95% pilotaży AI bez efektu? Co naprawdę pokazał raport MIT i co robią firmy, którym się udało

Skąd wzięło się 95%

Raport „The GenAI Divide: State of AI in Business 2025” przygotował zespół Project NANDA z MIT Media Lab. Autorzy, Aditya Challapally, Chris Pease, Ramesh Raskar i Pradyumna Chari, opisują go jako wstępne wyniki badań prowadzonych od stycznia do czerwca 2025 roku. Podstawą były wywiady z przedstawicielami 52 organizacji, ankiety 153 menedżerów zebrane na czterech konferencjach branżowych i przegląd ponad 300 publicznie opisanych wdrożeń.

18 sierpnia 2025 roku Fortune opisał raport pod tytułem, według którego 95% pilotaży generatywnej AI w firmach zawodzi. Tekst rozszedł się błyskawicznie. Trzy dni później Jeremy Kahn z tej samej redakcji pisał, że raport wystraszył inwestorów, a kursy Nvidii, CoreWeave, Microsoftu i Alphabetu w tamtym tygodniu wyraźnie spadły. Wśród powodów wymieniał też słowa Sama Altmana o bańce wokół startupów AI.

Co dokładnie zmierzono

Raport rozróżnia dwa rodzaje narzędzi. Ogólne asystenty, takie jak ChatGPT czy Copilot, sprawdziło albo pilotowało ponad 80% organizacji, a blisko 40% deklaruje ich wdrożenie. Pomagają one jednak głównie poszczególnym pracownikom, a na wynik finansowy firmy wpływają słabo. Inaczej wygląda to w przypadku narzędzi dopasowanych do konkretnych procesów, kupionych albo zbudowanych na zamówienie. Takie narzędzia oceniało 60% organizacji, do pilotażu doszło 20%, a produkcyjnie, z mierzalnym efektem, wdrożyło je 5%.

Poprzeczka była zawieszona wysoko. Narzędzie musiało wyjść poza pilotaż i w ciągu sześciu miesięcy dać wyraźny, trwały wpływ na produktywność albo na wynik finansowy.

Dlaczego ta liczba wprowadza w błąd

Krytyka przyszła szybko. Rob Wiblin w podcaście 80,000 Hours zwrócił uwagę, że 5% liczono od wszystkich badanych organizacji. Większość z nich nigdy nie pilotowała narzędzia dopasowanego do procesu, a spośród tych, które to zrobiły, sukces osiągnęła mniej więcej co czwarta. W tej samej rozmowie pada uwaga, że Fortune zawyżył próbę, pisząc o 150 wywiadach i ankiecie 350 pracowników, podczas gdy w raporcie jest ich odpowiednio 52 i 153.

Paul Roetzer z Marketing AI Institute uznał sześciomiesięczne okno i miarę wyniku finansowego za zbyt wąskie, bo pomijają choćby oszczędność czasu czy niższe koszty. R. Scott Raynovich z Futuriom zarzucał raportowi, że nie pokazuje danych, na których opiera 95%. Sami autorzy przyznają, że liczby z wywiadów są przybliżone. Raport nie przeszedł recenzji naukowej, a gdy był najgłośniejszy, dało się go pobrać tylko po wypełnieniu formularza.

Hasło, że 95% wdrożeń AI się nie udaje, mocno więc upraszcza wynik. Bliżej prawdy jest stwierdzenie, że w niewielkiej próbie mało firm w ciągu pół roku zobaczyło wyraźny efekt z narzędzi wpiętych w konkretne procesy. To wciąż ważna informacja, tylko innego kalibru.

Najciekawsze jest to, dlaczego pilotaże stają

Mimo słabości metodologii warto przeczytać, jak autorzy tłumaczą wyniki. Według nich o porażce rzadko decyduje jakość modeli albo regulacje. Decyduje sposób wdrożenia.

“The core barrier to scaling is not infrastructure, regulation, or talent. It is learning.”

„Główną barierą w skalowaniu nie jest infrastruktura, regulacje ani talenty. Jest nią uczenie się” (tłum. CAASUAL).

Większość systemów generatywnej AI nie zapamiętuje uwag, nie dopasowuje się do kontekstu firmy i nie poprawia się z czasem. Do tego dochodzą kruche procesy i rozjazd z codzienną pracą zespołów. Badani chętnie oddają AI proste zadania, na przykład 70% wolałoby, żeby to AI napisało szkic maila. Przy złożonej pracy, która trwa tygodniami, wybierają człowieka w proporcji 9 do 1. Brakuje im pamięci i ciągłości, a te w dużej mierze zależą od tego, jak narzędzie wpięto w proces.

Budżety idą do marketingu, oszczędności przychodzą gdzie indziej

W jednym z ćwiczeń autorzy poprosili menedżerów, żeby rozdzielili między działy hipotetyczne 100 dolarów budżetu na AI. Mniej więcej połowa trafiała do sprzedaży i marketingu. Autorzy tłumaczą to łatwością pomiaru, bo liczbę prezentacji czy czas odpowiedzi na maila łatwo pokazać zarządowi. Najwyraźniejsze oszczędności znajdowali jednak na zapleczu firm. Wśród przykładów jest ograniczenie wydatków na zewnętrzne agencje kreatywne i produkcję treści o 30%.

