Za dużo, za szybko: mechanika inflacji oczekiwań

Większość rozliczeń z porażek AI sięga po technologię. Model był za słaby, dane brudne, narzędzia niedojrzałe. Ankieta Gartnera z 2026 wskazuje miejsce mniej wygodne: wśród liderów, którym nie wyszło, wielu postawiło tę samą samodiagnozę — i nie był to model. Powiedzieli, że oczekiwali za dużo, za szybko. Jeśli to prawda, porażka była wliczona w cenę, zanim projekt ruszył — tkwiła w oczekiwaniach, a to warstwa, którą można spisać i wynegocjować, póki sponsor jest jeszcze bezstronny.

Ten esej jest o tej warstwie: o tym, dlaczego luka między oczekiwaniem sponsora a tym, co zespół dowozi, otwiera się tak niezawodnie. I o tym, co wpisać do umowy, żeby ją zamknąć, zanim kosztuje budżet. Technologię dziedziczysz. Oczekiwanie piszesz sam.

Jedna liczba warta potraktowania serio

Tę ankietę łatwo cytować i łatwo zacytować źle, więc zacznij od tego, co mówi. Gartner przepytał około 782 liderów infrastruktury i operacji w listopadzie i grudniu 2025, a wynik opublikował 7 kwietnia 2026. Najpierw jedna uwaga o uczciwości. Newsroom Gartnera blokuje dostęp automatyczny błędem 403, więc sformułowania biorę z The Register i CIO, które cytowały komunikat. Te dwa źródła różnią się nawet co do próby: 782 w jednym, 783 w drugim. Używam 782 i nie czytałem tej liczby na własnej stronie Gartnera.

Teraz sama liczba. Spośród tych liderów 57% zgłosiło co najmniej jedną porażkę we wdrażaniu AI w swoim obszarze. Te 57% nie mierzy niczego więcej — to odsetek liderów, którym coś się nie udało. To nie odsetek projektów, które padły, ani odsetek tych, którzy przeszarżowali. Wśród tych 57% wielu przypisało porażkę jednej rzeczy: oczekiwali za dużo, za szybko. Fraza należy do Melanie Freeze, analityczki Gartnera cytowanej w doniesieniach. To jej interpretacja wzorca, nie zmienna, którą ankieta zmierzyła.

To rozróżnienie waży więcej, niż wygląda. „Wielu liderów z porażką wskazało oczekiwania” to twierdzenie skromne. „57% padło przez oczekiwania” to inne, większe twierdzenie, na które w danych nie ma pokrycia — i to jego zobaczysz wszędzie. Trzymaj się wersji skromnej.

Co „za dużo, za szybko” znaczyło konkretnie? Freeze to rozwija: liderzy zakładali, że AI od razu zautomatyzuje złożone zadania, zetnie koszty albo naprawi zastarzałe problemy operacyjne. Oczekiwali tempa i pełnej autonomii. Gdy oczekiwania nie ustawiono realistycznie, a wynik nie przyszedł szybko, zaufanie spadło i projekt utknął. To opis oczekiwania, które się załamuje, nie modelu, który dowozi za mało.

Porażki skupiają się też w miejscu wymownym. Gartner podaje, że koncentrują się w auto-remediacji, samonaprawialnej infrastrukturze i procesach prowadzonych przez agenta — tam, gdzie liderzy oczekują, że AI wyprzedzi to, co narzędzia realnie dowożą w bałaganie nieprzewidywalnych operacji. Inflacja rośnie z ambicją zadania, nie z hype'em w oderwaniu.

A sama ankieta stawia przyczynę poza modelem. Jak podano, zwrot zależał od integracji z istniejącymi procesami, od governance i od dopasowania do realnej potrzeby operacyjnej — nie od wyrafinowania modelu. To jedno zdanie jest całym argumentem tego eseju. Jeśli przyczyna siedzi w oczekiwaniach i organizacji, a nie w modelu, to siedzi w warstwie, którą można określić, zanim ktokolwiek napisze kod.

