Proč selhává 42 % projektů s umělou inteligencí: skutečné důvody onoho masakru
Nepříjemná pravda o investicích do AI
Každé čtvrtletí přináší nadšená oznámení o nových iniciativách v oblasti umělé inteligence. Evropské společnosti investují miliardy do transformace pomocí umělé inteligence. Sliby jsou velkolepé: výrazné zvýšení efektivity, nové poznatky, konkurenční výhody, které by mohly přetvořit celá odvětví.
A realita? Většina těchto projektů spektakulárně selhává. Nejen že zaostávají za očekáváním nebo se opožďují. Selhávají úplně. Jsou opuštěny dříve, než se dostanou do produkce, odepsány jako drahá poučení, týmy rozpuštěny, rozpočty spáleny.
A míra selhávání se znepokojivě zrychluje.
Čísla, která by měla děsit každého technického ředitele
Zde je číslo, které by mělo děsit každého technického ředitele plánujícího rozpočet na rok 2025: 42 % společností v roce 2025 opustilo většinu svých iniciativ v oblasti umělé inteligence dříve, než se dostaly do produkce. To je nárůst z pouhých 17 % v předchozím roce. Meziroční nárůst míry selhávání o 147 %.
Nechte to chvíli působit. Téměř polovina všech projektů umělé inteligence je zcela zrušena. Ne odložena na druhé čtvrtletí. Ne omezena do doby, než bude zajištěno další financování. Zcela opuštěna. Odepsána. Prezentace v PowerPointu sbírající digitální prach v SharePointu. Archivované tabule v Jira. Ztichlé kanály na Slacku.
A je to podstatně horší. Podle průzkumu S&P Global Market Intelligence z roku 2025, který zahrnoval více než 1 000 podniků v Severní Americe a Evropě, průměrná organizace zahodila 46 % svých důkazů konceptu v oblasti umělé inteligence před jejich implementací. To není míra selhávání. To je krveprolití. Evropské společnosti, které mají užší trhy rizikového kapitálu než jejich protějšky ze Silicon Valley, tuto bolest pociťují obzvlášť citelně. Každý opuštěný důkaz konceptu představuje nejen utopené náklady, ale i náklady příležitosti, konkurenční půdu přenechanou rivalům, kteří svou umělou inteligenci nějak zprovoznili.
Výzkum MIT ukazuje ještě pochmurnější obraz: 95 % podnikových pilotních projektů umělé inteligence nepřinese měřitelný finanční dopad. Pouze 5 % dosáhne rychlého růstu příjmů. Zbytek se vleče a na hospodářský výsledek má jen minimální nebo žádný vliv. Společnost Gartner předpověděla, že do konce roku 2025 bude nejméně 30 % projektů generativní umělé inteligence opuštěno po fázi důkazu konceptu kvůli špatné kvalitě dat, nedostatečné kontrole rizik, rostoucím nákladům nebo nejasné obchodní hodnotě. Byli konzervativní. Skutečná čísla jejich předpovědi překonala.
Jinými slovy: revoluce umělé inteligence, o které se nadšeně hovoří na každé technologické konferenci, je ve skutečnosti hřbitovem neúspěšných experimentů, spáleného kapitálu a slibů, které se nikdy nenaplnily. Za každou tiskovou zprávou oznamující „iniciativy transformace pomocí umělé inteligence" stojí zasedací místnosti, kde se vedoucí pracovníci tiše ptají, proč jejich investice ve výši 2 milionů eur nepřinesla nic použitelného.
Skutečné důvody, proč projekty umělé inteligence selhávají: není to to, co si myslíte
Co tedy tuto spoušť skutečně způsobuje? Když společnost BCG oslovila 1 000 manažerů z 59 zemí, zjistili něco překvapivého: nejsou to algoritmy umělé inteligence, které selhávají. Selhává téměř všechno ostatní.
Rozdělení je jednoznačné: přibližně 70 % problémů při zavádění umělé inteligence pramení z lidí a procesů. Dalších 20 % pochází z problémů s technologiemi a datovou infrastrukturou. Pouhých 10 % se týká samotných algoritmů umělé inteligence, přestože právě tyto algoritmy pohlcují neúměrné množství času a zdrojů organizace.
