Fiecare companie cumpără AI. Mult mai puține obțin ceva în schimb.
Cifrele de adopție arată ca o revoluție. McKinsey raportează că majoritatea organizațiilor rulează acum AI în cel puțin o parte a afacerii, iar bugetele cresc de la trimestru la trimestru. Și totuși, când îi întrebați pe oamenii care chiar conduc aceste companii dacă s-a schimbat ceva, răspunsul sincer este de obicei o pauză lungă. Instrumentele au sosit la timp. Rezultatele nu.
Aceasta nu este o poveste despre AI care eșuează ca tehnologie, pentru că nu eșuează. Este o poveste despre un tipar care se repetă în aproape fiecare companie care se grăbește să îl cumpere. Modelul este rareori cel care se strică. Ce se strică este tot ce se află sub el, partea care nu a ajuns niciodată în buget sau în prezentarea pentru board.
Dacă sunteți fondator sau lider obosit de zgomot, ghidul acesta este scris pentru dvs. Diferența dintre companiile care obțin valoare reală și cele care obțin o dezamăgire scumpă nu este instrumentul ales. Cele care câștigă repară mai întâi fundația și cumpără instrumentul al doilea. Restul cumpără instrumentul și speră că fundația se rezolvă singură, iar asta nu se întâmplă niciodată.
Iată ce acoperim:
- Ce spun de fapt cifrele despre rezultatele AI, nu despre adopție
- De ce chiar și companiile care vând AI recunosc că partea grea nu este modelul
- Ce au dezvăluit din greșeală cele mai avansate laboratoare AI despre propriul cod
- De ce "AI-ul nu repară datele proaste, doar le expune" este toată povestea
- Cum repreciază piața muncii acest lucru în timp real
- Cauza reală din spatele majorității proiectelor eșuate
- O verificare practică de pregătire pe care să o faceți înainte de a cheltui ceva
Dacă vreți imaginea de ansamblu a adopției AI pe dimensiuni de firmă, cu bugete și cazuri de uz de la PFA la IMM-uri mai mari, citiți ghidul nostru complementar despre AI pentru IMM-uri în 2026. Articolul de față merge în adâncime pe o singură întrebare: de ce eșuează proiectele și ce să rezolvați întâi.
Rezultatele continuă să nu apară
Cel mai ciudat lucru la avântul AI este cât de rar apare în rezultate. Adopția este aproape universală. Performanța nu.
Adopția crește, valoarea lipsește
McKinsey constată că marea majoritate a organizațiilor folosesc acum AI undeva în afacere, și totuși majoritatea managerilor încă nu pot indica o schimbare măsurabilă de productivitate pe măsura cheltuielii. Tehnologia este peste tot, iar câștigul se ascunde. Harvard Business Review a mers un pas mai departe și a susținut că firmele cumpără AI pentru eficiență, când oportunitatea reală a fost dintotdeauna creșterea, ceea ce înseamnă că multe nu doar performează slab, ci țintesc cu totul greșit.
Costul ascuns pe care nu îl măsoară nimeni
Licența irosită este cea mai mică parte din nota de plată. Un studiu publicat în Harvard Business Review a urmărit lucrătorii din domeniul cunoașterii printr-o perioadă lungă de utilizare intensă a AI și a descoperit că instrumentele le-au crescut adesea volumul de muncă în loc să îl reducă. Cifrele sunt directe:
- 83% dintre lucrători au raportat că AI le-a crescut volumul de muncă, nu l-a redus
- 62% dintre asociați și 61% dintre angajații la început de carieră au raportat epuizare
- Munca s-a extins pentru că mașina a făcut ca mai mult să pară posibil, granița dintre muncă și odihnă s-a estompat, iar atenția s-a fragmentat peste o duzină de sarcini supravegheate pe jumătate
Un studiu separat de la Boston Consulting Group a dat oboselii un nume, "AI brain fry", și a măsurat ce se întâmplă cu oamenii care supraveghează toată ziua rezultatele mașinii. Printre cei afectați, raportul a găsit cu 33% mai multă oboseală decizională, cu 39% mai multe erori majore și cu 39% mai mare intenția de a pleca. Nimic din toate astea nu înseamnă că AI este o tehnologie slabă. Înseamnă că a arunca un instrument puternic într-o organizație care nu era pregătită pentru el nu creează valoare. Creează un nou fel de haos, unul mai greu de observat pentru că toți sunt prea ocupați ca să îl măsoare.
