Miért bukik el a legtöbb nagyvállalati AI bevezetés?

Háttér

Miért olyan magas a kudarcok aránya?

Egy McKinsey elemzés is megerősítette, amit én is tapasztalok. Az AI projektek közel kétharmada nem éri el a kitűzött üzleti célt. A Gartner hasonló arányokról számol be, és a saját projektjeimben is ugyanez a mintázat köszön vissza. A vállalatok több mint felénél az első AI pilot után érdemi terjeszkedés nem következik be. Ez nem azt jelenti, hogy a technológia nem működik. Azt jelenti, hogy a bevezetés módja rendszeresen elromlik.

Amikor egy projektet közelebbről megvizsgálok, szinte mindig ugyanazok a minták kerülnek elő. Nem egyedi balszerencse, nem iparág-specifikus probléma. Hat visszatérő hiba felelős a kudarcok nagy többségéért. Az alábbiakban ezeket járom végig, az én tapasztalatom szerint sorrendben, konkrét példákkal és azzal együtt, hogy mi lett volna a teendő helyettük.

1. hiba

A projekt technológiai feladat, nem üzleti kezdeményezés

A legtöbb vállalatnál az AI bevezetés az IT osztályon vagy az innovációs laborban kezdődik. Egy lelkes csapat kipróbál egy eszközt, az működik a demóban, majd a projektet felterjesztik jóváhagyásra. A döntéshozók igent mondanak, de valójában nem értik, mit fognak kapni, és nem is fektetnek bele személyes felelősséget.

Az eredmény az, hogy az IT szállít valamit, de az érintett üzleti terület nem használja, mert sosem érezte sajátjának. Azt tapasztaltam, hogy az ilyen projekteknél a rendszer pontosan addig él, amíg az implementáló csapat aktívan tolja. Amint a figyelem elvándorol, az eszköz lassan eltűnik a napi rutinból. Egy 2025-ös európai iparági felmérésben a megkérdezett cégek 58 százaléka jelezte, hogy az AI eszközöket a végfelhasználók rendszeresen megkerülik, és visszatérnek a korábbi folyamatokhoz.

Ez nem azt jelenti, hogy az IT-nek nincs szerepe. De a projekt gazdáját az érintett üzleti területen kell keresni. Értékesítési vezető, pénzügyi igazgató, operatív vezető. Ők tudják megmondani, hogy mikor lett jobb a munkájuk, és ők azok, akik valóban elveszítenek valamit, ha a projekt elbukik.

2. hiba

Nincs meghatározva, mit jelent a siker

Meglepően sok vállalatnál nem létezik előre rögzített sikermetrika. A projekt elindul azzal a céllal, hogy legyen AI a folyamatban, de senki nem definiálta, hogy ezt hogyan mérjük hat hónap múlva. Ennek két következménye van. Egyrészt a projekt soha nem minősülhet sikertelennek (mert nincs mire hivatkozni), másrészt soha nem lehet igazolni a befektetés megtérülését sem.

Az egyik ügyfelemnél dokumentumfeldolgozó AI-t vezettünk be, és a projekt végén mindenki elégedett volt. Amikor rákérdeztem, hogy mennyi időt spórol naponta a csapat, senki nem tudta a választ, mert a kiindulópontot nem mértük le. Az AI ott volt a rendszerben, de a megtérülésről semmilyen adat nem állt rendelkezésre. Ebből a projektből tanultam meg, hogy az első dokumentum, amit el kell készíteni, nem a rendszertervdokumentáció, hanem a baseline mérés. Erről bővebben a megtérülés-számítási cikkemben írok.

Mit kell előre rögzíteni?

• Jelenlegi folyamat átlagos ideje vagy költsége (baseline)
• Várt javulás mértéke és határideje
• Ki méri, mikor, és milyen adatforrásból
• Mi számít kudarcnak, és mikor állítjuk le a projektet

Ez nem bürokratikus öncélúság. Az egyértelmű sikermetrika védi magát a projektet is. Ha a szervezetben átrendeződnek a prioritások, egy számokkal alátámasztott projekt sokkal könnyebben túléli a belső politikai nyomást.