Pojďme si rozebrat skutečné viníky, kteří zabíjejí projekty umělé inteligence.
Krize kvality dat: proč 43 % organizací nemůže vůbec začít
Podle průzkumu CDO Insights 2025 společnosti Informatica je kvalita a připravenost dat překážkou číslo jedna pro úspěch umělé inteligence, uvádí ji 43 % organizací. A není to těsné druhé místo. Je to největší bariéra, která brání projektům umělé inteligence vůbec odstartovat.
Výzkum společnosti Gartner to činí ještě konkrétnějším: do roku 2026 organizace opustí 60 % projektů umělé inteligence, kterým chybí data připravená pro umělou inteligenci. To není předpověď o pokročilých okrajových případech. To je prohlášení o základních předpokladech.
Společnost Deloitte zjistila, že 80 % projektů umělé inteligence a strojového učení naráží na potíže související s kvalitou dat a správou dat. Šedesát tři procent organizací buď nemá správné postupy pro správu dat pro umělou inteligenci, nebo si není jistých, zda je má.
Co „špatná kvalita dat“ v praxi skutečně znamená? Znamená to data roztroušená po nekompatibilních systémech. Znamená to chybějící hodnoty, nekonzistentní formáty, duplicitní záznamy. Znamená to data, která nikdy nebyla navržena pro strojové učení, byla shromážděna pro úplně jiné účely a nyní jsou nucena do tréninkových pipeline, kde rozbíjejí všechno.
Evropské společnosti čelí dalším datovým omezením, kterým se američtí konkurenti často dokážou vyhnout. GDPR správně omezuje, jaké osobní údaje lze shromažďovat a jak je lze používat. Přísnější přístup EU k ochraně soukromí znamená, že evropské zdravotnické společnosti nemohou jednoduše seškrabávat miliony záznamů o pacientech tak, jak to některé americké firmy dělají. Evropské finanční instituce podléhají přísnější správě dat než jejich protějšky z Wall Street.
Tyto předpisy jsou nezbytné a vhodné. Ale znamenají, že evropské společnosti potřebují přístupy k AI, které fungují s menším množstvím dat, čistšími postupy při práci s daty a přísnější správou od samého začátku. Přístup „vše nasbírat a roztřídit později", který fungoval v Silicon Valley, prostě nepřichází v úvahu.
Krize dovedností: Proč 70 % evropských firem nemůže najít talenty pro AI
I když mají firmy dobrá data, narazí na další zásadní překážku: najít lidi, kteří je skutečně umějí využít. Třicet pět procent organizací uvádí nedostatek dovedností jako hlavní překážku úspěchu AI. V Evropě je problém ještě naléhavější.
Přes 70 procent podniků v EU uvádí, že nedostatek digitálně zdatných zaměstnanců brání dalším investicím do technologií. Nejde tu o to, že by bylo potřeba více datových vědců s doktorátem. Jde o celý organizační ekosystém, který je k fungování AI zapotřebí.
Potřebujete datové inženýry, kteří umějí postavit spolehlivá datová potrubí. Potřebujete specialisty na MLOps, kteří rozumějí infrastruktuře nasazení. Potřebujete doménové experty, kteří dovedou převést obchodní problémy na cíle strojového učení. Potřebujete produktové manažery, kteří rozumějí jak možnostem AI, tak potřebám trhu. Potřebujete compliance specialisty, kteří se vyznají v evropském aktu o AI.
Evropské firmy soutěží o tento talent s americkými společnostmi, které nabízejí platy v hodnotách ze Silicon Valley a přitom umožňují práci na dálku ze Stockholmu, Berlína nebo Amsterodamu. Zkušený inženýr strojového učení může v Mnichově dostat 120 000 eur, ale od sanfranciské firmy najímající v Evropě 200 000 eur. Propast v rizikovém kapitálu znamená, že evropské startupy na takové nabídky nemohou dosáhnout.
