Защо 95 % от всички AI проекти се провалят — и каква е ролята на качеството на данните
MIT 2025: 95 % от всички AI пилотни проекти не носят измерим принос за P&L. Най-честата причина не е технологията — а данните зад нея.
Обаждането
Миналата седмица ми се обади CFO на средно голяма немска машиностроителна компания. Машиностроене, около 700 служители, здравословен марж, стабилен растеж. Компанията му беше купила AI лицензи за приблизително половината от служителите си преди седем месеца, с чист план за внедряване. Workshop, програма за шампиони, месечен бюлетин, всичко.
Въпросът му по телефона: „Можете ли да ни кажете къде изчезна възвращаемостта?"
Знаех честния отговор, преди да е завършил разказа си. В приблизително деветнадесет от двадесет сравними проекта се стига до един и същи момент, и това не е чувство: MIT го документира с числа миналото лято.
Числото, което може да развали деня
През лятото на 2025 MIT (по-точно NANDA Initiative) публикува проучване със заглавие State of AI in Business. Анализирани са 300 документирани AI проекта, 52 интервюта на ниво борд и 153 анкети с ръководители. Това не е лъскав маркетингов whitepaper. Това е сравнително трезва инвентаризация.
Централната находка: при 95 % от всички генеративни AI пилотни проекти не се откри измерим принос за P&L. Деветдесет и пет. Не оценката на IT директора. Не впечатлението от индивидуалните разговори със служителите. Нищо, което се появява в контролинговия отчет в края на тримесечието.
Преди някой да каже „значи AI е надценен": не е. Останалите 5 % показват, че работи. Честният въпрос е защо толкова малко компании стигат дотам.
Представете си стажант
Представете си стажант, който е прочел всеки документ във вашата компания. Всеки договор. Всяка рекламация. Всеки проектен отчет от последните пет години. Можете да го попитате:
„Коя група клиенти подаде най-много рекламации през последното тримесечие, и свързано ли е това с нашата смяна на доставчик през февруари?"
Отговор за 30 секунди, със справки за източниците. Това е по същество това, което имаме предвид, когато казваме „Корпоративен LLM".
Разликата спрямо ChatGPT: ChatGPT знае всичко за отвореното интернет пространство, но нищо за вас. Един Корпоративен LLM познава вашата компания. С права за достъп, които зачитат вашата организация, така че счетоводството вижда счетоводство, а продажбите виждат продажби. За много компании това е следващата стъпка след широко внедряване на Copilot, което ускорява срещите и писането, но не отключва същинското вътрешно знание.
Защо стажантът все пак се проваля
Стажант с памет може да отговаря само толкова добре, колкото добри са папките, които получава. А в повечето компании папките изглеждат така:
Вашата договорна документация съществува в пет версии, разпределени по четири SharePoint папки. Има десет коментара в полето на Word документ от 2022. Най-актуалният Excel е на лаптопа на ръководител на отдел, който в момента е в отпуска. А в една от тези папки лежи и PDF версия, която никой повече не поддържа, но която всички отварят, когато бързо им потрябва договорът.
В такава настройка дори най-добрият стажант дава противоречиви отговори. Това е най-честата причина зад 95 % провалите в MIT проучването. Не моделът. Това, което му се показва.
В практиката обикновено липсват три неща.
Първо, ясно състояние на данните. AI трябва да знае коя версия е актуална и коя е отдавна остаряла. Звучи тривиално. Не е.
Второ, права за достъп. AI, който заобикаля правата за достъп на организацията ви вместо да ги зачита, създава рискове за съответствието, които вашата длъжностна по защита на данните и EU AI Act не приветстват. Повече по темата в нашата пътна карта за EU AI Act.
Трето, това, което наричаме „структурирано подаване". Конкретно: сканирана фактура като JPG, договор с ръкописни бележки, проектен отчет в стар Word файл. Всичко това трябва първо да бъде правилно подготвено, преди AI да може да работи продуктивно с него. В почти всеки проект усилието за това се подценява. Понякога с фактор три.
Къде междуотделовият достъп изведнъж става ценен
Три примера от реални клиентски ангажименти, леко анонимизирани.