Problema eșecului silențios
Există un motiv mai tehnic pentru care aceste proiecte performează sub așteptări, iar el se ascunde la vedere. Un sistem AI care face muncă reală nu face un singur pas, face un lanț lung de pași. Dacă fiecare pas funcționează în nouăzeci și nouă la sută din cazuri, cinci pași la rând vă lasă la aproximativ nouăzeci și cinci la sută fiabilitate, iar zece pași la aproximativ nouăzeci. Sistemul care pare impecabil într-un demo eșuează la o sarcină din zece în producția reală, fără să anunțe. Un raport de inginerie de la Datadog a constatat că aproximativ una din douăzeci de cereri din producție eșuează în acest fel, returnând răspunsuri care par corecte și nu sunt. Iar Gartner prezice că peste patruzeci la sută din proiectele de AI agentic vor fi anulate până la finalul lui 2027, cu o pondere similară a eforturilor mai largi de AI generativ abandonate după dovada de concept.
Nu a fost niciodată modelul
Cea mai clară recunoaștere a ceea ce contează cu adevărat nu a venit de la un sceptic. A venit de la una dintre companiile care vând automatizare pe bani.
Când UiPath a revenit pe profit, fondatorul ei Daniel Dines a folosit momentul ca să spună partea pe care majoritatea furnizorilor nu o vor spune. Un sistem probabilistic, a argumentat el, nu a fost niciodată construit ca să ruleze aceiași o sută de pași în aceeași ordine de fiecare dată. Agenții AI sunt străluciți la a decide ce să facă și nesiguri la a face același lucru în același fel fără abateri. Deci valoarea nu a fost niciodată agentul care face munca. A fost agentul care construiește și întreține automatizarea plictisitoare și deterministă de dedesubt, scripturile care nu costă aproape nimic să ruleze și nu improvizează niciodată. Unul dintre clienții lui a spus-o mai bine decât orice slide de vânzări: modelele sunt ușoare, orchestrarea nu este niciodată.
Acea singură propoziție explică cea mai mare parte din ce ați văzut deja și din ce urmează să vedeți. O companie a transformat un proiect de patru săptămâni în trei ore, iar alta a transformat o construcție de două luni în câteva zile, și niciuna dintre aceste reușite nu s-a întâmplat pentru că un agent a înlocuit munca. S-au întâmplat pentru că munca era deja structurată suficient de bine încât să poată fi automatizată, iar AI-ul doar a făcut-o ieftină. Companiile așezate pe haos nu au primit nimic, pentru că nu exista nimic curat de care mașina să se prindă.
Chiar și cei care îl vând recunosc unde este munca
Dacă asta sună a părtinire a unui fondator care își apără produsul, ascultați și cealaltă parte a mesei.
Când OpenAI a lansat un val de instrumente țintite spre munca de birou, Chief Revenue Officer-ul ei, Denise Dresser, a descris partea grea cu voce tare. Provocarea acum, a spus ea, este să ajuți companiile să integreze aceste sisteme în infrastructura și fluxurile de lucru care le pun afacerea în mișcare. Citiți din nou, pentru că este persoana al cărei job este chiar să vă vândă tehnologia, spunându-vă unde se află de fapt munca reală. Nu în model, ci în fluxurile dvs. de lucru, în datele dvs. și în instalația neatrăgătoare la care instrumentul trebuie să se conecteze înainte să poată face orice. Când furnizorul și scepticul ajung în același loc, de obicei merită să îi credeți.
Partea grea nu a fost niciodată scrisul
Cea mai extremă versiune a acestei povești se desfășoară chiar în interiorul companiilor AI, și este cea mai utilă de urmărit.
