Úskalí

Proč AI projekty selhávají: devět příčin, z nichž žádná nesouvisí s technologií

Proč AI projekty selhávají? S technologií to souvisí jen zřídka. Výběr nástroje dřív než úlohy, testování na čistých datech, nezapsané opravy — devět chyb, které firmy opakují, v pořadí, v jakém přicházejí.

Publikováno 10 min

Stručná odpověď

AI projekty selhávají na technologii jen zřídka. Výzkum RAND uvádí míru selhání přes 80 procent — přibližně dvojnásobek oproti IT projektům bez AI — a připisuje ji hlavně špatně pochopenému zadání, datům, která neobstojí v ostrém provozu, a změně, za kterou nikdo neodpovídal. Všech devět selhání níže je organizačních.

Hlavní body

  • Přes 80 procent AI projektů selže, zhruba dvojnásobek oproti IT projektům bez AI.
  • Vybrat technologii dřív než úlohu je nejdražší chyba z celého seznamu.
  • Pilot, který běžel na vybraných datech, se v ostrém provozu sesype — testujte nejdřív na nejhorších souborech.
  • Opravy, které udělají vaši lidé, jsou nejcennější data, jaká vytvoříte. Většina firem je zahodí.
  • Hned v prvním týdnu si ujasněte, kam smějí data; v regulovaných dodavatelských řetězcích právě to nejčastěji zastaví projekt těsně před cílem.
Devět příčin, proč AI projekty selhávají: od výběru technologie dřív než úlohy až po oznámení projektu jako programu úspor.
Devět způsobů, jak to pokazit. Ani jeden z nich není technický.

Viděli jsme dost AI projektů ve strojírenství i ve službách na to, abychom si všimli, že selhání se opakují podle stejného vzorce a skoro nikdy nejsou technická. Tady je devět, se kterými se setkáváme nejčastěji, zhruba v pořadí, v jakém se v projektu objevují.

1. Vybrat technologii dřív než úlohu

Někdo uvidí ukázku, nadchne se a začne hledat, kde by se dala nasadit. Tak vznikají řešení, která si hledají problém. Je to nejdražší chyba z celého seznamu, protože utratí důvěru firmy za něco, o co nikdo nestál. Začněte od úlohy, která vaše lidi zdržuje, a k nástroji se dopracujte až od ní.

2. Rozjet pět pilotů místo toho, aby se dotáhl jeden

Portfolio pilotů vypadá jako pokrok, ale bývá jeho přesným opakem. Pilot se snadno začne a těžko dokončí, takže firma, která rozjede pět, obvykle nedokončí ani jeden. Každý se dostane na těch nepříjemných osmdesát procent, kde zbývá už jen nezáživná integrace, a pozornost se přesune k další novince.

3. Testovat na čistých datech

Každá ukázka dodavatele běží na uklizeném dokumentu. Vaše realita je sken se skvrnou od kávy, revize, kterou nikdo neumí vysvětlit, a popis produktu, který někdo psal v pátek ve čtyři. Pokud si před podpisem nevyzkoušíte své nejhorší vstupy, kupujete systém, který funguje všude kromě vaší firmy.

4. Nechat AI jednat, aniž by to někdo schválil

Jakmile přesnost vypadá dobře, je lákavé kontrolní krok zrušit — vždyť právě v něm zbývají náklady. Odolejte tomu všude, kde výstup opouští firmu nebo vstupuje do řízeného dokumentu. U AS9100 nebo IATF 16949 „rozhodl to systém“ není záznam a auditor ho neuzná.

5. Nezapisovat si opravy

Když člověk výstup přepíše, je ta oprava nejcennější záznam, jaký vaše firma letos vytvoří. Většina firem ho zahodí: člověk výstup opraví, práce jde dál a nikde po tom nezůstane stopa. Zapisujte si, co bylo špatně, jaká byla správná odpověď a kdo o tom rozhodl. Za pár měsíců vám právě tenhle záznam umožní doladit systém na vaši práci, ne na světový průměr.

6. Platit za uživatele, když se práce měří v dokumentech

Velká část AI nástrojů se účtuje za uživatele, protože tak se software vždycky prodával. Pokud se ale vaše práce měří v dokumentech — zkontrolovaných výkresech, vystavených nabídkách, přečtených fakturách — je to špatný model. Buď platíte za nevyužité licence, nebo jich koupíte příliš málo a omezíte tím proces, který jste chtěli rozšířit. Než něco podepíšete, přepočítejte si svůj skutečný roční objem v obou modelech.

