Zašto 42% AI projekata propada: stvarni razlozi iza neuspjeha
Neugodna istina o ulaganjima u umjetnu inteligenciju
Svakog tromjesečja stižu oduševljene najave novih inicijativa u području umjetne inteligencije. Europske tvrtke ulažu milijarde eura u transformaciju temeljenu na umjetnoj inteligenciji. Obećanja su velika: značajna povećanja učinkovitosti, novi uvidi, konkurentske prednosti koje bi mogle preoblikovati industrije.
A stvarnost? Većina tih projekata doživi spektakularan neuspjeh. Ne samo da ne ispune očekivanja ili kasne. U potpunosti propadnu. Napušteni prije nego što dođu u produkciju, otpisani kao skupa iskustva, timovi raspušteni, proračuni spaljeni.
A stopa neuspjeha uznemirujuće se ubrzava.
Brojke koje bi trebale prestrašiti svakog glavnog tehničkog direktora
Evo brojke koja bi trebala prestrašiti svakog glavnog tehničkog direktora koji planira proračun za 2025.: 42% tvrtki napustilo je većinu svojih inicijativa u području umjetne inteligencije prije nego što su došle u produkciju u 2025. To je porast u odnosu na samo 17% prethodne godine. Povećanje stope neuspjeha od 147% u dvanaest mjeseci.
Pustite da to malo odjekne. Gotovo polovica svih projekata umjetne inteligencije u potpunosti se odbacuje. Ne odgađa za drugi kvartal. Ne smanjuje zbog čekanja na dodatno financiranje. U potpunosti se napušta. Otpisuje. PowerPoint prezentacije skupljaju digitalnu prašinu u SharePointu. Jira ploče arhivirane. Slack kanali utihnuli.
A postaje znatno gore. Prema istraživanju S&P Global Market Intelligence iz 2025. provedenom na više od 1.000 poduzeća u Sjevernoj Americi i Europi, prosječna je organizacija odbacila 46% svojih dokaza koncepta umjetne inteligencije prije implementacije. To nije stopa neuspjeha. To je pokolj. Europske tvrtke, sa skučenijim tržištima rizičnog kapitala od svojih kolega iz Silicijske doline, tu bol osjećaju posebno snažno. Svaki odbačeni dokaz koncepta ne predstavlja samo nepovratne troškove, već i oportunitetne troškove, prepuštanje konkurentskog terena suparnicima koji su nekako uspjeli natjerati svoju umjetnu inteligenciju da radi.
Istraživanje MIT-a oslikava još mračniju sliku: 95% pilot-projekata umjetne inteligencije u poduzećima ne uspijeva ostvariti mjerljiv financijski učinak. Samo njih 5% postiže brzo ubrzanje prihoda. Ostali zapnu, donoseći malo ili nimalo učinka na račun dobiti i gubitka. Gartner je predvidio da će do kraja 2025. najmanje 30% projekata generativne umjetne inteligencije biti napušteno nakon dokaza koncepta zbog loše kvalitete podataka, neodgovarajućih kontrola rizika, rastućih troškova ili nejasne poslovne vrijednosti. Bili su konzervativni. Stvarne su brojke premašile njihova predviđanja.
Drugim riječima: revolucija umjetne inteligencije o kojoj se oduševljeno raspravlja na svakoj tehnološkoj konferenciji zapravo je groblje neuspjelih eksperimenata, spaljenog kapitala i obećanja koja se nikada nisu ostvarila. Iza svakog priopćenja za medije koje najavljuje "inicijative za transformaciju umjetnom inteligencijom" stoje sobe za sastanke u kojima rukovoditelji tiho pitaju zašto njihovo ulaganje od 2 milijuna eura nije proizvelo ništa što bi se moglo primijeniti.
Pravi razlozi zbog kojih AI projekti propadaju: nije ono što mislite
Što zapravo uzrokuje ovaj pokolj? Kada je BCG anketirao 1.000 rukovoditelja u 59 zemalja, otkrili su nešto iznenađujuće: ne propadaju AI algoritmi. Propada gotovo sve ostalo.