Výsledek? Projekty AI vedené týmy, které nemají správné odborné znalosti, dělají architektonická rozhodnutí, která projekt odsoudí k zániku už od začátku. Volí frameworky, které nedokážou řádně nasadit. Stavějí modely, které nedokážou udržovat. Vytvářejí technický dluh, který narůstá, až se celá iniciativa zhroutí.
Past nákladů: Když účty za GPU překročí projekce příjmů
Společnost NTT DATA zjistila, že 70 až 85 % snah o nasazení generativní AI nesplní požadované cíle návratnosti investic. Hlavní viník? Náklady, které se vymknou původním odhadům.
Trénování velkých neuronových sítí vyžaduje drahou infrastrukturu GPU. NVIDIA H100 stojí kolem 30 000 eur a obvykle potřebujete více jednotek pracujících paralelně. Evropské ceny elektřiny v průměru 0,20 eura za kilowatthodinu oproti 0,10 eura ve Spojených státech znamenají, že náklady na trénování jsou při stejném výpočtu doslova dvojnásobné.
Náklady na inferenci představují průběžný výdaj, který mnoho firem podceňuje. Ta neuronová síť obsluhující požadavky zákazníků? Může vyžadovat GPU instanci za 3 000 EUR měsíčně běžící 24/7. Při škálování na tisíce požadavků za sekundu se dostanete k nákladům na infrastrukturu, které činí celý obchodní model neudržitelným.
Evropské firmy s omezenějšími kapitálovými možnostmi než jejich protějšky v Silicon Valley vnímají tuto ekonomiku jako obzvlášť tvrdou. Američtí konkurenti si mohou dovolit provozovat ztráty, dokud nedosáhnou potřebného rozsahu. Evropské firmy potřebují ziskovost mnohem dříve, takže vysoké náklady na infrastrukturu představují přímou cestu ke zrušení projektu.
Vakuum obchodní hodnoty: když vedení požaduje návratnost investic
Výzkum společnosti BCG zjistil, že 74 % firem zatím neprokázalo hmatatelnou hodnotu z využívání umělé inteligence. To znamená, že tři čtvrtiny organizací nedokážou vykázat smysluplnou návratnost svých investic do AI.
Toto není technický problém. Je to problém strategický. Organizace spouštějí iniciativy v oblasti umělé inteligence bez jasných obchodních cílů. Vytvářejí modely, které řeší zajímavé technické výzvy, ale neřeší skutečné potřeby byznysu. Připravují působivé demonstrace, které se nepromítají do příjmů, úspor nákladů ani konkurenční výhody.
Společnost Gartner označila „nejasnou obchodní hodnotu" za jeden z hlavních důvodů, proč jsou projekty AI po ověření konceptu opuštěny. Vedení schvaluje pilotní projekty na základě nadšení z potenciálu umělé inteligence. O šest měsíců později požaduje dopad na hospodářský výsledek. Když týmy nedokážou prokázat měřitelné finanční výsledky, financování se vypaří.
Evropské firmy zde čelí dalšímu tlaku. Užší kapitálové trhy znamenají menší trpělivost se spekulativními investicemi. Americké společnosti mohou financovat výzkum AI po léta na základě argumentů o strategickém postavení. Evropské správní rady chtějí vidět návratnost v řádu čtvrtletí, ne let.
Nový přístup: efektivita jako řešení
Vzhledem k těmto výzvám, problémům s kvalitou dat, nákladovým omezením, nedostatku dovedností a nejasné návratnosti investic, jaké strategie skutečně fungují? Úspěšná nasazení AI mají společné rysy: jsou efektivní z hlediska zdrojů, pracují s méně než dokonalými daty, rychle prokazují jasnou obchodní hodnotu a nevyžadují specializovanou infrastrukturu ani vzácné odborné znalosti.
A právě zde se stávají zajímavými alternativní architektonické přístupy. Místo škálování pomocí výkonnějších GPU, větších datových sad a větších modelů některé organizace dosahují úspěchu chytrým škálováním: využívají zásadně efektivnější matematické základy, které řeší klíčová omezení.
