רוב הכתבות על כישלון של AI מצטטות מספר וממשיכות הלאה. הנה המספר שכדאי לעצור עליו: מחקר NANDA של MIT מצא ש-95% מפיילוטים של AI גנרטיבי בארגונים לא הניבו שום החזר מדיד בשורה התחתונה. לא החזר קטן. אפס.
את הנתון הזה נהוג לקרוא ככתב אישום נגד הטכנולוגיה. הוא לא. כשבדיקה של 140 יישומים ארגוניים מיינה את הכישלונות לפי סיבה, רק 23% נבעו מביצועי המודל או מאינטגרציה. 77% הנותרים נבעו מאסטרטגיה, מ-governance ומניהול שינוי. המודלים ברובם עבדו. הארגונים סביבם לא.
יישום AI ארגוני נכשל מסיבות ארגוניות, לא טכניות
זה משנה לאן מפנים את תשומת הלב. אם פרויקטים של AI נכשלו כי המודלים חלשים, הפתרון היה מודלים טובים יותר. הם לא חלשים. מחקר של MIT Sloan מ-2025 מצא ש-73% מהפרויקטים שנכשלו כלל לא הגדירו מהי הצלחה לפני שהתחילו. לפי כמה מדדים, סוגיות של הנהלה ותהליך אחראיות ליותר מ-80% מהכישלונות.
חברה יכולה לקנות את המודל הטוב ביותר שקיים ועדיין להגיע לרוב שלא מניב דבר. הגורמים המכריעים יושבים לפני הטכנולוגיה, בהחלטות שמתקבלות עוד לפני שמישהו כותב prompt.
היכן יישום AI ארגוני באמת נשבר
אף אחד לא הסכים איך נראית הצלחה
שלושה רבעים מהפרויקטים שנכשלו דילגו על השלב הזה. צוות משיק עוזר חכם, הוא עונה על שאלות, כולם מהנהנים, וכעבור חצי שנה אף אחד לא יודע להגיד אם הוא חסך כסף. בלי מספר שמוגדר מראש, כמו פניות שנחסכו, שעות שהוחזרו או זמן טיפול מהיר יותר, אין לפרויקט דרך להוכיח שהוא עבד ואין לו דרך להצדיק שלב שני.
ה-AI יושב על נתונים שאף אחד לא מנהל
Gartner מצאה שרק 12% מהארגונים מחזיקים בנתונים באיכות מספקת ל-AI, וצופה ש-60% מהפרויקטים שחסרים נתונים מוכנים ל-AI ייזנחו עד סוף 2026. כלים מתוחכמים על נתונים מפוצלים ולא מנוהלים מייצרים תשובות שגויות ובטוחות בעצמן. ההדגמה מסתירה את זה כי היא רצה על מדגם נקי. בעולם האמיתי זה אחרת.
הפיילוט נבנה כדי להדגים, לא כדי לעבוד
החלטות ארכיטקטורה שמתקבלות בשלב הפיילוט קובעות אם בכלל אפשר יהיה להגדיל. פיילוט שחובר למצגת מדלג על ניטור, על טיפול בשגיאות ועל אינטגרציה עם המערכות שאליהן הוא יגע בסופו של דבר. כשמגיע הזמן לעבור לעבודה בעולם האמיתי, התשובה הכנה היא לרוב ששום דבר שנבנה עד כה לא יכול לעבור לשם. ארגונים גורטים 46% מהוכחות ההיתכנות לפני שלב העבודה, ופחות ממחצית בכלל חוצות את הגשר.