Razlika je jasna: otprilike 70% izazova u implementaciji AI-ja proizlazi iz problema s ljudima i procesima. Dodatnih 20% dolazi od problema s tehnologijom i podatkovnom infrastrukturom. Samo 10% uključuje same AI algoritme, iako ti algoritmi troše nesrazmjerno mnogo vremena i resursa organizacije.
Razmotrimo stvarne krivce koji ubijaju AI projekte.
Kriza kvalitete podataka: zašto 43% ne može ni započeti
Prema anketi CDO Insights 2025 tvrtke Informatica, kvaliteta i spremnost podataka najveća je prepreka uspjehu AI-ja, što navodi 43% organizacija. I to ne kao tijesan drugi razlog. To je glavna prepreka koja sprječava AI projekte da uopće krenu.
Gartnerovo istraživanje to čini još konkretnijim: do 2026. organizacije će napustiti 60% AI projekata koji nemaju podatke spremne za AI. To nije predviđanje o naprednim rubnim slučajevima. To je izjava o temeljnim preduvjetima.
Deloitte je utvrdio da 80% AI projekata i projekata strojnog učenja nailazi na poteškoće povezane s kvalitetom podataka i upravljanjem podacima. Šezdeset tri posto organizacija ili nema odgovarajuće prakse upravljanja podacima za AI ili nije sigurno ima li ih.
Što "loša kvaliteta podataka" zapravo znači u praksi? Znači podatke raspršene po nekompatibilnim sustavima. Znači nedostajuće vrijednosti, nedosljedne formate, duplicirane zapise. Znači podatke koji nikada nisu bili namijenjeni za strojno učenje, prikupljane u potpuno druge svrhe, koji se sada prisilno guraju u cjevovode za treniranje gdje sve pokvare.
Europske tvrtke suočavaju se s dodatnim ograničenjima u pogledu podataka koja američki konkurenti često mogu zaobići. GDPR ispravno ograničava koje se osobne podatke smije prikupljati i kako se smiju koristiti. Stroži pristup EU-a privatnosti znači da europske zdravstvene tvrtke ne mogu jednostavno prikupiti milijune zapisa o pacijentima na način na koji su to činile neke američke tvrtke. Europske financijske institucije posluju pod strožim upravljanjem podacima od svojih kolega s Wall Streeta.
Ovi propisi su nužni i primjereni. No znače da europske tvrtke trebaju AI pristupe koji rade s manje podataka, čišćim praksama upravljanja podacima i strožim upravljanjem od prvog dana. Pristup "prikupi sve i razvrstaj kasnije" koji je funkcionirao u Silicijskoj dolini jednostavno nije opcija.
Kriza vještina: zašto 70 % europskih tvrtki ne može pronaći AI talente
Čak i kada tvrtke imaju dobre podatke, nailaze na sljedeću veliku prepreku: pronalazak ljudi koji ih doista znaju koristiti. Trideset pet posto organizacija navodi manjak vještina kao glavnu prepreku uspjehu umjetne inteligencije. U Europi je problem još izraženiji.
Više od 70 posto poduzeća u EU-u izvještava da nedostatak digitalno osposobljenog osoblja sprječava daljnja ulaganja u tehnologiju. Ovdje se ne radi o tome da treba više znanstvenika za podatke s doktoratima. Radi se o cijelom organizacijskom ekosustavu potrebnom da umjetna inteligencija funkcionira.
Potrebni su inženjeri za podatke koji mogu izgraditi pouzdane cjevovode. Potrebni su stručnjaci za MLOps koji razumiju infrastrukturu implementacije. Potrebni su stručnjaci za pojedino područje koji mogu prevesti poslovne probleme u ciljeve strojnog učenja. Potrebni su voditelji proizvoda koji razumiju i mogućnosti umjetne inteligencije i potrebe tržišta. Potrebni su stručnjaci za usklađenost koji se mogu snalaziti u EU aktu o umjetnoj inteligenciji.