Binární a nízkobitové neuronové sítě představují jeden takový přístup. Místo tradiční 32bitové aritmetiky s plovoucí desetinnou čárkou tyto systémy pracují s výrazně zjednodušenými číselnými reprezentacemi. Praktické přínosy přímo řeší způsoby selhání, o kterých jsme hovořili.
Snižení nákladů je okamžité a výrazné. Binární operace spotřebují zlomek energie potřebné pro výpočty s plovoucí desetinnou čárkou. Modely, které by vyžadovaly špičkové GPU clustery, mohou efektivně běžet na běžné CPU infrastruktuře. To mění ekonomiku: trénink, který na GPU infrastruktuře stojí 500 000 EUR, může na CPU serverech proběhnout za 40 000 EUR. Inferenční provoz, který vyžaduje GPU instance za 3 000 EUR měsíčně, lze provozovat na CPU kapacitě za 200 EUR měsíčně.
Pro evropské firmy, které čelí dvojnásobným nákladům na elektřinu ve srovnání se Spojenými státy, se tato efektivita stává strategicky významnou. Nejde jen o nižší účty; jde o to, aby se celé třídy aplikací umělé inteligence staly ekonomicky životaschopnými, což dříve nebylo možné.
Datová efektivita se zlepšuje, protože jednodušší aritmetika může znamenat robustnější učení z menších datových sad. Zatímco konvenční hluboké učení často vyžaduje obrovské objemy dat částečně kvůli překonání nestabilit při trénování, více omezené architektury mohou vynutit lepší generalizaci z omezeného počtu příkladů.
Z technického hlediska binární operace eliminují určité třídy numerických problémů, které sužují systémy s plovoucí řádovou čárkou. Ačkoli žádný systém není dokonalý, matematická jednoduchost může zlepšit reprodukovatelnost a konzistenci při testování, což je důležité zejména pro shodu s předpisy.
Implementace společnosti Dweve: Evropský přístup k infrastruktuře pro umělou inteligenci
Ve společnosti Dweve jsme celou naši platformu postavili na těchto principech efektivity, konkrétně navržených tak, aby řešily omezení, kterým čelí evropské společnosti. Náš přístup nespočívá v tom, že bychom se snažili vyrovnat rozsahu Silicon Valley; jde o zásadně odlišnou ekonomiku a architektonická rozhodnutí.
Core, náš rámec pro binární neuronové sítě, implementuje 1 930 hardwarově optimalizovaných algoritmů pracujících na diskrétní matematice. Praktický dopad řeší několik z diskutovaných způsobů selhání: výrazně nižší náklady na infrastrukturu, díky nimž jsou projekty ekonomicky životaschopné v rámci evropských rozpočtů, lepší datovou efektivitu díky učení založenému na omezeních, které pracuje s menšími a kvalitnějšími datovými sadami, místo aby vyžadovalo masivní sběr dat v měřítku internetu, a lepší soulad s požadavky nařízení EU o umělé inteligenci díky transparentnějším a vysvětlitelným rozhodovacím cestám.
Loom, náš model specializovaný na 456 domén, ukazuje, jak se tato efektivita promítá do produkčních schopností. Běží na infrastruktuře s CPU, což znamená, že evropské společnosti jej mohou nasadit bez měsíce dlouhého čekání na přidělení GPU nebo bez zranitelnosti vůči americkým exportním kontrolám pokročilých čipů. Náklady na trénování klesají ze stovek tisíc na desítky tisíc eur. Inference se škáluje ekonomicky, protože neplatíte za drahý čas akcelerátorů.
To řeší nákladovou past, která zabíjí mnoho projektů. Když jsou vaše náklady na infrastrukturu o 90 % nižší, obchodní modely, které byly dříve nemožné, se stávají životaschopnými. Evropské společnosti mohou soutěžit efektivitou, místo aby se snažily vyrovnat americkému rozsahu.
Z regulačního hlediska poskytují binární operace výhody v konzistenci. Při našem testování v různých hardwarových a softwarových prostředích jsme pozorovali vysoce reprodukovatelné chování. To je nesmírně důležité pro odvětví, kde nařízení EU o zdravotnických prostředcích nebo předpisy pro finanční služby vyžadují deterministické a auditovatelné systémy umělé inteligence.
