Kodėl įmonių AI projektai žlunga (ir kas atskiria tuos, kurie pavyksta)

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. Gartner 2026 m. rugsėjo 1 d. paskelbė apklausos rezultatus. Joje dalyvavo 1 303 respondentai iš organizacijų, kurių metinės pajamos siekia bent 50 mln. dolerių.

Tik 22 proc. organizacijų sėkmingai išplėtė dirbtinio intelekto naudojimą keliuose verslo padaliniuose arba perėjo prie požiūrio, kai dirbtinis intelektas svarstomas pirmiausia. Nepaisant to, 85 proc. sričių vadovų planuoja didinti išlaidas dirbtiniam intelektui.

McKinsey 2026 m. rugpjūčio ataskaita The state of AI in 2026 (apklausta 1 719 dalyvių 97 šalyse) rodo tą patį iš kitos pusės. 80 proc. dalyvių sako, kad dirbtinis intelektas pagerino jų asmeninį produktyvumą, bet įmonės pelnui poveikį mato tik 37 proc., o geriausius rezultatus pasiekė apie 6 proc. Tai pačių dalyvių vertinimas, ne audituota grąža.

Pasak tos pačios McKinsey ataskaitos, beveik trys ketvirtadaliai geriausių rezultatų įmonių dėl dirbtinio intelekto iš esmės pakeitė darbo eigas, o tarp likusių taip padarė maždaug ketvirtadalis. Modeliai prieinami visiems. Skiriasi tai, kaip jie įdiegti į kasdienį 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. Ta pati Gartner apklausa rodo, kad dažniausiai pasirenkami dirbtinio intelekto taikymo atvejai retai duoda didžiausią grąžą. Daugiausia išmatuojamos naudos atneša rečiau pasirenkami atvejai, tikslingai parinkti pagal konkrečios organizacijos verslo poreikius.

Kai pradedama nuo įrankio, įmonė ieško, kur jį pritaikyti. Tai atvirkščia logika. Veikiantis kelias prasideda nuo konkretaus, skausmingo, kasdienio proceso, pavyzdžiui: sąmatų skaičiavimo, kuris atima kelias 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.

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. Kai sistema niekam nepriklauso, niekas ir neseka, ar ji atsiperka.

Apie 11 proc. Gartner apklausos dalyvių visai nežinojo, kiek jų padalinys išleido dirbtiniam intelektui. Organizacijos, kurios nuolat seka dirbtinio intelekto grąžą, reguliariai vertina projektus ir nutraukia prasčiausiai veikiančius, teigiamą grąžą gauna iš 81 proc. savo iniciatyvų. Atsiliekančios organizacijos nežinojo, kokią grąžą duoda 29 proc. jų iniciatyvų.

Kaina čia svarbi atskirai. Kai sistema priklauso nuo išorės, išlaidos niekada nesibaigia, jos 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.

McKinsey šią problemą mato visos rinkos lygmeniu: apklausos dalyviai naudą jaučia asmeniškai, bet daugumos įmonių rezultatuose jos dar nematyti. Daug įmonių 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

Pavyksta ne tie, kurie turi geriausią modelį ar didžiausią biudžetą. Pavyksta tie, kurie laikosi trijų principų.

Panašiai elgiasi ir geriausių rezultatų įmonės, kurias aprašo McKinsey ir Gartner: jos keičia darbo eigas, seka grąžą ir nutraukia tai, kas neveikia.

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.

Moore Mackonis yra 30 žmonių audito, apskaitos ir mokesčių įmonė, kurios komandai vedėme AI dirbtuves. Dabar AI asistentai ten dirba su failais darbuotojų kompiuteriuose. Jau kasdien veikia 11 procesų.

Įmonė pati įvertino, kiek darbo laiko sutaupo asistentai: apie 7 600 valandų per metus visai 30 žmonių komandai. Tai maždaug 4 etatų darbo laikas. Komandos ji nemažina: laikas skiriamas patikrai ir darbams, kurių anksčiau nespėdavo.

Šis skaičius sudėtas iš 5 pasikartojančių darbų. Daugiausia, apie 4 500 valandų per metus, sutaupoma rengiant laiškų juodraščius: vieno juodraščio parengimas anksčiau užtrukdavo 15 minučių, dabar 5 minutes, o per metus jų parengiama apie 27 000.

Kitas pavyzdys: darbo failo perkėlimas į naujus metus anksčiau užimdavo nuo 4 iki 6 valandų, dabar nuo 20 iki 30 minučių. Tokį darbą įmonė atlieka apie 250 kartų per metus, todėl vien čia per metus sutaupoma apie 1 150 valandų. Kartų skaičius yra faktinis, o valandos yra pačios įmonės įvertinimai: darbų trukmė anksčiau ir dabar nebuvo matuota.

Dar 3 pavyzdžiai iš kitų įmonių. Viena įmonė per kelias dienas pasidarė savo klientų valdymo sistemą (CRM). Kita visiškai automatizavo sąmatų skaičiavimą. Trečia nustojo užsakinėti dizainą iš išorės, nes vadybininkai patys pradėjo kurti vizualus. Visus šiuos pavyzdžius jungia tas pats: 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.