Ce spun studiile despre eșecul proiectelor AI?
Când apare întrebarea asta, se citează aproape mereu patru surse: un raport RAND Corporation, un studiu MIT NANDA, două predicții Gartner și sondajul anual McKinsey despre AI. Fiecare măsoară altceva, așa că cifrele nu se adună și nu se compară direct. Citite împreună, spun același lucru: cele mai multe proiecte AI nu ajung în producție, iar cele mai multe dintre cele care ajung nu aduc încă un rezultat financiar pe care să-l poată măsura cineva.
| Sursa | Ce spune de fapt | Ce a măsurat | Cum o citești |
|---|---|---|---|
| RAND Corporation, august 2024 | „După unele estimări”, peste 80% dintre proiectele AI eșuează, de două ori mai des decât proiectele IT fără AI | Interviuri cu 65 de specialiști în date și ingineri cu cel puțin cinci ani de experiență, despre cauzele eșecului | Cifra de 80% e preluată din estimări anterioare, nu măsurată de RAND |
| MIT NANDA, iulie 2025 | 95% dintre organizații fără niciun câștig din AI generativ; doar 5% dintre soluțiile enterprise au ajuns în producție | Peste 300 de proiecte AI făcute publice, interviuri în 52 de organizații, un sondaj cu 153 de manageri, din ianuarie până în iunie 2025 | Rezultate preliminare, fără evaluare academică; succes înseamnă impact măsurabil în profit la circa șase luni după pilot |
| Gartner, iulie 2024 | Cel puțin 30% dintre proiectele de AI generativ abandonate după faza de test până la finalul lui 2025 | Predicție de analist | O prognoză, nu o numărătoare de proiecte |
| Gartner, iunie 2025 | Peste 40% dintre proiectele cu agenți AI anulate până la finalul lui 2027 | Predicție de analist | O prognoză, nu o numărătoare de proiecte |
| McKinsey, august 2026 | 37% dintre respondenți văd măcar un impact al AI asupra EBIT; circa 6% sunt „high performers” | Sondaj online global, 1.719 participanți, din mai până în iunie 2026 | Răspunsuri declarate de respondenți, în mare parte din organizații mari |
Chiar eșuează 95% dintre proiectele AI?
Nu în sensul din titlurile de presă. Raportul MIT NANDA spune că 95% dintre organizațiile din eșantion nu obțineau niciun câștig din AI generativ și că cele mai multe soluții enterprise s-au oprit înainte de producție: 60% dintre organizații le-au evaluat, 20% au ajuns la un pilot și doar 5% în producție. Nota de metodologie definește succesul ca implementare dincolo de pilot, cu indicatori măsurabili, iar câștigul e măsurat la șase luni după pilot. Chiar și autorii spun că cifrele sunt „corecte ca direcție”, pentru că vin din interviuri, nu din raportările firmelor.
Criticii, inclusiv cercetători care au analizat raportul, observă că e preliminar, nu a trecut printr-o evaluare academică, se bazează pe un eșantion mic, ales voluntar, și nu vede câștigurile care nu apar în profit în primele șase luni. Toate obiecțiile sunt corecte. Asta nu face concluzia inutilă. Explicația raportului pentru blocaj (aplicații care nu se potrivesc cu munca de zi cu zi, nu învață din corecturi și nu sunt legate de sistemele folosite de oameni) se potrivește cu ce auzise RAND de la specialiști cu un an înainte. Același raport arată că proiectele făcute cu parteneri externi au ajuns în producție de circa două ori mai des decât cele construite intern. Concluzia asta ne avantajează, așa că o cităm cu aceeași prudență ca pe restul.
De ce eșuează proiectele AI? Șapte cauze care se repetă
RAND numește cinci cauze principale, iar cea mai frecventă e că oamenii implicați înțeleg greșit sau comunică prost ce problemă ar trebui să rezolve AI. Predicțiile Gartner adaugă costurile, valoarea de business neclară și controlul slab al riscurilor. În proiectele noastre, aceleași cauze apar într-o formă foarte concretă. Pentru fiecare, mai jos găsești și ce faci în schimb.
