Dlaczego 77% projektow AI w MSP konczy sie porazka

91% srednich firm mowi, ze AI jest wazne. 94% nie zrealizowalo ani jednego projektu AI. Wsrod 6%, ktore sprobowaly, 77% ponioslo porazke.

Te liczby pochodza z aktualnych badan niemieckiego Mittelstand-Digital Zentrum, IHK i Bitkom. Opowiadaja historie, ktora znam z pierwszej reki.

W Instacart widzialem, jak AI jest wdrazane prawidlowo: zaczynac od malego, szybko sie uczyc, potem skalowac. W DHL, Delivery Hero i New Relic obserwowalem, jak firmy z ogromnymi zbiorami danych i poteznym budzetem realizowaly projekty AI. Niektore z sukcesem, wiele bez. Na niemieckim rynku MSP widze teraz cos przeciwnego: duzy projekt, dluga perspektywa, zero mierzalnych rezultatow.

Dobra wiadomosc: porazka ma wzorce. Gdy je sie zna, mozna ich uniknac.

Piec powodow, dla ktorych projekty AI w MSP koncza sie porazka

Przez ostatnie dwa lata rozmawialem z dziesiatkami srednich firm o ich planach AI. Zaklady produkcyjne w regionie Eifel, firmy uslugowe w Nadrenii, przedsiebiorstwa rzemieslnicze w powiecie Euskirchen. Problemy sie powtarzaja.

1. Niska jakosc danych

"Smieci na wejsciu, smieci na wyjsciu" to nie slogan z podrecznika. To codziennosc.

Model AI jest tak dobry, jak dane, na ktorych sie uczy. A rzeczywistosc w wielu MSP wyglada tak: dane klientow w trzech roznych arkuszach kalkulacyjnych, dane produkcyjne w systemie z 2014 roku, historia zamowien w polowie cyfrowa, w polowie w papierowych segregatorach.

Jesli uruchomisz projekt AI na takich danych, uzyskasz wyniki, ktore w najlepszym razie sa bezuzyteczne. W najgorszym razie wyniki wygladaja wiarygodnie, ale sa bledne. I wtedy podejmujesz decyzje na podstawie wadliwych prognoz. To bardziej niebezpieczne niz brak AI w ogole.

W Instacart mielismy zespol, ktory zajmowal sie wylacznie jakoscia danych. Nie modelami, nie algorytmami. Tylko czystymi, spojnymi, aktualnymi danymi. Bez tego fundamentu najlepszy model na swiecie nie dostarcza niczego.

Wiekszosc MSP nie ma takiego zespolu. I to jest w porzadku. Ale wtedy trzeba zaczac od danych, ktore sie juz ma, i uczciwie ocenic, czy wystarczaja.

2. Brak konkretnego problemu do rozwiazania

"Potrzebujemy AI." Slysze to ciagle. Gdy pytam: "Do czego dokladnie?", zapada cisza.

Wiekszosc nieudanych projektow AI zaczyna sie od technologii zamiast od problemu. Ktos byl na targach, slyszal wyklad o ChatGPT i teraz firma ma "cos robic z AI." To tak, jakby kupic mllotek, a potem szukac domu, w ktorym mozna wbijac gwozdzie.

Wlasciwe podejscie jest odwrotne: masz konkretny problem. Tracisz klientow, bo oferty wychodza za wolno. Twoj zespol spedza 10 godzin tygodniowo na recznym wprowadzaniu danych. Kontrola jakosci systematycznie pomija ten sam typ usterki. Wtedy sprawdzasz, czy AI moze rozwiazac ten problem.

3. Zbyt szeroki zakres od poczatku

"Przeprowadzamy kompletna transformacje AI." To zdanie jest poczatkiem konca.

Firmy, ktore zaczynaja od wielkiego projektu, prawie zawsze ponoszza porazke. Dlaczego? Bo calosciowy projekt jest zbyt zlozony, zbyt drogi i trwa zbyt dlugo. Po szesciu miesiacach wydano duzo pieniedzy, ale nie ma niczego, co ktos wykorzystuje na co dzien. Motywacja spada, budzet jest kwestionowany, az w koncu projekt cicho umiera w kanale Teams, ktorego nikt juz nie otwiera.