3. hiba

Túl nagy hatókörű első projekt

A nagyvállalatok hajlamosak átugrani a kis lépéseket. Ahelyett, hogy egy jól körülhatárolható folyamaton bizonyítanák az értéket, rögtön az egész vállalatra kiterjedő platformmegoldást akarnak. Az eredmény egy 18 hónapos implementáció, közben a szervezet elvágyódik, a vezetők elfelejtik, miért indult el az egész, és mire élőbe kerülne, már más technológia van divatban.

Az egyik legjobb AI visszatérülést produkáló ügyfelem, akivel dolgoztam, egyetlen folyamatot automatizált az első hat hónapban, mégpedig az ajánlatkérésekre adott első válasz megírását. Egyetlen osztály, egyetlen lépés, mérhető eredmény. Utána könnyű volt a következő lépést indokolni, mert az első sikert mindenki látta. Amikor ezt elvégeztük, a projekt szinte eladta magát a következő körre.

A sikeres AI skálázás szinte mindig alulról épül fel. Kis győzelmek, belső referenciák, majd fokozatos terjeszkedés. A felülről diktált, egyszerre mindent megoldó megközelítés az, ami jellemzően megfeneklik.

4. hiba

Az emberek nem kapnak felkészítést, csak eszközt

Az AI eszközök bevezetésekor a legtöbb szervezet azt feltételezi, hogy az alkalmazottak majd maguktól rájönnek a használatra. Esetleg tartanak egy egyórás bemutatót, odaadják a licenceket, és elvárják, hogy a következő hónapban már 30 százalékkal hatékonyabb legyen a csapat. Az én tapasztalatom szerint ez szinte soha nem így alakul.

Az emberek nem azért kerülik az új eszközöket, mert lusták vagy ellenállnak a változásnak. Azért kerülik el, mert nem tudják, hogyan illesszék be a munkájukba, attól tartanak, hogy rosszul csinálják, és senki nem mutatott nekik valódi, a saját munkájukhoz kapcsolódó példát. Egy belső felmérés eredménye, amelyet egy 3000 fős magyarországi vállalatnál végeztek 2025 elején, azt mutatta, hogy az alkalmazottak 71 százaléka kapott hozzáférést egy AI eszközhöz, de csak 22 százalékuk használta rendszeresen három hónappal később.

Ami valóban működik felkészítés terén

1. Valódi munkafolyamatokra szabott, kézzel fogható példák bemutatása
2. Kis csoportos, interaktív tréning, ahol a résztvevők a saját feladataikat próbálják ki
3. Kijelölt belső power userek, akikhez kollégák fordulhatnak kérdéssel
4. Rendszeres visszajelzési kör az első 60 napban

Az ember nem mellékszereplője az AI bevezetésnek. Ő a főszereplő. Az eszköz csak akkor hoz értéket, ha valaki ténylegesen, napi szinten és magabiztosan használja. A legjobb technológia sem segít, ha a csapat nem tudja, mire jó.

5. hiba

Adatminőség és adathozzáférés nincs rendezve

Az AI rendszerek csak annyira jók, mint az adatok, amelyeken dolgoznak. Ez közhelynek hangzik, de a valóságban a vállalatok megdöbbentően ritkán rendezik a hátukat ezügyben, mielőtt elkezdenek AI-t bevezetni. Ennek eredménye az, hogy a rendszer rossz adatból rossz döntést hoz, a felhasználók elveszítik a bizalmat, és az eszközt félreteszik.