Optzeci la sută din cod, și mai mulți ingineri ca niciodată
Anthropic scrie acum mai mult de optzeci la sută din propriul cod cu modelul ei, Claude, iar unul dintre inginerii ei a spus unei săli de dezvoltatori că majoritatea software-ului companiei este acum scris de mașină. Luată separat, cifra aceea pare sfârșitul profesiei. Dar aceeași companie raportează că inginerii ei livrează mult mai mult cod decât înainte, nu mai puțini dintre ei, ceea ce este primul semn că nimeni nu a fost de fapt înlocuit. Oamenii nu au dispărut. Munca lor s-a mutat cu un nivel mai sus, din scris în direcționare și verificare.
Detaliul care încheie discuția
Apoi vine partea pe care nimeni nu o citează. Când Anthropic a limitat cât de mult i s-a permis modelului să gândească, calitatea lui s-a prăbușit. Sistemul a încetat să cerceteze problema și a început să editeze din instinct, iar rezultatul s-a înrăutățit. Ce au înlăturat ca să îl strice nu a fost scrisul, ci judecata, iar dacă scoateți asta, munca se destramă indiferent cine sau ce ține tastatura. Rețineți că aceasta este o companie AI care își măsoară propriul cod, cel mai favorabil caz posibil, exact de aceea contează. Chiar și acolo, în clipa în care judecata a părăsit camera, calitatea a plecat odată cu ea.
AI-ul nu repară datele proaste, le expune
Iată partea pe care majoritatea companiilor ar prefera să nu o audă, și care stă în centrul aproape fiecărui proiect eșuat.
Un model capabil care rulează pe date dezordonate nu face curat în dezordine. Scoate dezordinea la suprafață mai repede și vă înmânează rezultatul cu mai multă încredere decât aveați înainte. Dacă cifrele pe care se bazează echipele dvs. se contrazic între ele, AI-ul va produce răspunsuri contradictorii la scară. Dacă un proces există doar în capul unei singure persoane, instrumentul vă va da o imitație fluentă și sigură a unei munci pe care nimeni nu a putut-o explica vreodată complet. Mașina moștenește orice îi dați. Dați-i ordine și amplifică ordinea; dați-i haos și industrializează haosul.
De aceea două companii pot cumpăra exact același instrument și pot ajunge în locuri opuse. Diferența nu a fost niciodată software-ul. A fost starea terenului pe care a aterizat.
Piața repreciază deja acest lucru
Dacă toate astea încă sună abstract, piața muncii le transformă de ceva vreme în cifre concrete.
Economiile care nu au venit niciodată
Multe companii au încercat scurtătura. Au tăiat personal, au dat munca pe mâna AI și au așteptat economiile, iar pentru majoritatea economiile nu au venit niciodată. Mai mult de jumătate dintre angajatorii care au tăiat roluri pentru AI spun acum că regretă, iar marea majoritate nu au ieșit niciodată în câștig financiar, pentru că costul de calcul și costul curățeniei după mașină au mâncat tot ce se economisise. Codul generat de AI, de exemplu, s-a dovedit că poartă mai multe defecte și împinge costurile de mentenanță în sus, ceea ce este pur și simplu nota de plată care sosește după ce s-a terminat demo-ul. Cum a spus-o CNN, dispariția muncii tehnice calificate a fost mult exagerată.
Klarna și IBM dau înapoi
Cel mai public exemplu este Klarna. Compania a anunțat că AI-ul făcea munca a șapte sute de agenți de suport clienți, și-a înghețat angajările și a mizat tot pe asta. Apoi calitatea a scăzut, clienții s-au enervat, iar compania a făcut cale întoarsă, aducând oamenii înapoi și trecând la un model în care AI-ul se ocupă de rutină, iar oamenii de tot ce cere judecată. IBM a parcurs un drum similar după ce propria automatizare a creat mai multe probleme decât a rezolvat. Tiparul este consecvent la toate. Ce au tăiat aceste companii a fost producția brută, iar ce se grăbesc să cumpere înapoi este judecata, care a locuit dintotdeauna în oameni.
Deci de ce eșuează cu adevărat aceste proiecte?
Puneți totul la un loc și motivul încetează să mai fie un mister.
Proiectele AI rareori eșuează pentru că modelul nu era destul de inteligent. Eșuează pentru că firma a îndreptat un instrument puternic spre o muncă pe care nu o definise niciodată cu adevărat. Procesul trăia în cunoaștere tribală în loc să fie pus pe hârtie, datele se contraziceau fără un responsabil clar, iar obiectivul era "avem nevoie de AI" în loc de o problemă specifică care merită rezolvată. Așa că instrumentul a făcut exact ce i s-a spus, adică să automatizeze un haos, iar automatizarea unui proces stricat nu îl repară. Doar face confuzia să meargă mai repede.