1. Nicio problemă clară și niciun punct de plecare măsurat
Proiectul pornește de la tehnologie („ar trebui să folosim AI”), nu de la un proces care costă. Fără o măsurătoare inițială (ore pe săptămână, rată de erori, timp de procesare), nimeni nu poate spune la final dacă proiectul a mers. Exact asta e „valoarea de business neclară” din lista Gartner. Ce faci în schimb: numești un singur proces, într-o propoziție, îl măsori așa cum funcționează azi și stabilești cifra de succes înainte de prima linie de cod.
2. Automatizezi un proces care nu funcționează
AI pus peste un proces care nu merge nici când îl face un om produce aceeași dezordine, doar mai repede și mai scump. Ce faci în schimb: repari întâi pașii. Elimini ce nu trebuie să existe, apoi decizi ce merită automatizat. Adesea primul proiect potrivit e optimizarea proceselor, iar AI vine după.
3. Datele nu sunt pregătite
A doua cauză din raportul RAND e lipsa datelor de care sistemul are nevoie, iar Gartner pune calitatea slabă a datelor pe primul loc. În firmele mici și mijlocii problema e de obicei accesul, nu volumul: datele stau în PDF-uri, în emailuri și în Excel-uri pe care niciun sistem nu le poate citi. Ce faci în schimb: verifici pe înregistrări reale că datele pot fi exportate și accesate de un sistem și strângi în jur de cincizeci de exemple verificate de rezultat corect înainte să alegi un model.
4. Nu răspunde nimeni de proiect
Un pilot susținut de un comitet e abandonat în săptămâna în care sponsorul are alte priorități. Ce faci în schimb: un responsabil numit, cu autoritatea să schimbe procesul, și un om care supraveghează rezultatul după lansare. Dacă nu poți numi pe nimeni, proiectul nu e gata să înceapă.
5. Pilotul nu ajunge niciodată în producție
Acesta e blocajul descris de MIT NANDA: o demonstrație care merge separat, dar nu e legată de ERP, CRM sau aplicația de tichete în care se lucrează, așa că oamenii continuă să facă treaba ca înainte. A patra cauză din RAND, lipsa infrastructurii pentru a pune modelele în producție și a le administra, e aceeași problemă văzută din partea tehnică. Ce faci în schimb: planifici integrarea din prima zi și tratezi pilotul ca pe prima versiune a unui sistem de producție, nu ca pe un experiment separat.
6. Niciun om nu verifică rezultatul
Un sistem care acționează asupra banilor, clienților sau documentelor juridice fără verificare greșește o dată, vizibil, și e oprit. Gartner trece controlul slab al riscurilor în ambele predicții. Ce faci în schimb: stabilești unde aprobă sau corectează un om, păstrezi un set de evaluare cu care testezi fiecare schimbare și relaxezi verificarea doar când rezultatele o justifică.
7. Costurile n-au fost estimate
Costurile în creștere apar în ambele predicții Gartner, iar în sondajul McKinsey din 2026 un respondent din cinci spune că AI-ul costă prea mult în funcționare ca să-l extindă. Surpriza nu e de obicei factura modelului, ci construcția, timpul oamenilor și întreținerea. Ce faci în schimb: estimezi totul înainte să începi, pornind de la volume reale. Articolul nostru despre costul implementării AI arată metoda.
Cum eviți eșecul unui proiect AI?
Ca să eviți eșecul, contează mai ales ordinea: decizi ce schimbi și cum măsori rezultatul înainte să plătești pentru construcție. Așa ne organizăm și noi munca, pe pașii descriși în pagina Cum lucrăm:
- Întâi analiza. Analiza arată cum circulă de fapt munca, unde se blochează și cât costă, și se încheie cu un document scris. În timpul ei nu scriem cod, iar ideile slabe se elimină acolo, unde e ieftin.