Az egyik ügyfelemnél ügyfélszolgálati AI-t építettünk, amely az ügyféladatbázisból dolgozik. Amikor megvizsgáltuk az adatbázist, kiderült, hogy az ügyféladatok 40 százaléka hiányos, elavult vagy duplikált volt. Az AI válaszok ennek megfelelően pontatlanok lettek. Hat hónap fejlesztés után a projektet leállították, pedig a hiba nem az AI-ban volt, hanem az adatban. Ha ezt az átvilágítást elvégeztük volna a projekt elején, el lehetett volna kerülni a fél év veszteséget.

Az adathoz való hozzáférés szintén visszatérő probléma. Az AI eszköznek szüksége van valós idejű vagy naprakész adatra, de a meglévő rendszerek API-jai korlátozottak, a jogosultsági struktúrák bonyolultak, és az IT-val való együttműködés hónapokat vesz igénybe. Ezt a technikai előkészítést nem lehet megúszni, de korán el kell kezdeni.

6. hiba

Nincs felelős a bevezetés utáni fázisra

Az AI projektek jellemzően erős csapatot kapnak a bevezetésig. Utána a felelősség elolvad. Az implementáló tanácsadó elmegy, a projektmenedzser új feladatot kap, és hat hónap múlva senki nem tudja pontosan, ki felel azért, hogy az AI eszköz működik-e, fejlődik-e, és valóban beépült-e a napi munkába.

A bevezetés utáni időszak legalább ugyanolyan kritikus, mint maga a projekt. Az első három-hat hónap az, amikor a szokások kialakulnak, amikor kiderülnek a valódi súrlódási pontok, és amikor a felhasználók eldöntik, hogy tényleg az új eszközre építenek, vagy visszatérnek a régi módszerekhez. Azt tapasztaltam, hogy azok a projektek, ahol kijelölt belső tulajdonos nem volt, egy éven belül szinte kivétel nélkül visszacsúsztak a korábbi szintre.

A bevezetés utáni fázis minimumkövetelményei

• Kijelölt belső tulajdonos, aki felelős az eszköz hosszú távú működéséért
• Negyedévente felülvizsgált sikermetrikák
• Rendszeres felhasználói visszajelzés gyűjtése és feldolgozása
• Tervezett frissítési és fejlesztési ciklus az eszközre

Az AI bevezetés nem egyszeri projekt, hanem folyamatos szervezeti képességépítés. Akik ezt megértik, azok nem csak egyetlen területen látnak eredményt, hanem fokozatosan az egész szervezet tanulóképességét növelik. Arról, hogy ez milyen üzleti előnnyé alakítható, a megtérülésről szóló cikkemben részletesebben írok.

Mélyebb összefüggés

A szervezeti felkészültség, amit senki nem mér, de mindenki megérez

Az elmúlt évek projektjeiből kialakult bennem egy kép. A sikeres AI bevezetés nem azon múlik, melyik eszközt választják, hanem azon, hogy a szervezet mennyire kész befogadni a változást. Ezt nehéz mérni, de nagyon könnyen megérezni.

Amikor belépek egy céghez, az első néhány megbeszélés alatt már látom, hogy milyen lesz a projekt. Nem a PowerPoint diáiból, hanem abból, hogyan reagálnak a kérdéseimre. Ha a vezető azt mondja, „majd az IT megcsinálja“, ott az üzleti tulajdonlás hiányzik. Ha azt mondják, „majd megnézzük, hogyan megy“, ott a sikermetrika hiányzik. Ha azt mondják, „a csapat már kapott tréninget“ de senki nem tudja megmutatni, mit csinált azon a tréningen, ott a felkészítés formális volt, nem valódi.

A három kérdés, amit mindig felteszek az első meetingen

Az évek alatt kialakult egy bevezető rutinom. Minden új megbízásnál, még a részletek előtt, három kérdést teszek fel.

Az első kérdés az, hogy ki az a vezető, akinek személyesen rossz lesz, ha ez a projekt nem sikerül. Ha a válasz „mindenki“ vagy „senki“, az intő jel. A felelősség megoszlása a szervezetekben szinte mindig a felelőtlenség szinonimája.

