AI EvoliucijaĮsivaizduokite situaciją, kuri šiandien kartojasi šimtuose įmonių. Vadovas perskaito apie dirbtinį intelektą, skiria biudžetą, samdo įrankį arba išorinę komandą, surengia keletą bandymų. Po pusmečio projektas tyliai sustoja. Niekas jo oficialiai neuždaro, jis tiesiog nustoja judėti. Pinigai išleisti, o kasdienis darbas vyksta lygiai taip pat, kaip ir prieš pradedant.
Tai ne pavienė nesėkmė. Tai šiandienė norma. Pasak „McKinsey" 2025 m. lapkričio ataskaitos „The State of AI" (apklausta 1 993 vadovai 105 šalyse), 88 proc. organizacijų jau naudoja dirbtinį intelektą bent vienoje funkcijoje. Bet tik 39 proc. mato bent kokį poveikį pelnui įmonės lygmeniu, o aukštaisiais rezultatais gali pasigirti vos 6 proc. Kitaip tariant, beveik visi pradėjo, bet beveik niekas neuždirba.
Dar aiškiau tai parodo „MIT" tyrimas. „MIT" NANDA iniciatyvos 2025 m. ataskaita „The GenAI Divide" (parengta remiantis 150 vadovų interviu ir 300 viešų diegimų analize) nustatė, kad 95 proc. įmonių generatyvinio AI bandomųjų projektų nepasiekia jokio realaus rezultato. Įdomiausia šio tyrimo išvada: priežastis yra ne modelio kokybė. Modeliai veikia puikiai. Žlunga ne technologija, žlunga jos įdiegimas į įmonės darbą.
Pirmoji žlugimo priežastis: pradedama nuo technologijos, ne nuo proceso
Tipinis nesėkmingas projektas prasideda klausimu „kokį AI įrankį mums įsigyti?". Tai klaidingas pirmas žingsnis. „RAND Corporation" 2024 m. ataskaitoje „Why AI Projects Fail and How They Can Succeed" (paremtoje 65 patyrusių specialistų interviu) viena iš penkių pagrindinių žlugimo priežasčių įvardyta tiesiogiai: dėmesys technologijai, o ne sprendžiamai problemai. Toje pačioje ataskaitoje cituojamas vertinimas, kad daugiau nei 80 proc. AI projektų žlunga, o tai dvigubai daugiau nei kitų informacinių technologijų projektų.
Kai pradedama nuo įrankio, įmonė ieško, kur jį pritaikyti. Tai atvirkščia logika. Veikiantis kelias prasideda nuo konkretaus, skausmingo, kasdienio proceso: sąmatų skaičiavimo, kuris atima tris valandas per dieną; klientų ataskaitų, kurias kažkas ranka renka kas savaitę; pasiūlymų rengimo, kuris stringa, nes laukiama vieno žmogaus. Įrankis renkamas tik tada, kai aišku, kurį procesą jis turi pakeisti.
Įmonės AI projektai žlunga ne todėl, kad technologija nepakankamai gera. Jie žlunga todėl, kad niekas neapibrėžė, kurį realų darbą ji turi atlikti, kas juo naudosis kasdien ir kam jis liks, kai pasibaigs projektas.
Antroji priežastis: niekas iš tikrųjų neturi nuosavybės
Antras pasikartojantis modelis yra priklausomybė. Įmonė pasamdo agentūrą arba vieną vidinį entuziastą, kuris „supranta tą AI". Kol jis dirba, kažkas vyksta. Jam išėjus arba agentūros sąskaitai pasibaigus, sistema sustoja, nes niekas viduje nežino, kaip ji veikia.
Tai paaiškina, kodėl tiek daug projektų miršta būtent po bandomojo etapo. Pasak „S&P Global Market Intelligence" (451 Research) 2025 m. kovo tyrimo „Voice of the Enterprise", apklaususio 1 006 respondentus Šiaurės Amerikoje ir Europoje, įmonių, atsisakančių daugumos savo AI iniciatyvų, dalis šoktelėjo nuo 17 proc. 2024 m. iki 42 proc. 2025 m. Vidutiniškai organizacijos atmeta 46 proc. savo bandomųjų projektų dar nepasiekusios realaus naudojimo. Dažniausiai minimos kliūtys: kaina, duomenų privatumas ir saugumo rizikos.
Kaina čia svarbi atskirai. Pasak „Gartner" 2024 m. liepos pranešimo, didelių įmonių generatyvinio AI projektų kūrimo ir diegimo išlaidos paprastai svyruoja nuo 5 iki 20 milijonų dolerių. Kai sistema priklauso nuo išorės, ši kaina niekada nesibaigia, ji tampa nuolatine nuoma. O kai grąžos nematyti, projektas pirmas atsiduria po peiliu.