Ten sam zbiór danych nazywa bariery, które chodzą w parze z oczekiwaniem. Około 38% liderów wskazało utrzymujące się luki kompetencyjne, a tyle samo — słabą jakość lub ograniczoną dostępność danych jako bezpośrednią przyczynę porażki. Najwyższą skuteczność zgłoszono w zarządzaniu usługami IT i operacjach chmurowych: 53%. Osobną słabością strukturalną było finansowanie per jednostka biznesowa — każda płaci za własny pilotaż, nikt nie odpowiada za integrację. Żadne z tego nie mówi o jakości modelu. To twierdzenia o organizacji wokół modelu, czyli o warstwie, na której pracuje kontrakt.

Jedno zastrzeżenie. „Oczekiwali za dużo, za szybko” to samoocena przyczyny, nie niezależny audyt. Respondent tłumaczy własną porażkę, a to tłumaczenie jest wygodne — zdejmuje winę z wyboru use case'u i z danych. Więc „to oczekiwania, nie technologia” to teza wsparta samoopisem, nie analizą przyczyny źródłowej. Traktuj ją jako sygnał mocny, lecz interesowny, i buduj na niej z otwartymi oczami.

W tekście towarzyszącym rozłożyłem nagłówkowe 28% z tej samej ankiety, bo tę liczbę rutynowo czyta się jak wskaźnik porażek AI. Ten esej robi z 57% coś odwrotnego. Bierze wynik serio — i stawia pytanie, które ten wynik sam podsuwa. Jeśli punktem porażki jest oczekiwanie, co je nadmuchuje i czy da się przeciw temu zawrzeć umowę?

Skąd bierze się inflacja

Nazwijmy to zjawisko inflacją oczekiwań: powolne dryfowanie w górę tego, co sponsor sądzi, że projekt dowiezie i jak szybko, oderwane od tego, co praca może wyprodukować. Ma kształt narracyjny, kanał materialny i brakujący artefakt.

Kształt narracyjny ma nazwę, którą ukuł sam Gartner. Jackie Fenn zbudowała hype cycle w Gartnerze w 1995. Krzywa ma swój „szczyt napompowanych oczekiwań”, a zaraz po nim „dolinę rozczarowania”. Jako opowieść o tym, jak rynek wmawia sobie przesadę, jest użyteczna. Jako prawo — nie. Najstaranniejszy przegląd zrobili Steinert i Leifer w pracy z konferencji PICMET 2010: nie znaleźli solidnej podstawy empirycznej dla tej krzywej i zauważyli, że mało która technologia przechodzi całą trajektorię. Pożycz więc samą frazę do opisu mechanizmu, a obietnicę odrzuć. Szczyt opisuje, jak oczekiwania puchną. Nie gwarantuje, że po drugiej stronie grzecznie czeka plateau produktywności.

Kanał materialny to przepaść między demem a produkcją. Sponsor kupuje wizję z wyreżyserowanego dema — keynote'u, najlepszego przypadku dostawcy, piątkowego prototypu, który zadziałał raz. Potem zespół spotyka produkcję, gdzie mieszkają przypadki brzegowe, dane są cząstkowe, a integracja jest właściwą robotą. Demo zaprojektowano tak, by się udało; produkcji nie projektuje nikt. Raport MIT NANDA przyłożył do tej przepaści twardą liczbę: około 95% pilotaży generatywnej AI nie pokazało mierzalnego wpływu na wynik finansowy. Jednostką jest tam pilotaż, nie firma, a liczba ma swoje zastrzeżenia — omawiam je w tekście o 28%. Ale kierunek jest jasny. Dystans od dema, które robi wrażenie, do systemu, który się spłaca, to miejsce, w którym rodzi się większość rozczarowań.

W kanale siedzi ludzki szczegół. Sponsor rzadko kupuje wizję od zespołu, który ją zbuduje. Kupuje ją z keynote'u, od znajomego przy kolacji, z komunikatu konkurenta — od źródła, które nie odpowiada za dowóz i ma każdy powód, by ścisnąć harmonogram. Wizja przychodzi wstępnie napompowana i społecznie potwierdzona, przez co trudniej ją zdyskontować niż liczbę zaproponowaną przez sam zespół. Zanim dotrze do ludzi, którzy mają ją dowieźć, oczekiwanie ustawił już ktoś, kogo nikt nigdy z niego nie rozliczy.