W New Relic widzialem, jak nawet miliardowa firma technologiczna wdrazala AI krok po kroku. Nie jako "transformacje", ale jako serie malych eksperymentow. Kazdy eksperyment mial jasne ramy czasowe i mierzalny cel. Jesli zadzialal: skaluj. Jesli nie: zatrzymaj sie i ucz na bledach.

Tej dyscypliny prawie zawsze brakuje w MSP.

4. Brak wewnetrznego championsa

Projekty AI potrzebuja kogos w firmie, kto pilnuje sprawy. Nie prezesa, ktory oglosil projekt na konferencji strategicznej. Kogos, kto zna codziennosc, rozmawia z zespolem, rozpoznaje opor i go eliminuje.

Bez wewnetrznego championsa dzieje sie nastepujaco: zewnetrzny dostawca dostarcza rozwiazanie. Zespol nie rozumie, dlaczego ma zmieniac sposob pracy. Narzedzie jest uzywane przez dwa tygodnie, a potem ignorowane. Projekt uchodzi za "wdrozony", ale nie tworzy zadnej wartosci.

Zarzadzanie zmiana brzmi jak korporacyjny zargon. Bo nim jest. Ale problem za nim stojacy jest realny, nawet w 15-osobowej firmie. Ludzie nie zmieniaja zachowania tylko dlatego, ze ktos zainstalowael nowe narzedzie. Zmieniaja sie, gdy sami doswiadcza korzysci.

5. Zly dostawca

Ten ostatni punkt jest niezreczny, bo sam jestem dostawca. Ale trzeba to powiedziec.

Wiele projektow AI upada, bo dostawca sprzedal niewlasciwe rozwiazanie. Firma doradcza, ktora prowadzi wielomiesieczna ocene, zanim cokolwiek sie wydarzy. Startup, ktory sprzedaje platforme zbyt zlozoona dla MSP. Agencja, ktora pisze "AI" na stronie, ale tak naprawde skleja kilka wywolan API.

Na co zwracac uwage: Czy dostawca ma doswiadczenie z firmami Panstwa wielkosci? Czy moze pokazac referencje, w ktorych osiagnieto mierzalny ROI? Czy mowi o miesiacach czy tygodniach? Czy chce najpierw analizowac cala firme, czy zaczyna od konkretnego procesu?

Wzorzec, ktory dziala: maly, szybki, mierzalny

Teraz dobra wiadomosc. Projekty AI, ktore sie udaja, podazaja za jasnym wzorcem. Widzialem to w Instacart, w Delivery Hero i wsrod MSP, ktore zrobily to dobrze.

Wzorzec w trzech krokach:

Krok 1: Wybierz jeden proces. Nie dwa, nie trzy. Jeden. Proces, ktory najbardziej irytuje, pochlanial najwiecej czasu lub powoduje najwiecej bledow. To Twoj pilot.

Krok 2: Dostarcz mierzalny wynik w 30 dni. Nie w szesciu miesiacach. W 30 dni. To zmusza do utrzymania malego zakresu. "Czy mozemy w 30 dni pokazac, ze ten proces dziala szybciej, lepiej lub taniej?" Jesli odpowiedz brzmi nie, zakres jest zbyt duzy.

Krok 3: Mierz, ucz sie, dopiero potem skaluj. Czy pilot zadzialal? Co dokladnie przyniols? Ile godzin zaoszczedszono, ile bledow zredukowano, ile dodatkowego przychodu? Dopiero gdy masz te liczby, decydujesz o nastepnym kroku.

Dlaczego to dziala? Bo male projekty dostarczaja szybka informacje zwrotna. W ciagu tygodni widzisz, czy cos dziala. Mozesz skorygowac kurs, zanim stanie sie to drogie. I budujesz wewnetrzne zaufanie, co moze byc najwazniejszym punktem. Gdy Twoj zespol widzi, ze maly projekt AI naprawde oszczedza godziny, gotoosc do nastepnego kroku sie pojawia.

Gotowosc na AI: 5 pytan do Twojej firmy

Zanim rozpoczniesz projekt AI, odpowiedz uczciwie na piec pytan. Zadne z nich nie wymaga wiedzy technicznej. Wszystkie wymagaja szczerosci.

1. Czy masz konkretny, mierzalny problem? Nie "chcemy byc bardziej efektywni", ale "proces X zajmuje 8 godzin tygodniowo, a powinien zajmowac 2." Jesli nie mozesz opisac problemu jednym zdaniem, nie jest jeszcze gotowy na AI.

