Miért bukik el ma is az AI-projektek több mint 80%-a — és mit csinál másképp a többi

Két éve írtunk arról, miért buknak el a vállalati AI projektek. Az okok nem változtak. A számok rosszabbak lettek.

A globális AI-kiadások tovább nőnek — az IDC előrejelzése szerint a 2024-es mintegy 235 milliárd dollárról 2028-ra több mint 630 milliárd dollárra. A cégek olyan tempóban öntik a pénzt az AI-ba, hogy ahhoz képest a dotcom-korszak visszafogottnak tűnik. A kudarc-számok mégis alig mozdulnak. A RAND Corporation szerint egyes becslések alapján az AI-projektek több mint 80%-a elbukik — ez az AI nélküli IT-projektek bukási arányának kétszerese. A Lenovo megbízásából készült IDC-kutatás azt találta, hogy az átlagos szervezet 33 elindított AI-pilotjából csak 4 jutott el élesbe. A McKinsey State of AI felmérése szerint miközben a szervezetek 88%-a már használ AI-t legalább egy funkcióban, csak 39%-uk lát bármilyen EBIT-hatást vállalati szinten. És ami minden technológiai vezetőt ébren tarthat: a CloudBees 2026-os State of Code Abundance felmérésében a vállalati technológiai vezetők 81%-a számolt be AI által generált kódhoz köthető éles üzemi hibákról.

Az iparág többet költ, többet szállít, és nagyjából ugyanolyan arányban bukik el, mint két éve.

A számok brutálisak

Tegyük perspektívába. A projektek több mint 80%-a bukik el, miközben a kiadások az IDC szerint 2028-ra meghaladják a 630 milliárd dollárt — rengeteg munka ég el olyan demókra, amelyek sosem jutottak élesbe, pilotokra, amelyek sosem skálázódtak, és "AI transzformációkra," amelyek semmit nem transzformáltak, kivéve a tanácsadó cég bevételét.

A statisztika, ami minket legjobban zavar, ugyanabból a CloudBees-felmérésből: a szervezetek 36%-a úgy követi az AI-költést, hogy nem méri a megtérülést — vagy egyáltalán nem méri. Hat- vagy hétjegyű összeget költenek a bevezetésre, aztán soha nem ellenőrzik, hogy tényleg működött-e. Ez nem technológiai probléma — ez felelősségi probléma.

Ami nem vált be

Három dolog, amit a cégek továbbra is próbálnak a bizonyítékok ellenére:

1. Nagyobb modelleket dobnak rossz problémákra

A GPT-5 figyelemre méltó. A Claude Opus 4 figyelemre méltó. De egy csúcsmodell rossz problémára irányítva továbbra is pénzkidobás. Láttunk cégeket 200 ezer eurót költeni egyedi GPT-5 integrációra egy olyan folyamat automatizálására, amit három ember napi 20 perc alatt kezel. Az AI tökéletesen működött — és havonta nagyjából 800 eurót spórolt. A megtérülési idő 21 év volt.

2. Többet költenek anélkül, hogy többet mérnének

Az AI büdzsék évről évre nőnek. A mérési gyakorlatok nem változtak. A cégek olyan rendszerekbe skálázzák a befektetéseiket, amelyekről nem tudják bizonyítani, hogy működnek. Az előző negyedévben beszéltünk egy pénzügyi szolgáltatóval, amelynek 14 AI kezdeményezése futott egyszerre. Amikor megkérdeztük, melyik nyereséges, a válasz az volt: "úgy gondoljuk, a legtöbb az." Gondolják. Nem tudják.

3. Tanácsadó által vezetett transzformációk belső tulajdonlás nélkül

A minta: egy Big Four cég bejön, roadmapet készít, szállít egy pilotot, és elmegy. Hat hónappal később a pilotot elengedik, mert belül senki nem tudja karbantartani, a tanácsadó cég csapata már máshol van, és az általuk létrehozott "AI Kiválósági Központ" három ember, akik soha nem telepítettek éles rendszert.

Amit a sikeres kisebbség tényleg csinál

Csapatunk 13 éve dolgozik ebben a szakmában. A sikeres projektek három gyakorlatot osztanak meg, amelyek a kudarcoknál szinte soha nincsenek jelen.