Europske tvrtke natječu se za te talente s američkim tvrtkama koje nude kompenzacijske pakete iz Silicijske doline, a zaposlenici rade na daljinu iz Stockholma, Berlina ili Amsterdama. Viši inženjer strojnog učenja može tražiti 120.000 eura u Münchenu, ali 200.000 eura od tvrtke iz San Francisca koja zapošljava u Europi. Jaz u rizičnom kapitalu znači da europski startupi ne mogu pratiti te ponude.
Rezultat? Projekti umjetne inteligencije koje vode timovi bez odgovarajuće stručnosti, koji donose arhitektonske odluke koje projekt osuđuju na propast od samog početka. Odabiru okvire koje ne mogu pravilno implementirati. Grade modele koje ne mogu održavati. Stvaraju tehnički dug koji se gomila sve dok cijela inicijativa ne propadne.
Zamka troškova: kada računi za GPU nadmaše projekcije prihoda
NTT DATA otkrio je da 70-85 % napora za implementaciju generativne umjetne inteligencije ne uspijeva postići željene ciljeve povrata ulaganja. Glavni krivac? Troškovi koji izmiču kontroli i premašuju početne procjene.
Obuka velikih neuronskih mreža zahtijeva skupu GPU infrastrukturu. NVIDIA H100 košta oko 30.000 eura, a obično je potrebno više jedinica koje rade paralelno. Europski troškovi električne energije u prosjeku iznose 0,20 eura po kilovat-satu, u usporedbi s 0,10 eura u Sjedinjenim Državama, što znači da su troškovi obuke doslovno dvostruko veći za isti izračun.
Troškovi inferencije predstavljaju stalni izdatak koji mnoge tvrtke podcjenjuju. Ona neuronska mreža koja opslužuje korisničke zahtjeve? Možda zahtijeva GPU instancu od 3.000 € mjesečno koja radi 24 sata dnevno, 7 dana u tjednu. Skalirate li na tisuće zahtjeva u sekundi, suočavate se s infrastrukturnim troškovima koji cijeli poslovni model čine neodrživim.
Europske tvrtke s ograničenijim kapitalom od svojih kolega iz Silicijske doline posebno teško podnose ovakvu ekonomiku. Američki konkurenti mogu podnositi gubitke dok postižu skalu. Europske tvrtke moraju ostvariti profitabilnost mnogo ranije, što visoke infrastrukturne troškove čini izravnim putem u otkazivanje projekta.
Praznina poslovne vrijednosti: kada uprava zahtijeva povrat ulaganja
Istraživanje BCG-a pokazalo je da 74 % tvrtki još nije pokazalo opipljivu vrijednost svoje upotrebe umjetne inteligencije. To znači da tri četvrtine organizacija ne može dokazati smislen povrat svojih ulaganja u umjetnu inteligenciju.
Ovo nije tehnički problem. Ovo je strateški problem. Organizacije pokreću inicijative umjetne inteligencije bez jasnih poslovnih ciljeva. Grade modele koji rješavaju zanimljive tehničke izazove, ali ne odgovaraju na stvarne poslovne potrebe. Stvaraju dojmljive demonstracije koje se ne pretvaraju u prihod, uštede ili konkurentsku prednost.
Gartner je prepoznao „nejasnu poslovnu vrijednost" kao jedan od glavnih razloga napuštanja projekata umjetne inteligencije nakon dokaza koncepta. Uprava odobrava pilot projekte na temelju entuzijazma oko potencijala umjetne inteligencije. Šest mjeseci kasnije zahtijeva uvid u utjecaj na račun dobiti i gubitka. Kada timovi ne mogu pokazati mjerljive financijske rezultate, financiranje nestaje.