Aceasta este partea pe care furnizorii o lasă deoparte și partea de care se obsedează câștigătorii. Munca lentă și neatrăgătoare de a înțelege cum funcționează de fapt afacerea dvs. nu este o condiție prealabilă pentru proiectul AI. Este proiectul. Modelul este achiziția ușoară pe care o faceți la final.
Ce să rezolvați înainte să cumpărați ceva
Așadar, înainte să semnați pentru o singură licență, există un exercițiu mai ieftin și mult mai util. Așezați-vă și răspundeți la cinci întrebări sincere despre propria afacere.
1. Procesele dvs. de bază sunt scrise undeva, sau trăiesc în capul unei singure persoane?
Dacă răspunsul este al doilea, niciun instrument nu poate automatiza ce nimeni nu a descris vreodată. Primul livrabil al oricărui efort AI serios nu este un model, ci o hartă clară a felului în care se întâmplă de fapt munca azi, inclusiv excepțiile dezordonate care nu ajung niciodată în versiunea oficială.
2. Aveți încredere în propriile date?
Dacă echipele dvs. țin trei versiuni ale aceluiași număr și nu au încredere, în secret, în tabloul de bord, AI-ul nu va rezolva asta pentru dvs. O va amplifica. Datele curate, consecvente și cu responsabil clar sunt combustibilul. Fără ele, cel mai capabil model de pe piață produce prostii sigure pe sine, la viteză.
3. Ați definit problema reală, sau doar dorința de AI?
"Vrem să folosim AI" nu este o problemă. "Echipa de vânzări pierde două zile pe săptămână reconciliind pipeline-ul manual" este, iar la asta o mașină chiar poate ajuta. Companiile care eșuează pornesc de la instrument și caută o utilizare. Cele care câștigă pornesc de la cea mai scumpă problemă pe care o au și se întreabă dacă AI-ul este răspunsul potrivit pentru ea.
4. Cine deține judecata?
Cineva trebuie să dirijeze instrumentul, să prindă ce greșește și să răspundă de rezultat când se strică. Dacă acea persoană nu există, ați cumpărat un stagiar nesupravegheat cu cheile la tot. Rolul celor mai buni oameni ai dvs. nu dispare cu AI. Se mută de la a face sarcina la a deține judecata din jurul ei.
5. Cum veți ști dacă a funcționat?
Dacă nu puteți spune dinainte cum arată succesul în cifre, nu veți putea deosebi valoarea reală de teatru peste șase luni. Stabiliți reperul înainte să începeți: cât timp, cât cost, câte erori azi. Apoi puteți măsura dacă instrumentul a mișcat ceva cu adevărat, sau doar a arătat impresionant într-un demo.
O companie care poate răspunde curat la aceste cinci întrebări va obține efect de pârghie real din aproape orice instrument decent. O companie care nu poate va obține o versiune sigură pe sine și scumpă a acelorași probleme pe care le avea deja.
Cum abordează RIFTER o decizie de AI
RIFTER nu vinde soluții AI preambalate. Munca începe cu un audit digital al afacerii: ce procese există, ce date trec prin ele, unde stă riscul și unde este oportunitatea reală. Abia după ce imaginea aceasta este clară recomandăm vreo tehnologie, iar uneori recomandarea sinceră este să reparați mai întâi fundația și să așteptați cu instrumentul.
Ordinea aceea este tot rostul metodei. Înțelegeți problema, apoi recomandați soluția. Un consultant al cărui prim instinct este să vă arate un produs vă arată stimulentul lui, nu răspunsul dvs. Auditul este construit să facă exact opusul, și este gândit să fie util fie că ajungeți să lucrați cu noi, fie cu oricine altcineva.
Întrebări frecvente
Care este motivul numărul unu pentru care eșuează proiectele AI?
Firma automatizează un proces pe care nu l-a definit niciodată clar. Tehnologia face apoi exact ce i s-a spus, adică să scaleze un haos. Aproape orice altă cauză se reduce la aceasta.