A második kérdés az, hogy mit fog másképp csinálni a csapat három hónappal a bevezetés után. Ha a válasz általános („hatékonyabbak leszünk“, „gyorsabban dolgozunk“), akkor nincs konkrét elképzelés a változásról. Ez azt jelzi, hogy a projekt célja valójában a technológia megszerzése, nem a folyamat javítása.

A harmadik kérdés az, hogy mi az, amit most nem tudtok megcsinálni, és amit az AI után meg tudtok majd csinálni. Ez a kérdés szétválasztja az automatizálási projekteket az igazi transzformációtól. Az automatizálás gyorsítja azt, amit eddig is csináltatok. A transzformáció megnyit olyan lehetőségeket, amelyek eddig nem léteztek. Mindkettőnek van helye, de tudni kell, melyiket csináljuk.

Miért buknak el azok is, akik tudják a szabályokat?

Sok vezető, akivel találkozom, elolvasta a cikkeket, megnézte a konferenciákat, és fejből tudja, hogy „kell a business owner“, „kell a metrika“, „kell a tréning“. Mégsem működik náluk sem.

Az én tapasztalatom szerint ennek egy oka van. A felkészülés és a végrehajtás között van egy rés, és ebbe a résbe süllyed el a legtöbb projekt. A business ownert kijelölik, de nem adnak neki elegendő időt és hatáskört. A metrikát rögzítik, de három hónap után senki nem nézi. A tréninget megtartják, de utána nincs visszajelzési kör.

A struktúra megvan, de a következetesség nem. Ebből a tapasztalatból fejlesztettem ki azt a kíséret-alapú megközelítést, amelyet az AI Transformation Day programban is alkalmazok. Nem csak megtervezzük a bevezetést, hanem az első 90 napban aktívan jelen vagyok, és segítek fenntartani a lendületet, amikor a napi munka nyomása elkezdi felülírni a projektprioritásokat.

Összefoglalás

Mit jelent ez a gyakorlatban?

A hat hiba közül egyik sem technológiai probléma. Mindegyik emberi, szervezeti, vezetési kérdés. Ez egyszerre rossz és jó hír. Rossz, mert nem elég megvenni a legjobb AI eszközt. Jó, mert ezek a hibák felismerhetők és elkerülhetők, ha a bevezetéshez rendszerszerűen állunk hozzá.

A legsikeresebb nagyvállalati AI projektek, amelyeket közelebbről ismerek, közös jellemzője az volt, hogy volt egy üzleti tulajdonos, aki valóban érdekelt volt a sikerben. Volt egy konkrét, mérhető cél. Az első fázis kis és gyors volt. Az embereket felkészítették. Az adatok rendben voltak. És a go-live után is maradt felelős a folytatásért.

Ha ezek közül akár csak kettő-három hiányzik, a projekt nagy valószínűséggel bekerül abba a 70 százalékba, amely nem hozza az elvárt eredményt.

Következő lépés

Hogyan kerülheted el ezeket a hibákat a saját szervezetedben?

Ha nagyvállalatnál vezetsz be AI-t, vagy éppen döntés előtt állsz, egy strukturált átvizsgálással célszerű kezdeni. Hol tart a szervezet, milyen folyamatokra érdemes először fókuszálni, és milyen belső feltételek szükségesek a sikerhez.

Az AI Transformation Day egy félnapos, vezetőknek szóló program, ahol ezeket a kérdéseket a saját szervezeted kontextusában járjuk végig. Nem általános előadás, hanem konkrét, az iparágadra és a szervezeti helyzetedre szabott munka. A program végén kézzelfogható, prioritizált lista áll rendelkezésre arról, hol érdemes elkezdeni, és mit kell előre rendezni a sikerhez.

Ha szeretnél többet megtudni, írj közvetlenül.[email protected]