Europske tvrtke ovdje se suočavaju s dodatnim pritiskom. Uža tržišta kapitala znače manje strpljenja za spekulativna ulaganja. Američke tvrtke mogu financirati istraživanje umjetne inteligencije godinama na temelju argumenata o strateškom pozicioniranju. Europski upravni odbori žele vidjeti povrat unutar tromjesečja, ne godina.
Drugačiji pristup: učinkovitost kao rješenje
S obzirom na te izazove, probleme s kvalitetom podataka, troškovna ograničenja, manjak vještina i nejasan povrat ulaganja, koje strategije zapravo djeluju? Uspješne implementacije umjetne inteligencije dijele zajedničke karakteristike: učinkovito koriste resurse, rade s podacima koji nisu savršeni, brzo pokazuju jasnu poslovnu vrijednost i ne zahtijevaju specijaliziranu infrastrukturu ni rijetku stručnost.
Ovdje alternativni arhitektonski pristupi postaju zanimljivi. Umjesto skaliranja sa snažnijim GPU-ovima, većim skupovima podataka i većim modelima, neke organizacije postižu uspjeh pametnim skaliranjem: koristeći fundamentalno učinkovitije matematičke temelje koji rješavaju ključna ograničenja.
Binarne neuronske mreže i one s niskom bitnom širinom predstavljaju jedan takav pristup. Umjesto tradicionalne aritmetike s pomičnim zarezom od 32 bita, ti sustavi rade s dramatično pojednostavljenim numeričkim prikazima. Praktične prednosti izravno odgovaraju na načine neuspjeha o kojima smo raspravljali.
Smanjenje troškova je trenutačno i znatno. Binarne operacije troše djelić energije potrebne za računanje s pomičnim zarezom. Modeli koji bi zahtijevali vrhunske GPU klastere mogu učinkovito raditi na standardnoj CPU infrastrukturi. To mijenja ekonomiku: obuka koja na GPU infrastrukturi košta 500.000 € može se dovršiti za 40.000 € na CPU poslužiteljima. Inferencija koja zahtijeva GPU instance od 3.000 € mjesečno može se izvoditi na CPU kapacitetu od 200 € mjesečno.
Za europske tvrtke koje se suočavaju s dvostruko većim troškovima električne energije nego u Sjedinjenim Državama, ta prednost učinkovitosti postaje strateški značajna. Nije riječ samo o nižim računima; riječ je o tome da cijele klase aplikacija umjetne inteligencije postanu ekonomski održive, a prije to nisu bile.
Učinkovitost podataka poboljšava se jer jednostavnija aritmetika može značiti robusnije učenje iz manjih skupova podataka. Dok konvencionalno duboko učenje često zahtijeva ogromne količine podataka, dijelom kako bi se prevladale nestabilnosti tijekom treniranja, ograničenije arhitekture mogu potaknuti bolju generalizaciju iz ograničenih primjera.
S tehničkog stajališta, binarne operacije uklanjaju određene klase numeričkih problema koji muče sustave s pomičnim zarezom. Iako nijedan sustav nije savršen, matematička jednostavnost može poboljšati ponovljivost i dosljednost u testiranju, što je posebno važno za usklađenost s propisima.
Dweveova implementacija: europski pristup AI infrastrukturi
U Dweveu smo cijelu platformu izgradili na tim načelima učinkovitosti, posebno osmišljenima za rješavanje ograničenja s kojima se suočavaju europske tvrtke. Naš pristup nije usklađivanje s razmjerom Silicijske doline; riječ je o bitno drugačijoj ekonomiji i arhitektonskim odabirima.
Core, naš okvir za binarne neuronske mreže, implementira 1.930 hardverski optimiziranih algoritama koji rade na diskretnoj matematici. Praktični učinak rješava nekoliko spomenutih načina kvara: znatno smanjeni troškovi infrastrukture koji projekte čine ekonomski održivima unutar europskih proračuna, poboljšana učinkovitost podataka kroz učenje temeljeno na ograničenjima koje radi s manjim, kvalitetnijim skupovima podataka umjesto da zahtijeva masovno prikupljanje podataka na razini interneta te bolja usklađenost sa zahtjevima EU AI Act-a kroz transparentnije i objašnjivije putove odlučivanja.
