitive Services: analityka danych produkcyjnych (predictive maintenance, znajdowanie przyczyn defektów i marnotrawstwa, chatboty i agenci AI do przetwarzania dokumentów i automatyzacji procesów).
• Pomagamy zintegrować rozwiązania AI z procesami, wykorzystując wiedzę i doświadczenia danej organizacji.

Kosztowo każde nasze wdrożenie ma dwa elementy:

• Koszt jednorazowy związany z integracją naszego produktu z danymi firmy (dla MŚP z Polski udzielamy wsparcia, które w 100% pokrywa ten koszt — program dostępny w 2026; 2027+ prawdopodobnie przedłużymy).
• Koszt licencji: licencja byteLAKE oraz suma licencji/opłat cyklicznych wynikających z wymagań klienta (np. integracji z rozwiązaniami chmurowymi, jeśli klient ma takie wymagania).

Czasowo każde wdrożenie jest inne, ale jeśli klient ma dane, czas od startu projektu do wdrożenia komercyjnego wynosi od 2 tygodni.

Wkrótce publikujemy na naszej stronie dokładny cennik oraz czasy wdrożeń. Zapraszam na www.byteLAKE.com i www.byteLAKE.com/product. Na blogu sukcesywnie publikujemy referencje klientów.

To, co wyróżnia nasze rozwiązania:

• silne ukierunkowanie i specjalizacja do integracji w przemyśle. Nasze Cognitive Services nie tylko umieją rozmawiać z systemami typu MES, CMMS, SCADA, ale również przetwarzać dane niestrukturalne: dokumenty PDF, DOCX, Excel, raporty, notatki serwisowe i inne źródła wiedzy operacyjnej,
• dzięki modułowi Feature Engineering nasze Cognitive Services nie ograniczają się do analizy danych, ale potrafią sugerować decyzje uwzględniające niuanse procesów, specyfikę organizacji oraz wiedzę i doświadczenie kluczowych pracowników,
• Explainable AI to standard w byteLAKE — nasze systemy nie tylko rekomendują działania, ale również jasno wyjaśniają, z czego wynikają ich decyzje,
• pełne wsparcie dla Private AI / Edge AI — możliwość uruchamiania rozwiązań lokalnie, bez zależności od chmury i z pełną kontrolą nad danymi,
• szerokie zastosowania biznesowe: od przemysłu (analityka produkcyjna, predictive maintenance, redukcja defektów i marnotrawstwa), po środowiska biurowe (automatyzacja dokumentów, chatboty, agenci AI, przetwarzanie wiedzy organizacyjnej),
• platforma oparta na agentach AI (np. ostatnio nasza platforma integrowała ponad 300 agentów współpracujących w jednej ciepłowni).

Każde wdrożenie jest inne. AI działa. Trzeba tylko wiedzieć, po co je wdrażamy i jak nim zarządzać. Jeśli planujesz wdrożenie AI — zapraszam do rozmowy. Najlepiej zanim kupisz kolejną licencję „na wagę”.

Pamiętajmy: AI nie dzieli firm na te, którym się udało i nie udało — tylko na te, które wiedziały, jaki problem próbują rozwiązać, i te, które tylko próbowały „mieć AI”.