7. Odkládat otázku, kam smějí data

Řada subdodavatelských smluv v letectví a automobilovém průmyslu zakazuje předat zákazníkovy výkresy či specifikace třetí straně bez písemného souhlasu — a nahrání souboru do cloudu poskytovatele SaaS je přesně takové předání. Je to nejčastější důvod, proč slibný pilot zastaví právní oddělení, a skoro vždy se to stane pozdě, když už je práce hotová. Vyřešte to písemně v prvním týdnu, dřív než začnete posuzovat byť jedinou funkci.

8. Měřit špatná čísla

Počet zpracovaných dokumentů, přihlášených uživatelů či běžících pilotů jsou ukazatele aktivity — rostou bez ohledu na to, jestli se něco zlepšilo. Záleží jen na dvou číslech: na hodinách, které konkrétní tým ušetří, a na chybách zachycených dřív, než něco stály. Pokud přínos neumíte vyjádřit jedním z nich, zatím nevíte, jestli to fungovalo.

9. Oznámit to lidem jako program úspor

Pokud lidé o AI poprvé slyší v souvislosti s náklady, docela logicky si domyslí, že půjde o propouštění — a vy přijdete o spolupráci právě těch zkušených lidí, jejichž znalosti systém potřebuje. Představte to jako odstranění práce, která je už tak otravuje, konkrétně řekněte, o které úlohy jde, a přiznejte, co zatím nevíte.

Každé z těchto devíti selhání je organizační selhání v technickém převleku. Model bývá problémem jen zřídka.

Shrnutí

Ani jedno z těchto devíti selhání není důvodem vyhýbat se AI. Jsou to důvody řídit ji jako každou jinou provozní změnu: vyberte problém, který lidé znají, ověřte řešení na datech, která opravdu máte, nechte za výstup odpovídat konkrétního člověka a měřte výsledek v hodinách nebo chybách, ne v aktivitě. Míra selhání je vysoká proto, že většina firem tyhle čtyři kroky přeskočí, ne proto, že by technologie nefungovala.

Časté dotazy

Jaké procento AI projektů selže?

RAND uvádí přes 80 procent, přibližně dvojnásobek oproti IT projektům bez AI. Jiné odhady se pohybují od 46 do 95 procent podle toho, co se považuje za selhání — například jestli se počítá i pilot, který se nikdy nerozšířil. Důležitější než rozptyl je společný vzorec: většina projektů se zastaví mezi pilotem a provozem.

Selhává opravdu technologie?

Skoro nikdy. Opakují se stejné příčiny: špatně pochopené zadání, data, která neodpovídají realitě, pilot, který podcenil rozsah integrace, a chybějící člověk odpovědný za změnu. Každá z nich je organizační selhání v technickém převleku.

Proč se AI piloty nedostanou do provozu?

Protože pilot byl rychlý právě proto, že vynechal všechno, co provoz obnáší: běžel na vybraných datech, v úzkém rozsahu, s ručním řešením výjimek a minimem pravidel. Při rozšíření se to všechno vrátí naráz. Pilot dokáže, že technologie funguje; provoz vyžaduje, aby kolem ní fungovala i organizace.

Jak se vyhnout pasti čistých dat?

Zařaďte své nejhorší vstupy přímo do výběru dodavatele. Pošlete pět nejhorších souborů z minulého měsíce — ten z faxu, sken se skvrnou, ten s rukou psanou poznámkou — a místo ukázky si vyžádejte surový výstup nástroje. S dodavateli, kteří tuhle zkoušku přijmou, se vyplatí mluvit dál.

Kdo má za AI projekt odpovídat?

Někdo z té části firmy, které výstup patří, ne jen IT. Selhání se kupí kolem nejasných cílů a nízké míry přijetí — a ani jedno z toho nevyřeší tým, který software nainstaloval.

Půlhodina nad vaším procesem

Napište nám, co vaše lidi nejvíc zdržuje. Řekneme vám, jestli se to vyplatí řešit pomocí AI — a pokud ne, řekneme vám i to.

Rezervovat hovor