Loom, naš model specijaliziran za 456 domena, pokazuje kako se ta učinkovitost pretvara u proizvodnu sposobnost. Radi na CPU infrastrukturi, što znači da ga europske tvrtke mogu implementirati bez višemjesečnog čekanja na GPU alokatore ili ranjivosti na američke izvozne kontrole naprednih čipova. Troškovi treniranja padaju sa stotina tisuća na desetke tisuća eura. Inferencija se ekonomski skalira jer ne plaćate skupo vrijeme na akceleratorima.
To rješava zamku troškova koja ubija toliko projekata. Kada su vaši infrastrukturni troškovi 90 % niži, poslovni modeli koji su bili nemogući postaju održivi. Europske tvrtke mogu se natjecati učinkovitošću umjesto da pokušavaju dostići američki razmjer.
S regulatornog stajališta, binarne operacije pružaju prednosti dosljednosti. U našem testiranju na različitim hardverskim i softverskim okruženjima uočili smo vrlo ponovljivo ponašanje. To je iznimno važno za industrije u kojima EU Uredba o medicinskim proizvodima ili propisi o financijskim uslugama zahtijevaju determinističke i revizijske AI sustave.
Problem jaza u vještinama postaje lakši kada vaš AI radi na standardnoj infrastrukturi koju vaši postojeći infrastrukturni timovi već razumiju. Ne trebate rijetke stručnjake za CUDA optimizaciju ili distribuirano GPU treniranje. Vaši sadašnji inženjeri mogu implementirati, nadzirati i održavati sustave koji rade na poznatim CPU poslužiteljima.
Europska prednost: ekonomija i suverenitet
Evo zašto su binarne neuronske mreže posebno važne za europske tvrtke koje se snalaze na užim tržištima kapitala i strožim propisima od svojih američkih kolega.
Konvencionalni AI pristup ide u prilog onima koji imaju najviše računalne snage, najviše podataka, najviše novca. To je igra koju će američki tehnološki divovi uvijek dobiti. Imaju infrastrukturu podatkovnih centara građenu desetljećima. Imaju ekonomiju razmjera od milijuna korisnika. Imaju akumulirane prednosti od upravljanja tražilicama, društvenim mrežama i cloud platformama.
Europske tvrtke koje pokušavaju konkurirati u ovoj konvencionalnoj AI igri suočavaju se sa strukturnim nedostacima. Europski rizični kapital prikupio je 37 milijardi eura u 2024., što je impresivno sve dok ne shvatite da je to manje od petine kapitala koji ulaže Silicijska dolina. Prosječna cijena električne energije u Europi iznosi 0,20 eura po kWh u odnosu na 0,10 eura u SAD-u, što računalno intenzivno treniranje čini dvostruko skupljim. Europski propisi o zaštiti podataka ispravno ograničavaju koje podatke za treniranje tvrtke smiju prikupljati, dok američki konkurenti pokupe sve.
Binarne neuronske mreže u potpunosti mijenjaju ovu jednadžbu. Ne zahtijevaju goleme GPU klastere koji troše megavate. Ne trebaju im skupovi podataka veličine petabajta prikupljeni s interneta. Učinkovito rade na standardnoj CPU infrastrukturi koju europske tvrtke već posjeduju i koriste. Treninzi koji na GPU klasterima koštaju 500.000 eura završe za 40.000 eura na CPU poslužiteljima. Modeli koji zahtijevaju akceleratore od 1.200 vata rade na procesorima od 50 vata.
Tako Europa konkurira u području umjetne inteligencije: ne sustižući zaostatak u igri koja je namještena protiv europskih strukturnih stvarnosti, već mijenjajući temeljna pravila boljom matematikom.