Problém s nedostatkem dovedností se zjednodušuje, když vaše umělá inteligence běží na standardní infrastruktuře, které vaše stávající infrastrukturní týmy již rozumějí. Nepotřebujete vzácné specialisty na optimalizaci CUDA nebo distribuované trénování GPU. Vaši současní inženýři mohou nasazovat, monitorovat a udržovat systémy běžící na známých serverech s CPU.
Evropská výhoda: Ekonomika a suverenita
Zde je důvod, proč jsou binární neuronové sítě obzvláště důležité pro evropské společnosti, které se pohybují v přísnějších kapitálových trzích a čelí přísnějším předpisům než jejich americké protějšky.
Konvenční přístup k umělé inteligenci zvýhodňuje ty, kdo mají nejvíce výpočetního výkonu, nejvíce dat a nejvíce peněz. To je hra, kterou američtí technologičtí giganti vždy vyhrají. Mají infrastrukturu datových center budovanou po celá desetiletí. Mají úspory z rozsahu díky milionům uživatelů. Mají kumulované výhody z ovládání vyhledávačů, sociálních sítí a cloudových platforem.
Evropské společnosti, které se snaží konkurovat v této konvenční hře s umělou inteligencí, čelí strukturálním nevýhodám. Evropský rizikový kapitál v roce 2024 získal 37 miliard eur, což je působivé, dokud si neuvědomíte, že to je méně než pětina kapitálu, který investuje Silicon Valley. Průměrné náklady na elektřinu v Evropě činí 0,20 eura za kWh oproti 0,10 eura v USA, takže výpočetně náročné trénování je dvakrát dražší. Evropské předpisy o ochraně údajů správně omezují, jaká trénovací data mohou společnosti shromažďovat, zatímco američtí konkurenti vysávají všechno.
Binární neuronové sítě tuto rovnici zcela mění. Nepotřebují obří GPU klastry spotřebovávající megawatty. Nepotřebují datové sady v petabajtovém měřítku sesbírané z internetu. Efektivně fungují na běžné CPU infrastruktuře, kterou evropské společnosti už vlastní a provozují. Trénování, které na GPU klastrech stojí 500 000 eur, proběhne na CPU serverech za 40 000 eur. Modely, které vyžadují akcelerátory s příkonem 1 200 W, běží na procesorech s příkonem 50 W.
Takto Evropa konkuruje v oblasti umělé inteligence: ne tím, že dohání náskok ve hře, která je nastavená proti evropským strukturálním realitám, ale tím, že mění základní pravidla pomocí lepší matematiky.
Celý technologický stack společnosti Dweve je na tomto základu postaven. Core poskytuje framework pro binární neuronové sítě. Loom implementuje model inteligence specializovaný na 456 domén. Nexus koordinuje multiagentní systémy. Aura umožňuje autonomní vývoj. Fabric to všechno propojuje. Mesh to distribuuje globálně.
Vše běží efektivně na evropské infrastruktuře. Žádná závislost na akcelerátorech NVIDIA s dodacími lhůtami v řádu měsíců. Žádná strategická zranitelnost vůči americkým exportním kontrolám pokročilých čipů. Žádná matematická nestabilita, která by ničila produkční nasazení.
Nařízení EU o umělé inteligenci to činí povinným
Evropské společnosti nemají tu možnost volby, zda se těmito problémy zabývat. Nařízení EU o umělé inteligenci, které vstoupilo v platnost 1. srpna 2024, činí deterministickou a vysvětlitelnou umělou inteligenci právně povinnou pro vysoce rizikové aplikace.
Článek 13 vyžaduje, aby systémy umělé inteligence s vysokým rizikem byly navrženy pro transparentnost. Provozovatelé musí být schopni interpretovat výstupy systému a vhodně je používat. Článek 50 ukládá poskytovatelům modelů umělé inteligence pro obecné účely povinnost dokumentovat trénovací data, postupy testování a omezení systému. Nařízení se postupně zavádí do roku 2026, přičemž nejkritičtější povinnosti jsou již závazné pro systémy nasazené v roce 2025.
