1 august 2026 · echipa Facilitare.ro

De ce eșuează 8 din 10 proiecte AI

Din cei 684 de miliarde de dolari investiți global în AI în 2025, aproape 547 de miliarde au ajuns în proiecte care nu au livrat rezultatul așteptat (peste 80% din capitalul implementat). Cifra nu vine dintr-un articol de opinie, ci din estimările RAND Corporation. Întrebarea utilă nu e „de ce eșuează atât de mult AI-ul", ci „unde anume se rupe procesul", iar răspunsul, aproape de fiecare dată, nu e la algoritm.

O echipă în picioare la un flipchart cu un flux de lucru desenat de mână; doi oameni arată spre pasul marcat cu un post-it portocaliu, iar un laptop închis stă pe masă în spate. — Unde se rupe proiectul nu e în model, e în pasul din proces pe care nu l-a preluat nimeni.

Patru cercetări diferite (RAND, BCG, MIT NANDA și McKinsey) ajung, pe căi separate, la aceeași concluzie: eșecul nu e o problemă de tehnologie insuficient de bună. E o problemă de aliniere, de date curate, de oameni cărora nu li s-a explicat de ce, și de arhitectura orizontală a implementării. Patru moduri distincte de a eșua, toate independente de cât de bun e modelul.

Patru feluri diferite de a eșua

1. Alinierea deficitară a problemei

Organizația cumpără un LLM și abia apoi caută o problemă pe care să-l pună. Liderii de business și echipa tehnică nu vorbesc aceeași limbă despre ce anume ar trebui să rezolve proiectul.

Doar 15% dintre angajați spun că organizația lor a comunicat o strategie AI clară. Proiectele care încep cu selecția tehnologiei, nu cu problema de business, au ratele maxime de abandon. Sursă: Talyx, „Why 90% of Enterprise AI Implementations Fail".

2. Taxa calității datelor

Modelele sunt dependente de datele pe care le ingerează. Date silozate, incomplete sau formatate inconsistent nu se rezolvă prin schimbarea modelului: se rezolvă prin ordinea în care organizația își ține informația, ceea ce e tot un proces uman.

O poluare a datelor de doar 20% degradează performanța modelului cu aproape 10 puncte procentuale. Gartner raportează că 85% dintre proiecte eșuează din cauza datelor de slabă calitate. Sursă: BERI, „Why 80% of AI Projects Fail: The Complete 2026 Analysis".

3. Anticorpii organizaționali

Rezistența pasivă sau activă la schimbare. Oamenii găsesc soluții alternative ca să ocolească sistemul nou, din lipsă de încredere, frică de concediere sau lipsă de reguli clare despre ce e permis.

67% dintre executivii chestionați de McKinsey numesc rezistența organizațională bariera principală: ea blochează exact buclele de feedback de care AI-ul are nevoie ca să se antreneze pe cazul real al companiei. Sursă: BERI, „Why 80% of AI Projects Fail".

4. Iluzia orizontalității

Organizația se bazează exclusiv pe un asistent generalist, orizontal, aplicat peste tot la fel. Productivitatea se distribuie asimetric (câțiva oameni câștigă timp, restul nu simt nimic) și impactul financiar rămâne invizibil în rapoarte.

Modelele adaptate pe caz de utilizare specific au o probabilitate mult mai mare de a genera ROI direct, prin venituri sau costuri, decât un asistent generic aplicat peste tot fluxurile. Sursă: FullStack, „Generative AI ROI: Why 80% Fail".

Regula 70/20/10

Boston Consulting Group a măsurat unde anume se duc eșecurile, dincolo de taxonomia lor. Rezultatul e pivotul întregului articol:

70% din eșecuri vin din oameni și procese, 20% din infrastructură, 10% din algoritmi.

Sursă: AI Readi, „Why 80% of Enterprise AI Projects Fail", citând cercetarea BCG. E aceeași proporție care apare, din unghiuri diferite, în MIT NANDA (95% dintre piloturile GenAI nu arată impact financiar măsurabil) și în McKinsey: 88% dintre organizații folosesc deja AI în cel puțin o funcție, dar doar 39% văd impact în EBIT. Trei surse, aceeași structură: adopția eșuează la scalare, nu la prototip.

Veriga lipsă e procesul uman, nu softul

Niciuna dintre cele patru categorii de eșec de mai sus nu se rezolvă cu un model mai bun. Alinierea problemei e o discuție de facilitat între leadership și echipele tehnice. Calitatea datelor e o disciplină de proces, nu un upgrade de infrastructură. Anticorpii organizaționali sunt frică netratată, nu un bug. Iluzia orizontalității e o decizie de prioritizare, nu un parametru de model.

Un implementator bun rezolvă partea de sistem. Partea din care mor 70% din proiecte rămâne, de fiecare dată, pe masa oamenilor care trebuie să decidă, să se alinieze și să nu se teamă să spună cu voce tare că nu înțeleg încă la ce folosește noul tool. Aceea e, de fapt, muncă de facilitare, chiar dacă subiectul din sală e AI. Dacă recunoști tiparul în organizația ta, am scris și cum arată un program facilitat de adopție AI.