AI projektų nesėkmės — platesnė nei manoma problema
„Gartner" 2024 m. tyrimas skelbia, kad 85% AI projektų nepasiekia numatytų verslo tikslų. Kitų analitikų skaičiai skiriasi, tačiau konsensusas aiškus: dauguma AI iniciatyvų teikia mažiau vertės nei žadėta.
Tai ne technologijos krizė. Dabartiniai AI įrankiai yra galingi ir prieinami. Tai valdymo, strategijos ir duomenų krizė. Šiame straipsnyje — šešios pagrindinės žlugimo priežastys ir kaip jų išvengti.
1. Bloga duomenų kokybė: labiausiai neįvertinta problema
Jei ir yra vienas universalus AI projektų žlugimo scenarijus, tai jis: sistema buvo diegiama su nekokybiškais duomenimis.
AI yra duomenų stiprintuvas. Geri duomenys → geresni rezultatai. Blogi duomenys → blogi rezultatai, tik greičiau. Specialistai tai vadina „garbage in, garbage out" principu.
Tipinės duomenų kokybės problemos:
- Dublikatai — tas pats klientas įvestas 3 kartus su skirtingomis rašybomis
- Neišsamūs įrašai — trūksta laukų, kurie svarbūs analizei
- Pasenę duomenys — kontaktai, kurie nebeaktualūs
- Nesuderinti formatai — datos, telefonai, adresai įvedami skirtingai
- Prieštaringi duomenys — skirtingose sistemose ta pati informacija nesutampa
Kas nutinka: AI sistema mokosi iš šių duomenų ir atkartoja jų klaidas — tik sistematiškai. Jei CRM rodo, kad 30% klientų pirkimų kategorija yra „kita" (nes niekas nesirūpino teisingai klasifikuoti), AI neturės ką analizuoti.
Sprendimas: Prieš bet kokį AI projektą — duomenų auditas. Tai ne seksualus darbas, bet būtinas. Bent 4–6 savaitės turėtų būti skirtos duomenų tvarkymui iki bet kokios AI sistemos diegimo.
2. Nėra aiškaus verslo atvejo: technologija be tikslo
„Norime AI" — tai ne verslo atvejis. Tai pradžios taškas diskusijai. Tačiau per daug AI projektų prasideda nuo technologijos ir baigiasi klausimu: „O ką mes čia norime pasiekti?"
Požymiai, kad projektas neturi aiškaus atvejo:
- Nėra konkretaus proceso, kurį sprendžiama
- Nėra sėkmės metrikos, pagal kurią vertinama
- Projektas apibrėžtas technologijomis, ne rezultatais
- Sprendimą priėmė vadovybė, nepasitarusi su proceso vykdytojais
Realus pavyzdys: įmonė investuoja į AI klientų aptarnavimo chatbot, nes konkurentas turi. Po 6 mėnesių paaiškėja, kad 70% jų klientų mieliau skambina telefonu — ir chatbot naudoja tik 10% vartotojų.
Sprendimas: Pradėkite nuo konkretaus skausmo taško. „Atsakome į 200 vienodų el. laiškų per savaitę" → „Kaip automatizuoti atsakymus?" → tada rinkitės technologiją. Ne atvirkščiai.
3. Nerealūs lūkesčiai: kai marketingas aplenkia realybę
AI marketingas per pastaruosius 3 metus sukūrė milžiniškus lūkesčius. Realybė — žymiai nuosaikesnė:
| Lūkestis | Realybė |
|---|---|
| „AI pakeičia darbuotojus" | AI automatizuoja dalis užduočių |
| „Iš karto duos rezultatų" | Paprastai 3–6 mėnesiai iki realios vertės |
| „100% tikslumas" | 85–95% — geras rezultatas |
| „Vienas sprendimas viskam" | Skirtingi scenarijai reikalauja skirtingų įrankių |
| „Nereikės IT" | No-code turi ribas — sudėtingiau reikia specialistų |
Kai vadovybės lūkesčiai yra nerealistiški, projektas yra pasmerktas: net ir gerai veikiantis sprendimas bus laikomas nesėkme, nes neišpildė neįvykdomų pažadų.