Cijeli Dweveov tehnološki stog izgrađen je na tom temelju. Core pruža okvir za binarne neuronske mreže. Loom implementira model inteligencije specijaliziran za 456 domena. Nexus koordinira sustave s više agenata. Aura omogućuje autonomni razvoj. Fabric sve to povezuje. Mesh to globalno distribuira.
Sve to učinkovito radi na europskoj infrastrukturi. Bez ovisnosti o NVIDIA akceleratorima s rokovima isporuke od više mjeseci. Bez strateške ranjivosti na američke izvozne kontrole naprednih čipova. Bez matematičke nestabilnosti koja uništava produkcijske implementacije.
EU akt o umjetnoj inteligenciji to čini obveznim
Europske tvrtke nemaju luksuz izbora hoće li se baviti tim problemima. EU akt o umjetnoj inteligenciji, koji je stupio na snagu 1. kolovoza 2024., čini determinističku i objašnjivu umjetnu inteligenciju pravno obveznom za aplikacije visokog rizika.
Članak 13. zahtijeva da sustavi umjetne inteligencije visokog rizika budu dizajnirani za transparentnost. Implementatori moraju moći tumačiti rezultate sustava i primjereno ih koristiti. Članak 50. nalaže pružateljima modela umjetne inteligencije opće namjene da dokumentiraju podatke za treniranje, postupke testiranja i ograničenja sustava. Propisi se postupno uvode do 2026., a najkritičnije obveze već su obvezujuće za sustave implementirane 2025.
Ispunjavanje ovih zahtjeva konvencionalnim AI sustavima predstavlja značajne izazove. Europske zdravstvene tvrtke koje pokušavaju certificirati AI dijagnostičke alate prema Uredbi o medicinskim proizvodima suočavaju se sa zahtjevima za ponovljivost. Financijske institucije koje primjenjuju AI za donošenje kreditnih odluka prema zakonima o zaštiti potrošača otkrivaju da regulatorni zahtjevi za objašnjivost zahtijevaju preciznu dokumentaciju procesa odlučivanja.
Alternativni pristupi poput binarnih neuronskih mreža nude prednosti u ovom kontekstu. Binarne operacije izbjegavaju određene klase numeričke varijabilnosti s pomičnim zarezom. U našim testiranjima u Dweveu, inferencija daje dosljedne i ponovljive rezultate na različitim hardverskim i softverskim okruženjima. Putovi odlučivanja prate se kroz diskretne matematičke operacije s jasnom logičkom strukturom, umjesto da zahtijevaju interpretaciju milijardi kontinuiranih parametara. Ponašanje modela može se dokumentirati s matematičkom preciznošću.
Za europske tvrtke koje primjenjuju AI u reguliranim industrijama, ovo nije opcija. EU AI akt nalaže transparentnost i dosljedno, provjerljivo ponašanje za sustave visokog rizika. Arhitektonski pristupi koji pružaju ta svojstva postaju nužnost, a ne samo prednost.
Što zapravo funkcionira: pouke iz 5% uspješnih
BCG-ovo istraživanje utvrdilo je što razlikuje uspješne AI implementacije od 74% onih koje ne uspiju pokazati opipljivu vrijednost. Pobjednici preokreću konvencionalnu raspodjelu resursa: 50-70% vremenskog okvira i proračuna ulažu u spremnost podataka, upravljanje i kontrolu kvalitete. Samo 10% odlazi na algoritme.
Prvo rješavaju problem ljudi. Ulažu u upravljanje promjenama, integraciju u radne procese i organizacijsku prilagodbu. Grade timove s pravom kombinacijom inženjeringa podataka, domenske stručnosti i poslovne oštroumnosti, a ne samo doktore strojnog učenja.
Poslovnu vrijednost dokazuju rano. Biraju projekte s mjerljivim financijskim učinkom, a ne tehnički impresivne demonstracije. Povezuju AI mogućnosti izravno s P&L ishodima koje rukovoditelji mogu provjeriti.
I sve češće biraju arhitektonski učinkovite pristupe koji funkcioniraju unutar europskih ograničenja, umjesto da zahtijevaju ekonomiju Silicijske doline.