- Măsori punctul de plecare. Cifra de succes se stabilește înainte de construcție, pe procesul așa cum funcționează azi, ca rezultatul să poată fi verificat, nu doar discutat.
- Ajungi în producție. Prima versiune e legată de sistemele pe care echipa le folosește deja, cu puncte de verificare și limite de buget, ca să fie folosită din prima săptămână, nu doar prezentată.
- Predai sistemul. Totul e documentat, ca echipa clientului să-l poată administra fără noi, inclusiv setul de evaluare și ce faci când modelul greșește.
Înainte de toate astea, e util să știi dacă firma e pregătită. Checklist-ul nostru de pregătire AI acoperă condițiile de bază în douăsprezece întrebări. Când firma e pregătită, serviciul nostru de integrare AI aplică acești patru pași, câte un flux pe rând.
Lista de verificare „pre-mortem”
Un pre-mortem e un exercițiu simplu: echipa își imaginează că proiectul a eșuat deja și spune de ce. Treceți prin întrebările de mai jos înainte să aprobați bugetul. Fiecare „nu” e o cauză probabilă de eșec.
- Putem numi procesul într-o propoziție și știm cât ne costă azi, în ore sau în erori?
- Procesul funcționează când îl face un om?
- Poate un sistem să ajungă la date fără ca cineva să le copieze de mână și avem exemple de rezultat corect?
- Există un responsabil numit și un om care va supraveghea rezultatul după lansare?
- Integrarea cu sistemele existente e în plan și în buget, nu lăsată pentru după pilot?
- Știm unde trebuie să verifice un om rezultatul înainte să se acționeze pe baza lui?
- Am estimat construcția, costul lunar de operare și întreținerea, pornind de la volume reale?
- Am stabilit cifra după care judecăm succesul și data la care o verificăm?
Când nu merită să pornești un proiect AI?
Când sarcina apare doar de câteva ori pe lună, când o regulă simplă sau o integrare ar rezolva-o, sau când lista de mai sus are mai mult de două răspunsuri „nu”. În aceste cazuri, proiectul util e unul de procese sau de sisteme, iar AI devine un al doilea pas firesc. Un „nu” spus devreme nu e un eșec. E cel mai ieftin rezultat pe care îl poate avea un proiect AI.
Pe scurt
- Ratele de eșec citate des vin din măsurători diferite: RAND citează estimări de peste 80%, MIT NANDA a găsit 95% dintre organizații fără câștig măsurabil din AI generativ, Gartner prevede rate mari de abandon, iar McKinsey arată că doar 37% dintre respondenți văd vreun impact asupra EBIT.
- Cauzele sunt aceleași în toate studiile: o problemă neclară, date nepregătite și piloți care nu sunt integrați în munca reală.
- Șapte cauze practice se repetă: lipsa unui punct de plecare, un proces stricat, date nepregătite, niciun responsabil, nicio integrare în producție, nicio verificare umană și costuri neestimate.
- Le eviți dacă pornești cu analiza, măsori punctul de plecare, construiești de la început pentru producție și predai un sistem pe care echipa ta îl poate administra.
Surse
- RAND Corporation, J. Ryseff, B. F. De Bruhl, S. J. Newberry, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, RR-A2680-1, august 2024.
- MIT NANDA, A. Challapally, C. Pease, R. Raskar, P. Chari, The GenAI Divide: State of AI in Business 2025, iulie 2025, rezultate preliminare.
- Gartner, Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept By End of 2025, comunicat de presă, 29 iulie 2024.
- Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, comunicat de presă, 25 iunie 2025.
- McKinsey & Company, The state of AI in 2026: On the road to ROI, 25 august 2026.
- Toate cifrele au fost verificate la sursă pe 7 octombrie 2026.