Potem brakujący artefakt: zdefiniowane „gotowe”. Zapytaj sponsora i zespół osobno, jak wygląda sukces, a często dostaniesz dwie różne odpowiedzi, żadnej spisanej. Gdy cel jest niewypowiedziany, płynie — i płynie w górę, bo każda strona wypełnia lukę własnym najlepszym przypadkiem. Liczba, do której nikt nie zobowiązał się na papierze, to liczba, która zawsze mogła być wyższa.

Trzy siły, jeden kierunek. Teraz silnik pod nimi.

Mechanizm od pierwszych zasad

Inflacja nie jest jednym błędem powtarzanym w kółko. Napędzają ją trzy niezależne siły, które akurat pchają w tę samą stronę — i każdą warto wyprowadzić, a nie brać na autorytet.

Pierwsza to asymetria informacji. Praca George'a Akerlofa z 1970 o rynku cytryn pokazała, co się dzieje, gdy jedna strona transakcji zna jakość, a druga nie. Sygnał strony poinformowanej dominuje, a rynek się pod niego wygina. Akerlof badał używane auta, nie projekty AI, więc to soczewka, nie pomiar. Ale soczewka pasuje i celuje w dwie strony naraz. Dostawca i demo znają najlepszy przypadek i sprzedają ten sygnał; sponsor go kupuje. A zespół, który widzi prawdę produkcji, ma wszelkie powody, by trzymać złe wieści przy sobie — reputacja i kolejna transza finansowania nagradzają optymizm. Sponsor słyszy więc dwa sygnały: napompowany z dołu i wygładzony od środka. Dwa błędy się kumulują, zamiast znosić.

Druga siła to eskalacja zaangażowania. Badanie Barry'ego Stawa z 1976, „Knee-deep in the Big Muddy”, postawiło 240 studentów przed decyzją o alokacji zasobów. Znalazło coś trwałego: ludzie dokładają więcej pieniędzy do przegrywającego przedsięwzięcia, gdy czują się osobiście odpowiedzialni za to, że je wybrali. Koszt utopiony to nazwa potoczna; prawdziwym motorem jest osobista odpowiedzialność. Sponsor, który publicznie kupił wizję, nie jest bezstronnym sędzią tego, czy kontynuować. Mark Keil wyniósł to odkrycie z laboratorium do technologii: w „Pulling the Plug” (1995) i późniejszych pracach pokazał, że rozpędzone projekty IT to eskalacja zaangażowania w przegrywające przedsięwzięcie. Moment na spisanie reguły stopu jest, zanim sponsor postawi swoje nazwisko — bo potem ma motyw, by dokładać, nie kończyć.

Trzecia siła to błąd planowania. Kahneman i Tversky nazwali go w 1979, a Kahneman wrócił do niego w Thinking, Fast and Slow (2011). Projekt prognozujemy z widoku od wewnątrz: patrzymy na konkretny plan przed nami, wyobrażamy sobie, że idzie mniej więcej zgodnie z zamysłem, i odczytujemy najlepszy przypadek. Pomijamy widok z zewnątrz — rozkład tego, jak naprawdę poszły projekty podobne do tego. Szacunki puchną nie z nieuczciwości, lecz z metody. Budujemy je od wewnątrz projektu, gdzie plan wygląda czysto, a nie z zapisu porównywalnych projektów, gdzie plan zwykle czysty nie był.

Widać, jak cała trójka podaje sobie pałeczkę na realnej osi czasu. Przy pitchu asymetria ustala cenę: sponsor widzi najlepszy przypadek dema i finansuje pod niego. Przy starcie zobowiązanie ją blokuje: sponsor podał kolegom liczbę, więc teraz to on musi jej bronić. Przez cały dowóz błąd planowania trzyma opowieść w całości: każdy status pisze się od wewnątrz, gdzie plan wciąż wygląda, jakby dało się go uratować. Zanim przyjdzie prawda produkcji, wszystkie trzy ciągną za tę samą linę, a uczciwy sygnał — poprzeczki nie przeskoczymy — jest jedyną rzeczą, za której wysłanie nikomu nie płacą.