2. Czy masz dane na temat tego problemu? AI potrzebuje danych do nauki. Jesli Twoje zamowienia sa w trzech arkuszach, dwoch skrzynkach mailowych i notesie, najpierw musisz je skonsolidowac. Brzmi nudno. Bo jest nudne. Ale bez tego kroku AI nic nie wnosi.

3. Czy proces jest powtarzalny? AI najlepiej sprawdza sie przy zadaniach, ktore sie powtarzaja. Pisanie ofert, sprawdzanie faktur, wprowadzanie danych klientow, kontrola jakosci. Jednorazowe zadania lub takie, ktore za kazdym razem wygladaja zupelnie inaczej, sa trudniejsze dla AI.

4. Czy mozesz zmierzyc sukces w ciagu 30 dni? Jesli Twoj pilot potrzebuje 6 miesiecy, zeby dowiedziec sie, czy dziala, zakres jest za duzy. Zmniejszaj, az odpowiedz bedzie brzmiala tak.

5. Czy w zespole jest ktos, kto bedzie prowadzic projekt? Nie prezes (ma inne rzeczy do roboty), ale ktos, kto zna proces i jest zmotywowany. Lider zespolu, kierownik warsztatu, kierownik biura. Ktos bliski problemowi.

Jesli mozesz odpowiedziec na trzy lub wiecej pytan twierdzaco, jestes gotowy na pilota. Jesli nie, najpierw popracuj nad lukami. To nie porazka, to przygotowanie.

Sukces kontra porazka: co stanowi roznice

Chce opowiedziec dwie historie. Obie z regionu, zanonimizowane.

Firma A: 80 000 EUR spalone

Firma z branzy budowy maszyn z 45 pracownikami. Zarzad decyduje: "Wdrazamy AI." Zatrudniana jest firma doradcza. Trzy miesiace oceny, rozmow, warsztatow. Wynik: 120-stronicowa mapa drogowa. Koszty do tego momentu: 35 000 EUR.

Nastepnie firma softwarowa jest zatrudniona do zbudowania "optymalizacji produkcji opartej na AI." Po czterech kolejnych miesiacach istnieje prototyp. Dziala w laboratorium, ale nie z rzeczywistymi danymi maszynowymi, bo format danych nigdy nie zostal sprawdzony. Kolejne 45 000 EUR.

Laczny koszt: 80 000 EUR. Wynik: prototyp, ktorego nikt nie uzywa. Zespol produkcyjny nigdy nie zrozumial i nie zaakceptowal projektu. Dzis slowo AI jest na wewnetrznej czarnej liscie tej firmy.

Firma B: 3 800 EUR, ROI w trzy tygodnie

Firma rzemieslnicza z 12 pracownikami. Problem: kierowniczka biura spedza kazdyy piatek 4 godziny na skladaniu ofert z notatek, zdjec i wiadomosci glosowych.

Rozwiazanie: prosty przebieg pracy z narzedziem do rozpoznawania mowy i szablonem. Technik dyktuje notatki do telefonu, narzedzie je transkrybuje, a kierowniczka biura otrzymuje wstepnie wypelniony szkic oferty. Wystarczy sprawdzic i wyslac.

Koszt: 3 800 EUR za konfiguracje, 60 EUR miesiecznie za licencje. Zaoszczedzony czas: 3,5 godziny tygodniowo. ROI: po trzech tygodniach. A najlepsze: kierowniczka biura sama popchnela projekt, bo miala dosc piatkowej udrezki.

Roznica miedzy tymi dwoma przypadkami? To nie technologia. To podejscie. Firma A zaczela od rozwiazania. Firma B zaczela od problemu.

Ktore procesy sa dobrymi punktami startowymi

Nie kazdy proces nadaje sie rownie dobrze na pilota AI. Oto kategorie, ktore wciaz na nowo widze jako silne punkty wyjscia w MSP.

Tworzenie dokumentow obejmuje oferty, raporty, protokoly i podsumowania. Wszedzie tam, gdzie ktos przetwarza surowe dane w dokument. To jeden z najczestszych punktow wejscia, bo naklad pracy jest wczesniej jasno mierzalny.

Poprawa komunikacji z klientami obejmuje wstepne przygotowywanie odpowiedzi na e-maile, automatyczne odpowiadanie na zapytania FAQ oraz sugerowanie terminow zwrotnych. Tu AI oszczedza nie tylko czas, ale tez poprawia szybkosc reakcji, a to zauwazaja klienci.