Priklausomybė nuo entuziasto yra ta pati problema, tik mažesnė
Tas pats principas galioja ir mažesnėms įmonėms. Jei visa sistema gyvena vieno žmogaus galvoje, tai ne įdiegtas dirbtinis intelektas, o rizika. Tas žmogus išeis, susirgs arba tiesiog užsiims kitais darbais, ir įmonė liks su sistema, kurios nesupranta. Nuosavybė reiškia, kad sistema lieka įmonėje net tada, kai konkretus žmogus pasitraukia.
Trečioji priežastis: sistema neįsilieja į kasdienį komandos darbą
Trečias modelis subtiliausias. Projektas techniškai veikia, bet juo naudojasi vienas ar du žmonės, dažniausiai tas pats entuziastas. Likusi komanda dirba po senovei. Demonstracija atrodo įspūdingai, bet realaus poveikio nėra, nes dauguma žmonių sistemos net neatsidaro.
Būtent tai turi galvoje „MIT" tyrėjai, kalbėdami apie ydingą įdiegimą. Modelis gali būti puikus, bet jei jis neįsilieja į tai, kaip komanda kasdien dirba, jis lieka demonstracija, ne įrankis. „McKinsey" tą pačią problemą mato makro lygmeniu: pasak jų 2025 m. lapkričio ataskaitos, beveik du trečdaliai organizacijų dar net nepradėjo masiškai diegti AI visoje įmonėje ir tebėra bandymų stadijoje, nors AI naudoja 88 proc. Įmonės įstrigo tarp pirmojo bandymo ir realaus naudojimo.
Skirtumas tarp veikiančio ir neveikiančio diegimo dažnai matomas paprastoje detalėje: ar sistema naudojasi visa komanda, ar tik vienas žmogus. Jei automatizuotą ataskaitų sistemą supranta tik jos kūrėjas, tai dar ne įdiegimas. Jei ja kasdien naudojasi penki vadybininkai, neklausdami, kaip ji veikia, tada procesas tikrai pasikeitė.
Kas atskiria tuos, kurie pavyksta
Sudėjus visus tris modelius, ryškėja paprasta išvada. Pavyksta ne tie, kurie turi geriausią modelį ar didžiausią biudžetą. Pavyksta tie, kurie laikosi trijų principų.
- Pradedama nuo vieno realaus proceso, ne nuo įrankio. Pasirenkamas konkretus skausmingas darbas ir sprendžiamas jis, o ne abstrakti „AI transformacija";
- Sistema naudojasi visa komanda, ne vienas entuziastas. Žmonės apmokomi, sistema tampa kasdienio darbo dalimi, ne demonstracija;
- Sistema lieka įmonei. Nuosavybė viduje, be nuolatinės priklausomybės nuo agentūros ar vieno žmogaus.
Šie principai skamba paprastai, bet būtent jų laikymasis atskiria tuos 6 proc., kurie pagal „McKinsey" gauna realią grąžą, nuo tų 95 proc., kurie pagal „MIT" nieko nepasiekia. Technologija seniai paruošta. Trūksta ne jos.
Mes patys einame būtent šiuo keliu, įdiegdami dirbtinį intelektą Lietuvos įmonėms. Pradedame ne nuo įrankių, o nuo vieno realaus proceso, apmokome visą komandą ir paliekame sistemą pačiai įmonei, kad ji nepriklausytų nuo mūsų. Rezultatai būna labai konkretūs. Viena įmonė per tris dienas pasidarė savo CRM sistemą, kurios analogas rinkoje kainavo apie 7 000 EUR ir užtruktų kelis mėnesius. Kita pilnai automatizavo sąmatų skaičiavimą. Trečia nustojo užsakinėti dizainą iš išorės, nes vadybininkai patys pradėjo kurti vizualus. Tokius pavyzdžius jungia ne pažangiausias modelis, o tai, kad procesas pasirinktas tikslingai, juo naudojasi visa komanda ir sistema lieka įmonės rankose.
Jei svarstote apie dirbtinį intelektą savo įmonėje, vertingiausias pirmas žingsnis yra ne įrankio pasirinkimas, o klausimas: kurį vieną procesą norėtumėte pakeisti pirmiausia ir kas iš jūsų komandos juo naudosis kasdien. Atsakymas į šį klausimą jau atskiria projektus, kurie pavyks, nuo tų, kurie tyliai sustos.