Ułóż te trzy w stos, a wzorzec przestaje być tajemnicą. Sponsorowi sprzedano napompowany sygnał, potem związano go publicznym zobowiązaniem, a resztę prognozuje z wnętrza opowieści, która od początku była optymistyczna. Nic z tego nie potrzebuje złego modelu, żeby dać nieudany projekt. Potrzebuje tylko niezarządzanego oczekiwania.

Kontrakt na oczekiwania

Jeśli porażka rodzi się w oczekiwaniach, odpowiedzią jest artefakt — wynegocjowany ze sponsorem, zanim projekt ruszy, póki wszyscy są jeszcze bezstronni. Nazwijmy go kontraktem na oczekiwania. Ma cztery części, a każda rozbraja konkretną siłę z poprzedniej sekcji.

Kryterium sukcesu wzięte z klasy referencyjnej. Najważniejszy pojedynczy ruch to ustawić poprzeczkę spoza projektu. Bent Flyvbjerg nazywa to prognozowaniem z klasy referencyjnej: zakotwicz szacunek w rozkładzie porównywalnych, ukończonych projektów, a nie w planie, na który patrzysz. Kahneman nazwał to „najważniejszą pojedynczą radą, jak zwiększyć trafność prognoz”. W praktyce znaczy to, że poprzeczka sukcesu jest mierzalnym wynikiem wziętym z tego, jak naprawdę wylądowały podobne wdrożenia — nie liczbą wyjętą z dema.

Horyzont wzięty z tej samej klasy. Kiedy oceniamy kryterium? Nie gdy sponsorowi kończy się cierpliwość, lecz w punkcie wziętym z tego, ile porównywalne projekty potrzebowały, by pokazać zwrot. Horyzont jest miejscem, gdzie rozbraja się „za szybko”, bo zamienia niecierpliwy odruch w datę uzgodnioną z góry.

Jawne określenie, czym to nie jest. Płynący cel przybijasz, nazywając nie-cele. Ten projekt odbija zgłoszenia wsparcia pierwszej linii; nie zastępuje zespołu wsparcia, nie dotyka sporów o płatności, nie celuje w trzecią linię. Nie-cele powstrzymują zakres przed puchnięciem za każdym razem, gdy sponsor wyobrazi sobie nowy najlepszy przypadek.

Kryteria stopu spisane przed startem. Warunki, w których przerywasz, uzgodnione, póki sponsor jest jeszcze bezstronnym sędzią. To bezpośrednia odtrutka na eskalację zaangażowania. Jeśli sponsor ustawi regułę stopu, zanim postawi reputację, reguła przeżyje moment, w którym koszt utopiony inaczej wziąłby górę.

Sama negocjacja to jeden powtarzany ruch: zamień opowieść sponsora z widoku od wewnątrz na klasę referencyjną z widoku z zewnątrz. Gdy sponsor mówi „to powinno odbić 60% zgłoszeń w kwartał”, nie spierasz się o liczbę. Pytasz, co realnie dowiozły porównywalne wdrożenia agentów i w jakim czasie, i tam ustawiasz poprzeczkę oraz horyzont. Nie obniżasz ambicji. Wyceniasz ją wobec dowodów.

O tym, czy to działa, rozstrzygają dwa praktyczne pytania. Pierwsze: skąd bierze się klasa referencyjna? Trzy źródła, od najbardziej do najmniej wiarygodnego. Twoje własne dawne pilotaże są pierwsze, bo powstały na twoich danych i w twoich ograniczeniach. Potem publiczne opisy z tej samej rodziny zadań, z dyskontem, bo ludzie publikują głównie zwycięstwa. Potem referencje dostawcy, z dyskontem większym, bo to dostawca je wybrał. Rzadko dostaniesz czysty rozkład. Szukasz rzędu wielkości i zgrubnego czasu do zwrotu, a to wystarcza, by zdjąć poprzeczkę z dema. Drugie pytanie: czym to różni się od specyfikacji zakresu prac? SOW wylicza produkty do dostarczenia. Kontrakt na oczekiwania rządzi przekonaniem wokół nich — jak dobrze, jak szybko, ocenione jak i zatrzymane kiedy. Możesz trafić w każdy produkt z SOW i wciąż mieć sponsora, który czuje, że projekt zawiódł, bo produkty się dowiozły, a oczekiwanie nie.