Dalej jest klasyczne wprowadzanie danych. Skanowanie i odczytywanie faktur, digitalizacja listow przewozowych, przenoszenie wizytowek do CRM. Wszystko powtarzalne, wszystko dobrze nadajace sie do automatyzacji.

Kontrola jakosci to kolejny mocny kandydat. Automatyczna inspekcja zdjec produktow, wykrywanie anomalii w danych pomiarowych. Szczegolnie w produkcji potencjal jest tu ogromny.

I wreszcie: zarzadzanie wiedza. Czynienie wewnetrznych baz wiedzy przeszukiwalnymi, streszczanie instrukcji, przygotowywanie materialow wdrozeniowych.

Co sie nie nadaje: procesy, w ktorych decyzja jest zlozoona, rzadka i wysoce indywidualna. Rekrutacja, partnerstwa strategiczne, zarzadzanie kryzysowe. Tam AI jest narzedziem, ale nie autopilotem.

Moj osobisty poglad na AI w MSP

Nie jestem ewangelista AI. Nie sprzedaje platform AI. Jestem programista i zalozycielem firmy i widze codziennie, co dziala dla moich klientow, a co nie.

Moja szczera ocena: wiekszosc MSP nie potrzebuje AI. Najpierw potrzebuje czystych danych, jasnych procesow i oprogramowania, ktore ze soba rozmawia. Kto to ma, dla tego AI staje sie dzwignia. Kto tego nie ma, dla tego AI bedzie kolejnym drogim rozczarowaniem.

To moze brzmiec sprzecznie z intuicja, slyszac od kogos, kto tworzy oprogramowanie dla MSP. Ale wlasnie dlatego to mowie: chce, zeby moi klienci odnieusli sukces z AI. A droga prowadzi przez prace fundamentalna, nie przez szum medialny.

W Instacart pierwsza aplikacja AI, ktora naprawde zarabiala pieniadze, rozwiazywala maly problem. Chodziilo o przewidywanie optymalnej kolejnosci produktow na liscie zakupow, zeby kupujacy przeszedl mniej metrow w sklepie. Nie glamurowy projekt. Zadnego naglowka w mediach. Ale miliony zaoszczedzonych godzin pracy rocznie. Zacznij od malego, mierz, skaluj.

To dziala tez dla 15-osobowej firmy w regionie Eifel.

Twoj pierwszy krok z AI

Jesli czytasz do tego momentu, to traktujesz temat powaznie. Dobrze. Oto, co mozesz zrobic w tym tygodniu:

1. Zidentyfikuj najbardziej irytujacy proces. Zapytaj swoj zespol: "Ktore zadanie denerwuje was najbardziej?" Nie to strategicznie najwazniejsze. To najbardziej irytujace. Bo motywacja to polowa sukcesu.

2. Zmierz naklad pracy. Ile godzin tygodniowo? Ile bledow miesiecznie? Ile to kosztuje w euro? Jesli nie mozesz odpowiedziec, oto Twoj pierwszy krok: mierz przez tydzien.

3. Sprawdz sytuacje danych. Czy masz dane, ktorych system AI potrzebowalby? Czy sa cyfrowe? Czy sa spojne? Jesli tak, masz kandydata na pilota. Jesli nie, wiesz, nad czym najpierw pracowac.

4. Zacznij od malego. Budzet ponizej 5 000 EUR. Ramy czasowe 30 dni. Jeden proces, jeden zespol. Jesli po 30 dniach nie ma mierzalnego wyniku, zatrzymaj sie i przeanalizuj dlaczego.

5. Skorzystaj z pomocy, jesli potrzebujesz. Ale wlasciwego rodzaju pomocy. Nie konsultanta, ktory sprzedaje wielomiesieczne oceny. Kogos, kto juz w pierwszym tygodniu pracuje z Toba nad procesem.

Jesli masz pytania lub chcesz ocenic, czy AI ma sens dla konkretnego procesu w Twojej firmie: skontaktuj sie z nami. Robimy to codziennie, dla firm w regionie Eifel i Nadrenii.

A jesli zastanawiasz sie, czy Twoi pracownicy potrzebuja szkolenia z AI: tak, potrzebuja. Od lutego 2025. Wiecej na ten temat w naszym artykule o unijnym akcie o AI i obowiazku szkoleniowym.