Sprendimas: Prieš projekto pradžią — aiški lūkesčių kalibracija. Kas bus pasiekta, per kiek laiko, kaip tai bus matoma. Geriausia — raštu.
4. Netinkamo įrankio pasirinkimas
Pasaulyje yra tūkstančiai AI įrankių. Jų pasirinkimas be aiškios logikos dažnai veda prie nusivylimo.
Dažnos klaidos:
- Per didelis įrankis mažai problemai — enterprise sistema, kur pakaktų SaaS
- Per mažas įrankis sudėtingai problemai — no-code chatbot ten, kur reikia pilno RAG sprendimo
- Įrankis be integracijų — veikia atskirai, bet nesusijęs su kitomis sistemomis
- Pasirinkimas pagal demonstraciją, ne pagal testavimą — gražus demo ≠ veikia jūsų atveju
Sprendimas: Prieš perkant — bandomasis projektas. Dauguma rimtų platformų turi 14–30 dienų nemokamą bandomąjį laikotarpį. Jei negalite išbandyti prieš pirkdami — tai bloga žinia.
5. Trūksta apmokymų ir priėmimo proceso
Techniškai puikiai veikianti sistema gali žlugti dėl vienos paprastos priežasties: darbuotojai jos nenaudoja.
Kodėl darbuotojai vengia naujų AI sistemų:
- Baimė, kad sistema juos kontroliuoja arba keičia
- Neaišku, kaip naudotis, ir nėra laiko mokytis
- Sistema sukelia daugiau darbo, ne mažiau (bent iš pradžių)
- Niekas neklausia, ar ji veikia iš tiesų
Lietuvos verslo kontekste — papildomas veiksnys: IT naujovių adaptacijos greitis skiriasi tarp kartų ir skyrių.
Sprendimas: Change management yra ne minkštas papildymas, o projekto dalis. Tai reiškia: ankstyvą komunikaciją, mokymų sesijas, kantrybę pereinamuoju laikotarpiu ir aiškų atsakymą į klausimą „ką tai man duoda".
6. Nėra stebėsenos ir iteracijų
AI sistema, paleista ir pamiršta — tai brangiai kainuojantis dekorumas. Sistemas reikia stebėti, analizuoti ir tobulinti.
Kas atsitinka be stebėsenos:
Klaidos kaupiasi ir niekam nežinomos
Sistema prognozuoja pagal pasenusią logiką
Naudotojai praranda pasitikėjimą, kai sistema klysta
Investicija atspindi tik dalį galimo potencialo
Savaitinis peržiūros rutinas (kiek klausimų išsprendė, kiek ne)
Mėnesinis tikslumo patikrinimas
Ketvirtinis modelio atnaujinimas (jei taikoma)
Praktinis klaidų prevencijos sąrašas
Prieš bet kokį AI projektą, atsakykite į šiuos klausimus:
- Ar žinome, kokią konkrečią problemą sprendžiame?
- Ar turime išmatuojamą sėkmės kriterijų?
- Ar mūsų duomenys yra pakankamai kokybiški?
- Ar darbuotojai, kurie naudos sistemą, dalyvavo planavime?
- Ar turime planą, kas nutiks, jei sistema klysta?
- Ar yra paskirtas atsakingas žmogus už sistemos priežiūrą?
- Ar galime pradėti nuo mažo piloto prieš didelį diegimą?
Jei į daugumą šių klausimų atsakymas yra „ne" — projektas dar neparuoštas. Ir geriau tai žinoti dabar, nei po investicijos.
WebEdge sukuria demo per 7 dienas su jūsų verslo duomenimis. Kaina prasideda nuo €499.
FAQ
Stebėsenos minimumas:
Kaip įvertinti mūsų duomenų kokybę prieš pradedant AI projektą?
Kas turėtų būti atsakingas už AI projekto valdymą — IT skyrius ar verslo vadovybė?
Kaip nustatyti realistiškus sėkmės kriterijus AI projektui?