1. Mérnek, mielőtt építenek

Mielőtt egyetlen sor kódot írnának, definiálják, mit jelent a siker üzleti fogalmakban — nem pontossági százalékokat, nem F1 értékeket, hanem megtakarított eurókat, visszanyert órákat, csökkentett hibaarányokat. Mérik az aktuális alaphelyzetet. Kitűznek egy célt. És építenek egy dashboardot, ami az első naptól követi a haladást.

Most már minden projektajánlatba beleteszünk egy mérési keretrendszert. Nem azért, mert az ügyfelek kérik — a legtöbb nem kéri — hanem mert ez a projekt sikerének egyetlen legnagyobb előrejelzője. Ha nem tudod mérni a hatást, nem tudod bizonyítani az értéket, és egy projekt, ami nem tudja bizonyítani az értékét, meghal a következő büdzséciklusban.

2. Kicsiben kezdenek és bizonyítják az értéket, mielőtt skáláznának

A sikeres kisebbség nem céges szintű AI transzformációval indít. Kiválasztanak egy folyamatot, egy csapatot, egy mérhető eredményt. Bizonyítják, hogy működik. Aztán bővítenek. Lassabb, kevésbé látványos az igazgatósági prezentációkban, és drámaian nagyobb eséllyel sikerül.

Az egyik gyártó ügyfelünk egyetlen gyártósorral kezdte. AI-támogatott minőségellenőrzés egy gépen. 6 hétig tartott és 35 ezer euróba került. Amikor 40%-kal csökkentette a hibás termékek kiszökési arányát, a 12 sorra való skálázásról szóló beszélgetés könnyű volt — mert adataink voltak; ígéretekre nem volt szükség.

3. A governance-t a rendszerrel együtt építik, nem utólag pótolják

Ki vizsgálja felül a modell kimeneteit? Mi történik, ha téved? Hogyan tanítod újra, ha a teljesítmény drift-el? Ki felelős az adat-pipeline-ért? Ezekre a kérdésekre az indulás előtt válaszolnak, nem hat hónappal később, amikor valami elromlik.

Azok a projektek, amelyek kihagyják a governance-t, jellemzően 3-6 hónapig jól működnek, aztán lassan romlani kezdenek. Senki nem veszi észre, mert senki nem figyel. Mire valaki észreveszi, a bizalom elszállt, és a projektet leállítják.

A mérés problémája

Az a mérési adat — a szervezetek 36%-a úgy követi az AI-költést, hogy a megtérülést nem méri, vagy egyáltalán nem méri — a legtöbb AI-kudarc gyökerére mutat, és ez nem a modellekben, az adatokban vagy a mérnöki munkában van, hanem az elszámoltathatóság hiányában.

Minden általunk épített rendszerhez azóta tartozik egy egyszerű mérési dashboard, ami három dolgot követ. Az AI előtti alaphelyzethez képest megtakarított időt vagy költséget. Az AI előtti alaphelyzethez képest mért hibaarányt. A rendszer teljes futtatási költségét, beleértve az API költségeket, a karbantartást és az emberi felülvizsgálati időt.

Megépítése kb. 2-3 napot vesz igénybe. Talán 5%-ot ad hozzá a projektköltséghez. És ez az oka annak, hogy az ügyfeleink megújítanak — mert látják, tényleges eurókban, mit csinál a rendszer értük.

Ha nem tudsz a pénzügyi igazgatónak mutatni egy dashboardot, ami bizonyítja, hogy az AI pénzt takarít meg, az AI egyetlen büdzsécsökkentésre van a leállítástól.

Mit jelent ez, ha 2026-ban tervezel AI projektet

A technológia már nem szűk keresztmetszet. A modellek rendkívüliek. Az eszközkészlet érett. Az infrastruktúra megvan. Ami hiányzik, az a fegyelem.

Ha idén AI projektet tervezel, kezdd a méréssel. Definiáld, mit jelent a siker, mielőtt ajánlatkérést írsz. Válassz egy folyamatot, ahol a megtérülési matek nyilvánvaló. Építs governance-t az első naptól. És ne skálázz, amíg nem bizonyítottad az értéket kis hatókörben.

A kisebbség, amelyik sikerrel jár, nem jobb modelleket használ és nem költ többet. Jobb kérdéseket tesz fel és méri a válaszokat. Ennyi. Ez az egész titok.