Продажби среща сервиз. Голям клиент от здравния сектор пита за оферта. Вместо три дни проучване, екипът по оферти събира за две минути това, което иначе би било разпръснато из целия отдел: всички предишни поръчки, отворени тикети в поддръжката, договорни условия, актуален марж. Ръководителят на продажбите подписва офертата с по-ясна картина и по-реалистичен минимален праг на цената.
Право среща доставчици. Преговори с доставчик. AI знае веднага: кои клаузи вече сме договаряли в сравними договори, кои станаха проблемни по-късно, какво ръководството отхвърли последния път. Преговори, които траеха две седмици, после траят два дни. Реалистично, не от търговската брошура.
Ръководство среща данни. Вместо PDF отчет от контролинга, бордът задава въпроса директно: „Кое подразделение допринесе най-много за подобряването на EBIT през последното полугодие, и защо?" Отговорът идва с източници, за 20 секунди, по средата на срещата. Забелязахме страничен ефект, който дори нас изненада: бордовете започват да задават по-конкретни въпроси. Защото знаят, че ще получат конкретни отговори.
Внимание: ако внедрите междуотделов AI без чисти права за достъп, създавате точно риска от Shadow AI за съответствието, който всъщност искате да премахнете.
Изграждане или купуване?
MIT проучването тук е по-директно, отколкото повечето биха очаквали. Самостоятелните разработки се провалят два пъти по-често от закупените решения: 67 % успех при специализирани партньорства, 33 % при чисто вътрешни разработки.
Това не е идеологически въпрос и не е търговска линия от страна на доставчиците на услуги (включително и мен). Това е въпрос на специализация. Интеграция на данни, избор на модел, сигурност, текуща поддръжка. Нищо от това не е страничен проект за съществуващия IT екип, и в първото тримесечие редовно се омаловажава. Чуваме същото изречение във всеки втори първоначален разговор: „Искахме да го изградим сами. Сега търсим партньор."
Това е модел.
Какво ръководството прави различно
Компаниите, които попадат в 5 %, ги виждаме да правят три неща различно.
Първо: започват с ясен бизнес проблем, не с технология. „Искаме да ускорим офертите си с 40 %" е добра отправна точка. „Искаме Корпоративен LLM" не е отправна точка. Това е желание.
Второ: проверяват основата на данните, преди да изберат модел. Кои източници трябва да бъдат свързани, колко актуални са, кой има право да види какво. Това е най-скучната фаза в проекта. Тя също е най-важната.
Трето, ако за първи път настройвате нещо подобно: намерете партньор, който вече е изминавал този път десет пъти. Първите шест месеца са скъпи в учебни криви, не в лицензни такси.
Започнете сега
Възвращаемостта на Корпоративен LLM рядко е свързана с модела. Тя е свързана с въпроса дали вашите вътрешни данни са готови за AI. Този въпрос може да бъде отговорен чисто в двудневен workshop, преди да започне първият проект. Ако това е в дневния ви ред в момента, свържете се с нас. Правим това често.
Източници
Често задавани въпроси
Каква е разликата между Корпоративен LLM и ChatGPT Enterprise?
Не е различен AI модел. Това е контролирана връзка между AI модел и знанията на вашата организация. ChatGPT Enterprise знае много за отвореното интернет пространство, но нищо за вашите договори с доставчици, история на рекламации или статус на проекти. Един Корпоративен LLM прави точно това вътрешно знание заявимо, по начин, в който счетоводството вижда само счетоводни данни и продажбите само търговски.
Какви данни трябва да подготвя, преди да започна?
По-малко, отколкото повечето смятат. Но по-чисти, отколкото повечето имат. В пилотен режим обикновено са достатъчни два до три ясно очертани източника на знания, например CRM, библиотеката с оферти и две години проектна документация. По-важно от обема е актуалността, ясните права за достъп и чистото разделение между валидни и остарели версии.
Да изградим сами или да закупим?
MIT проучването от 2025 е недвусмислено: самостоятелните разработки се провалят два пъти по-често от закупените решения. 67 % успех при специализирани партньорства, 33 % при чисто вътрешни разработки. Интеграцията на данни, сигурността и текущата поддръжка са по-тежка работа, отколкото изглеждат в пилотен етап. Без специализиран AI екип в къщи, с партньор се стига по-бързо до ROI.
