Nowy raport MIT pokazuje, że aż 95% projektów generatywnej AI nie przynosi zwrotu. Firmy wydają miliardy, ale tylko nieliczne wdrożenia dają realne korzyści biznesowe.
Raport Massachusetts Institute of Technology – „The GenAI Divide: State of AI in Business 2025” – ujawnia, że aż 95 % przedsiębiorstw nie osiąga mierzalnych korzyści finansowych z inwestycji w generatywną sztuczną inteligencję (GenAI), mimo wydatków rzędu 30–40 miliardów dolarów. Jedynie nieliczne wdrożenia (5 %) skutecznie weszły poza fazę pilotażu i przyniosły realną wartość biznesową. Analizie towarzyszą wyzwania związane z niedopasowaniem narzędzi AI do istniejących procesów biznesowych i tzw. “luką w uczeniu się” — czyli brakiem zdolności adaptacyjnego rozwoju modeli AI.
Generatywne AI raport MIT
Inwestycje bez efektów. Liczby mówią same za siebie
Według raportu MIT Media Lab (projekt NANDA), analiza dotyczy ponad 300 publicznych wdrożeń GenAI, wywiadów z 52 przedstawicielami firm oraz śledztwa wśród 350 pracowników. Efekt? 95 % inwestycji nie zwróciło się w postaci wzrostu przychodów ani wydajności biznesowej. Tylko pojedyncze przypadki – zaledwie 5 % projektów – rzeczywiście wygenerowały milionowe zyski .
Problemy z integracją i adaptacją przyczynami niskiej skuteczności generatywnej AI według raportu MIT
Za porażki biznesowe w dużej mierze odpowiada niedopasowanie GenAI do realnych procesów firmowych:
- Brak trwałego kontekstowego uczenia się i adaptacyjności modelu – narzędzia się nie rozwijają i nie uczą na podstawie wcześniejszych interakcji (Virtualization Review, The Economic Times).
- GenAI działa zazwyczaj tylko w izolowanych scenariuszach (np. pisanie tekstu, chatbot) – bez integracji z systemami ERP, CRM czy specyficznymi workflowami .
- „Większość to tylko science projects lub opakowania, a nie realne narzędzia” – relacjonuje przedstawiciel firmy produkcyjnej (The New Yorker, Virtualization Review).
Sukcesy to wyjątki. Jak to robią najlepsi?
Raport zidentyfikował również, jak działają te nieliczne przypadki sukcesu (5 %):
- Koncentracja na jednym, jasno określonym problemie biznesowym.
- Współpraca z doświadczonymi dostawcami/narzędziami zamiast forsowania rozwiązań wewnętrznych.
- Przykłady obejmują automatyzację zadań back-office, np. umów, wniosków, wypełnianie formularzy – tam GenAI faktycznie przyspiesza procesy.
Niska skuteczność wdrożeń GenAI wynika przede wszystkim z „luki uczenia” (learning gap) między możliwościami modeli a zdolnością organizacji do wbudowania ich w realne procesy. Większość inicjatyw zatrzymuje się w fazie POC/pilota – narzędzia działają w izolacji (tworzenie treści, czat), ale nie są trwale zintegrowane z ERP/CRM, workflowami czy bazami wiedzy, więc nie mają gdzie „uczyć się” kontekstu i nie wytwarzają powtarzalnej wartości biznesowej. Raport MIT wskazuje, że to nie jakość samych modeli jest barierą, lecz niedojrzałość integracji, brak pętli tzw. feedbacku, standaryzacji danych i operacyjnego „pamiętania” organizacji (enterprise memory). W efekcie 95% projektów nie przekłada się na P&L, mimo wydatków rzędu 30–40 mld USD po stronie biznesu.
Drugi blok przyczyn to zarządzanie zmianą i metryki. Firmy wdrażają GenAI „horyzontalnie” (uniwersalne chatboty, generator treści), zamiast rozwiązywać jeden mierzalny problem procesowy, przez co trudno policzyć ROI i przejść na produkcję. Tam, gdzie pojawiają się zyski, dominują wdrożenia „wąskie” (back‑office, obsługa klienta) i… zakup sprawdzonych narzędzi zamiast budowania wszystkiego in‑house. Dodatkowo ciężar zgodności (bezpieczeństwo danych, audytowalność, uprawnienia) oraz koszty utrzymania/serwowania modeli potrafią „zjadać” oszczędności z automatyzacji, jeśli nie zaprojektuje się od początku architektury danych (RAG), ładu AI i metryk czasu‑do‑wartości.
Reakcja rynku finansowego: spadki akcji, rosnąca niepewność
Rynki zareagowały natychmiast: spadły notowania firm takich jak Palantir (– 3,6 %) i Nvidia (– 1 %), a także innych graczy technologicznych takich jak Oracle, Arista, CoreWeave . Analiza rynku wskazuje na rosnącą obawę przed „bańką AI” – i możliwą korektą wartości firm, które jeszcze niedawno cieszyły się nadmiernym optymizmem.
Raport MIT jasno pokazuje: generatywna AI w 2025 r. to przede wszystkim miliardy dolarów i… tylko garść wdrożeń przynoszących realne zyski. Reszta projektów pozostaje w próbie, bez przełożenia na przychody. To ostrzeżenie dla zarządów i inwestorów – przejście od entuzjazmu do wartości wymaga strategicznego podejścia, konkretnego dopasowania technologii do celów i cierpliwego budowania adaptacyjnych rozwiązań.
Generatywne AI – raport MIT: wnioski dla biznesu
- Nie dać się porwać hype’owi AI – inwestycje milkną, gdy nie przekładają się na wyniki.
- Skup się na konkretnych problemach – AI działa tam, gdzie rozwiązuje realne, mierzalne wyzwania.
- Współpraca z doświadczonymi partnerami – lepsze wdrożenia i wyższa skuteczność niż budowanie wszystkiego in-house.
- Rzetelna ewaluacja ROI – pilotuj z jasno określonymi metrykami i realnym testem biznesowym.
- Może czeka nas faza „J-curve” – czyli początkowy spadek wydajności i inwestycji, zanim technologie AI zaczną przynosić realne efekty (paralela do wcześniejszych rewolucji technologicznych) (The New Yorker).
Te tematy mogą Cię również zainteresować:
Modele AI nauczane “głębokiej ignorancji” opierają się na szkoleniu w zakresie broni biologicznej
Psychoza AI – ciemna strona interakcji z chatbotami
Koniec ery SEO: Spadek ruchu o 35%, a 60% wyszukiwań jest bez kliknięcia
Porozmawiaj z nami o sztucznej inteligencji
Dołącz do grupy "AI Business" na Facebooku
Polecamy e-book o AI
AI w marketingu – jak zwiększyć sprzedaż i zaangażowanie klientów?
Test Turinga: Czy AI jest już inteligentniejsze od człowieka?