Put naprijed: rješavanje temeljnih uzroka
AI industrija nalazi se na prekretnici u 2025. Stopa neuspjeha koja raste 147% iz godine u godinu ukazuje na temeljne probleme koje ulijevanje više novca u konvencionalne pristupe neće riješiti. Europske tvrtke suočavaju se s posebnim pritiskom: uža tržišta kapitala, viši troškovi energije, strože regulative i konkurencija za talente s američkim tvrtkama koje nude pakete iz Silicijske doline.
Rješenje nije napuštanje AI-ja. Rješenje je prepoznati što zapravo uzrokuje neuspjehe i sustavno rješavati te temeljne uzroke: ulagati u kvalitetu podataka od početka, shvatiti da je implementacija AI-ja u osnovi izazov ljudi i procesa, brzo dokazati poslovnu vrijednost ciljanim implementacijama i birati tehnički učinkovite arhitekture koje funkcioniraju unutar stvarnih ograničenja.
Za europske tvrtke to znači igrati na druge prednosti. Nećete nadmašiti američke konkurente u veličini. Ali možete ih nadmašiti u inženjerstvu učinkovitijim pristupima. Ne možete se mjeriti s praksama prikupljanja podataka iz Silicijske doline, ali metode usklađene s GDPR-om mogu proizvesti kvalitetnije podatke za obuku. Ne možete se natjecati u veličini GPU klastera, ali CPU-učinkovite arhitekture u potpunosti eliminiraju taj nedostatak.
U Dweveu smo izgradili našu platformu upravo za te stvarnosti. Binarne neuronske mreže koje rade na standardnoj infrastrukturi, dizajnirane za europske regulatorne zahtjeve, optimizirane za učinkovitost podataka, a ne za njihovu količinu. Ne zato što smo filozofski protiv aritmetike s pomičnim zarezom, već zato što ekonomija i regulative s kojima se europske tvrtke suočavaju zahtijevaju drugačija rješenja.
Statistike neuspjeha za 2024. i 2025. govore jasno. Organizacije koje ne riješe pitanja kvalitete podataka, nedostatka vještina, upravljanja troškovima i usklađivanja s poslovnom vrijednošću nastavit će ne uspijevati bez obzira na to koje algoritme koriste. One koje riješe te temeljne probleme imaju priliku za uspjeh.
Prava istina o neuspjesima umjetne inteligencije
Neuspjesi projekata umjetne inteligencije nisu primarno tehnički problemi. Riječ je o organizacijskim, ekonomskim i strateškim problemima koji se očituju kao tehnički neuspjesi.
Četrdeset tri posto organizacija bori se s kvalitetom podataka. Sedamdeset posto suočava se s izazovima vezanima uz ljude i procese. Sedamdeset četiri posto ne može dokazati poslovnu vrijednost. Sedamdeset do osamdeset pet posto implementacija generativne umjetne inteligencije ne ispunjava ciljeve povrata ulaganja.
To nisu problemi s algoritmima. To su temeljni problemi koje treba riješiti prije nego što odabir algoritama uopće postane važan.
Vaš sljedeći projekt umjetne inteligencije ne mora završiti među onih 42 % koji budu napušteni. No izbjegavanje neuspjeha zahtijeva prepoznavanje onoga što ga doista uzrokuje: loše prakse upravljanja podacima, nedovoljno upravljanje organizacijskim promjenama, nejasni poslovni ciljevi, neodrživi troškovi i arhitekture koje ne odgovaraju stvarnim ograničenjima.
Riješite te probleme i tehnički pristupi koji su prije bili nemogući postaju izvedivi. Zanemarite ih i čak će i najsofisticiranija umjetna inteligencija propasti.
Istina o uspjehu umjetne inteligencije nije glamurozna: riječ je o upravljanju podacima, integraciji u radne procese, ekonomskoj održivosti i jasnim poslovnim metrikama. Sve ostalo samo je detalj implementacije.