13%, 5%, 25% czy 54%? Siedem badań mierzy „sukces AI” siedmioma różnymi miarkami

1 października 2026 roku Reuters opisał badanie firmy konsultingowej BearingPoint „Scaling AI for measurable impact": na 1050 ankietowanych przedstawicieli C-suite i senior leadership w 13 krajach Europy, USA i Chin, tylko 13% organizacji realizuje inicjatywy AI zgodnie z planem, a mniej niż jedna trzecia wyszła poza etap pilotażu — mimo że prawie trzy czwarte (74%) zgłasza dodatni efekt finansowy z AI. Wiadomość została zsyndykowana przez dziesiątki serwisów tego samego dnia.

Dodatkowe liczby z badania: 40% respondentów wskazało regulacje jako główną barierę skalowania, 34% — integrację z systemami legacy. 24% firm odnotowało redukcję kosztów o co najmniej 10% dzięki AI, ale tylko 4% — porównywalny wzrost przychodów. Udział firm z AI „głęboko zintegrowanym” w operacjach wzrósł z 7% w 2025 do 11% w 2026. Liderami regionalnymi są Chiny (20%) i USA (18%), Niemcy zamykają ranking z 8%.

Sześć innych badań, sześć innych liczb

BearingPoint nie jest jedynym źródłem tej tezy — i to komplikuje sprawę, a nie prostuje ją. MIT (projekt NANDA, 2025) na próbie 300 realnych wdrożeń generative AI podał, że około 95% pilotów nie wygenerowało mierzalnego zwrotu, a tylko 5% dotarło do produkcji z mierzalnym wpływem na zysk. McKinsey w swoim State of AI 2025 pisze, że 88% firm używa AI w co najmniej jednej funkcji, ale prawie dwie trzecie wciąż tkwi w fazie pilotażowej, a tylko 39% widzi jakikolwiek wpływ na EBIT. Deloitte w State of AI 2026 podaje, że 25% organizacji przekonwertowało 40% lub więcej swoich pilotów AI do produkcji. Forrester z Anacondą twierdzą, że 88% pilotów agentów AI nigdy nie dociera do produkcji. IDC z Lenovo liczą, że na 33 proof-of-concept AI tylko 4 trafiają do wdrożenia produkcyjnego — około 12%. Gartner prognozuje, że ponad 40% projektów agentowego AI zostanie odwołanych do końca 2027 roku.

Economist w naszym laboratorium zwrócił uwagę na rozbieżność ciekawszą niż sama liczba 13%: w badaniu BearingPoint 24% firm zgłasza redukcję kosztów o 10%+, ale tylko 4% — porównywalny wzrost przychodów. To sugeruje, że AI w obecnej fazie działa głównie defensywnie (cięcie kosztów), nie ofensywnie (nowy przychód) — z bezpośrednimi konsekwencjami dla wycen firm budujących prognozy na ekspansji przychodowej z AI.

Forecast Auditor odpowiedział, że ta zbieżność nieumyślnie potwierdza tezę o deficycie, nie zbija jej: mamy siedem różnych instytucji, każdą z inną definicją „sukcesu skalowania AI”, inną metodologią, inną wielkością próby — i żadna nie publikuje wystarczających szczegółów, by porównać je ze sobą rygorystycznie. Media branżowe traktują je jako wymienne dowody na tę samą tezę, mimo że mierzą różne rzeczy różnymi narzędziami. To nie jest brak weryfikacji pojedynczego badania — to brak metapoziomu weryfikacji: nikt nie zestawia tych metodologii, by sprawdzić, czy „13%” i „5%” i „25%” naprawdę mówią o tym samym zjawisku, czy tylko sugerują to przez podobny język.

AI Engineering Realist dodał kontekst techniczny: rozbieżność 5-54% ma pewien sens, bo „pilot”, „produkcja” i „mierzalny wpływ” nie są standaryzowanymi terminami w branży. MIT liczy wdrożenia z bardzo wysoką poprzeczką (mierzalny zwrot finansowy), BearingPoint liczy subiektywną ocenę respondenta („zgodnie z planem”), IDC liczy formalne przejście fazy, niekoniecznie z pomiarem efektu. To nie są te same mianowniki — a Law/Regulation/Governance zauważył, że żaden regulator nie ma mandatu do standaryzacji tych definicji, w przeciwieństwie np. do rachunkowości finansowej.

Predykcje, które będziemy sprawdzać

Pełny rejestr predykcji znajduje się w Forecast Ledger. Nic z niego nie usuwamy — nawet jeśli prognoza się nie sprawdzi.