Este vina modelului când un proiect AI eșuează?
Rareori. Modelele moderne sunt capabile și devin mai ieftine în fiecare lună. Eșecurile se grupează în jurul calității datelor, proceselor nedefinite, lipsei de supraveghere umană și unei probleme definite neclar, toate aflate de partea dvs. a mesei, nu a furnizorului.
Ar trebui să ne reparăm datele înainte de a adopta AI?
În majoritatea cazurilor, da. AI-ul nu repară datele inconsistente sau contradictorii, le amplifică. Chiar și un efort de bază de a curăța și a aloca responsabilitatea datelor de bază aduce de obicei mai multă valoare decât instrumentul care rulează deasupra lor.
AI-ul ne va înlocui angajații?
În majoritatea organizațiilor redistribuie munca în loc să elimine roluri. Înlătură anumite sarcini repetitive și crește nevoia de oameni care pot dirija, verifica și răspunde de rezultate. Companiile care au tăiat cel mai adânc, ca Klarna, au fost cele care au reangajat oameni.
Cât durează până când un proiect AI arată rezultate reale?
Pentru cazuri de uz simple și bine definite, una până la trei luni. Pentru integrări mai profunde cu sistemele existente, șase până la douăsprezece. Oricine promite transformare în câteva zile vinde un demo, nu o soluție.
Cum aleg un partener sau consultant AI?
Alegeți-l pe cel care întreabă despre afacerea dvs. înainte să vă propună un produs. Dacă primul lucru spre care se îndreaptă este exact ce se întâmplă să vândă, alegeți pe altcineva. Un partener bun vă va spune uneori să nu adoptați AI încă, pentru că fundația nu este pregătită.
Care este diferența dintre AI și automatizarea tradițională?
Automatizarea tradițională urmează reguli fixe stabilite de un om. AI-ul învață din date și poate gestiona cazuri pe care nu le-a mai văzut. Cele mai puternice sisteme le combină pe ambele: AI pentru deciziile care cer judecată, automatizare deterministă pentru pașii repetitivi care trebuie să ruleze la fel de fiecare dată.
Concluzie: fundația decide totul
Adevărul incomod de sub toate astea este și cel plin de speranță. Modelul nu este partea grea, și devine mai ieftin și mai bun în fiecare lună, ceea ce înseamnă că este piesa pe care vă puteți permite să o cumpărați ultima și să vă faceți griji pentru ea cel mai puțin. Avantajul real nu avea cum să vină vreodată din instrument, pentru că toți pot cumpăra același instrument. Vine din a fi compania care și-a înțeles propria muncă suficient de bine încât să o predea curat.
Majoritatea organizațiilor vor continua să caute un model mai bun și să se întrebe de ce ultimele trei nu au prins. Câteva vor merge să se uite la ce se află dedesubt, la procesele, datele și judecata pe care le-au evitat ani de zile. Un număr foarte mic vor repara ce găsesc acolo, iar acelea sunt cele care vor scoate mai mult din fiecare instrument care vine după acesta, în timp ce restul continuă să cumpere bagheta magică și să aștepte să funcționeze singură.
Așadar, înainte să întrebați ce AI să cumpărați, merită să stați cu o întrebare mai grea. Ce este deja stricat sub afacerea dvs., partea pe care niciun model nu o va repara vreodată în locul dvs.?
Aceasta este întrebarea la care ajutăm companiile să răspundă înainte să cheltuiască ceva. RIFTER lucrează cu fondatori și echipe de conducere ca să cartografieze mai întâi cum funcționează de fapt afacerea, astfel încât tehnologia să aterizeze pe ceva solid în loc de ceva improvizat. Auditul digital inițial este gratuit, și vă dă o lectură independentă asupra faptului dacă modelul dvs. de operare este pregătit pentru AI, împreună cu prioritățile și pașii care contează. Îl puteți cere la rifter.ro/audit-digital.
Articol scris cu cifre verificate față de surse primare la momentul publicării, inclusiv McKinsey, Harvard Business Review, Boston Consulting Group, Gartner, Datadog, Anthropic, MIT Technology Review și altele, toate legate pe parcurs.