Z tego nie wynika, że AI w marketingu się nie opłaca. W badaniu McKinsey z sierpnia 2026 roku firmy najczęściej przypisują wzrost przychodów dzięki AI właśnie marketingowi i sprzedaży. Oba wyniki da się pogodzić. Efekt pojawia się tam, gdzie AI zmienia sposób pracy całego zespołu.

Co robi mniejszość, której się udaje

McKinsey zapytał 1719 osób z 97 krajów. 37% przypisuje AI jakikolwiek wpływ na zysk operacyjny, mniej więcej tyle samo co rok wcześniej. Firmy, które zawdzięczają AI co najmniej 5% zysku operacyjnego i oceniają jej wpływ jako znaczący, to około 6% badanych. Prawie trzy czwarte z nich gruntownie przebudowało procesy pracy w związku z AI, a wśród pozostałych zrobiła to jedna czwarta. Liderzy dwa razy częściej mają też ustalony sposób mierzenia efektów wdrożeń.

Raport MIT opisuje podobny wzorzec. Firmy, które przechodzą na drugą stronę, wymagają dopasowania narzędzi do konkretnego procesu i oceniają je po efektach operacyjnych, a nie po wynikach testów porównawczych. Zaczynają od brzegów procesu i dopiero potem wchodzą w jego środek. Pomysły na wdrożenia częściej przychodzą od kierowników zespołów i najbardziej zaawansowanych użytkowników niż z centralnego laboratorium AI.

Zalando przebudowało proces, CNET dołożyło AI do starego

Dobrym przykładem pierwszej drogi jest Zalando. Matthias Haase, który odpowiada tam za rozwiązania contentowe, powiedział w wywiadzie opublikowanym przez firmę w maju 2026 roku, że 90% treści marketingowych na platformie jest dziś generowane przez AI. Nie dotyczy to stron produktów ani reklam poza platformą. Jeden cykl produkcji trwał kiedyś od sześciu do ośmiu tygodni, teraz zajmuje kilka dni, a celem na ten rok jest mniej niż doba od wykrycia trendu do publikacji.

Za tymi liczbami stoi przebudowany proces. Trendy zespół wyłapuje z danych o wyszukiwaniach i sprzedaży, AI przygotowuje pierwszą wersję, a o guście i ostatecznym wyglądzie decyduje zespół kreatywny. W sierpniu 2026 roku firma opisała kolejny krok. Samo ludzkie oko nie nadąża z wyłapywaniem subtelnych zmian wprowadzanych przez AI, więc w proces wbudowano automatyczną kontrolę, która porównuje wygenerowane obrazy ze zdjęciami produktu i oznacza wszystko, co zmienia jego kolor, krój albo detale.

Drugą drogę pokazuje CNET. W listopadzie 2022 roku redakcja CNET Money zaczęła testować wewnętrzne narzędzie AI do prostych tekstów o finansach. Redaktorzy przygotowywali konspekty i poprawiali wersje robocze, czyli AI trafiło do istniejącego procesu redakcyjnego. Powstało 77 krótkich tekstów, około 1% treści serwisu. Gdy w jednym z nich słusznie wytknięto błędy, audyt wykazał kolejne. Według The Verge poprawki trafiły do 41 z 77 tekstów. Redakcja wstrzymała narzędzie do czasu, aż ono i procesy redakcyjne będą zapobiegać błędom, i dodała nowe kroki kontroli.

Obie historie prowadzą do tego samego wniosku. Kontrola jakości projektowana pod ludzkie pomyłki nie wyłapuje pomyłek AI. Zalando przebudowało ją razem z produkcją, CNET musiało to zrobić po fakcie.

Co to znaczy dla Twojej firmy

Jeśli planujesz pilotaż AI w marketingu albo w procesie projektowym, z raportu MIT da się wyciągnąć kilka praktycznych wskazówek, nawet jeśli samą liczbę 95% traktujemy ostrożnie:

• Zanim wybierzesz narzędzie, zmierz punkt wyjścia: ile trwa droga od briefu do gotowych materiałów i ile jest po drodze poprawek.
• Wybierz jeden powtarzalny proces, na przykład adaptacje kampanii na nowe formaty, i wpnij AI tam, gdzie zespół i tak pracuje.
• Daj narzędziom pamięć o marce w postaci zapisanych zasad, szablonów i przykładów, które nie giną po zamknięciu okna czatu.
• Zaprojektuj kontrolę jakości pod błędy AI, tak żeby wiadomo było, kto i co sprawdza, zanim treść trafi do klientów.

Od tego zaczyna się też nasza usługa AI design workflows: najpierw mapa procesu, potem jeden proces, w którym AI najszybciej odda zespołom czas. Jak zapisać markę tak, żeby narzędzia jej nie gubiły, opisujemy we wpisie o uczeniu AI Twojej marki, a o tym, jak przyspieszenie jednego działu przesuwa wąskie gardło dalej, we wpisie o wąskim gardle po wdrożeniu AI.