Meeting these requirements with conventional AI systems presents significant challenges. European healthcare companies attempting to certify AI diagnostic tools under the Medical Device Regulation struggle with reproducibility requirements. Financial institutions deploying AI for credit decisions under consumer protection law discover that regulatory explainability demands precise documentation of decision processes.
Alternative approaches like binary neural networks offer advantages here. Binary operations avoid certain classes of floating-point numerical variability. In our testing at Dweve, inference produces consistent, reproducible results across different hardware and software environments. Decision paths trace through discrete mathematical operations with clear logical structure rather than requiring interpretation of billions of continuous parameters. Model behavior can be documented with mathematical precision.
For European companies deploying AI in regulated industries, this isn't optional. The EU AI Act mandates transparency and consistent, auditable behavior for high-risk systems. Architectural approaches that provide these properties become necessary, not merely advantageous.
What Actually Works: Lessons from the 5% That Succeed
BCG's research identified what separates successful AI deployments from the 74% that fail to show tangible value. The winners invert conventional resource allocation: they spend 50-70% of timeline and budget on data readiness, governance, and quality controls. Only 10% goes to algorithms.
They solve the people problem first. They invest in change management, workflow integration, and organizational adaptation. They build teams with the right mix of data engineering, domain expertise, and business acumen, not just machine learning PhDs.
They demonstrate clear business value early. They choose projects with measurable financial impact, not technically impressive demonstrations. They connect AI capabilities directly to P&L outcomes executives can verify.
And increasingly, they choose architecturally efficient approaches that work within European constraints rather than requiring Silicon Valley economics.
The Path Forward: Addressing Root Causes
The AI industry stands at an inflection point in 2025. Failure rates climbing 147% year-over-year signal fundamental problems that throwing more money at conventional approaches won't solve. European companies face particular pressure: tighter capital markets, higher energy costs, stricter regulations, and talent competition with American companies offering Silicon Valley packages.
The solution isn't abandoning AI. It's recognizing what actually causes failures and addressing those root causes systematically: investing in data quality from the beginning, recognizing that AI deployment is fundamentally a people and process challenge, proving business value quickly with targeted deployments, and choosing technically efficient architectures that work within real-world constraints.
For European companies, this means playing to different advantages. You won't out-scale American competitors. But you can out-engineer them with more efficient approaches. You can't match Silicon Valley's data collection practices, but GDPR-compliant methods can produce higher-quality training data. You can't compete on GPU cluster size, but CPU-efficient architectures eliminate that disadvantage entirely.
At Dweve, we built our platform specifically for these realities. Binary neural networks running on standard infrastructure, designed for European regulatory requirements, optimized for data efficiency rather than data scale. Not because we're opposed to floating-point arithmetic philosophically, but because the economics and regulations European companies face demand different solutions.
The 2024-2025 failure statistics tell a clear story. Organizations that don't address data quality, skills gaps, cost management, and business value alignment will continue failing regardless of which algorithms they use. Those that solve these fundamental problems have a chance at success.
The Real Truth About AI Failures
AI project failures aren't primarily technical problems. They're organizational, economic, and strategic problems that manifest as technical failures.
Forty-three percent struggle with data quality. Seventy percent face people and process challenges. Seventy-four percent can't demonstrate business value. Seventy to eighty-five percent of GenAI deployments fail to meet ROI targets.
These aren't algorithm problems. They're foundational problems that need to be solved before choosing algorithms matters.
Your next AI project doesn't have to join the 42% that get abandoned. But avoiding failure requires recognizing what actually causes it: poor data practices, insufficient organizational change management, unclear business objectives, unsustainable costs, and architectures that don't match real-world constraints.
Fix those problems, and technical approaches that were impossible become viable. Ignore them, and even the most sophisticated AI will fail.
The truth about AI success is unglamorous: it's data governance, workflow integration, economic viability, and clear business metrics. Everything else is just implementation detail.