Przećwicz to raz, na konkrecie. Founder daje zielone światło agentowi AI do wsparcia pierwszej linii. Oczekiwanie z widoku od wewnątrz przychodzi szybko i pewnie: odbije większość zgłoszeń w kwartał i zwróci się do lata. Teraz zbuduj kontrakt. Klasa referencyjna to tutaj procesy prowadzone przez agenta — dokładnie tam, gdzie skupiają się porażki Gartnera. Ustawia trzeźwą poprzeczkę. Załóżmy, że porównywalne wdrożenia odbijają zgłoszenia w skromnym paśmie, przy utrzymanej jakości, i potrzebują na to dwóch–trzech kwartałów. Zapisz kryterium jako mierzalne odbicie z podłogą jakości, ocenione w tym horyzoncie. Zapisz nie-cele: nie zastępstwo zespołu, nie płatności, nie nic, co przy błędnej odpowiedzi robi się kosztowne. Zapisz linię stopu: jeśli odbicie nie przejdzie podłogi przy zachowanej jakości do nazwanego miesiąca, przerywasz — a zgodziłeś się na to w miesiącu zero. Cały artefakt kosztuje jedno popołudnie i zero kapitału, a przenosi spór z „czy rozczarowało” na „czy przeszło poprzeczkę, którą ustawiliśmy razem, z dowodów, zanim zaczęliśmy”.

Sponsor się postawi, a ten opór jest miejscem, w którym kontrakt zarabia na swoje istnienie. „Dwa–trzy kwartały to za wolno” to uczciwy zarzut i zasługuje na uczciwą odpowiedź, nie na wykład. Odpowiedzią jest pytanie: które porównywalne wdrożenie trafiło w poprzeczkę szybciej i co miało, czego my nie mamy? Czasem takie jest i horyzont się przesuwa — na dowodach. Zwykle takiego nie ma, a cisza jest negocjacją. Nie zagadałeś sponsora. Pokazałeś mu klasę, z której sam siebie wyłączał, i pozwoliłeś, by to wyłączenie runęło pod własnym ciężarem.

To jest ta wartość. Kontrakt nie czyni modelu lepszym. Czyni rozczarowanie niemożliwym do wyprodukowania z oczekiwania, którego nikt nigdy nie spisał.

Gdzie kontrakt zawodzi

Narzędzie sprzedawane jako uniwersalne jest sprzedawane nieuczciwie, a kontrakt na oczekiwania ma realne granice. Trzy z nich ważą tyle, że zignorowanie którejkolwiek zmienia artefakt w teatr.

Pierwsza: czasem o wysokie oczekiwanie właśnie chodzi. Ambicja nie jest tu wrogiem. Sponsor bez wizji nie finansuje niczego, a poprzeczka ustawiona tylko na bezpiecznym, udowodnionym poziomie zostawia większość dostępnej wartości na stole. Sitkin ze współpracownikami zbadał to wprost w „The Paradox of Stretch Goals” (2011). Cele rozciągnięte, czyli stretch goals ustawione ponad to, na co wskazują obecne możliwości, potrafią dać realny zysk, ale tylko przy dwóch warunkach: zapasie zasobów, który wchłonie porażki, i świeżych zwycięstwach, które budują pewność, by próbować. Podnoszą też wariancję wyników, co jest uczciwym kosztem sięgania. Kontrakt nie jest więc prośbą o cele nieśmiałe; jest dyscypliną, która nie pozwala ambicji zamienić się w ślepy zakład. Gdy masz zapas i historię wygranych, poprzeczka ambitna jest uzasadniona, a rola kontraktu przesuwa się na ograniczanie downside'u sięgnięcia, nie na przycinanie samego zasięgu.

Druga: zarządzanie oczekiwaniami to świetne alibi dla sandbaggingu. To samo narzędzie, które rozbraja inflację, można obrócić w zaniżanie celu, gdy realnie jest zapas, by zrobić więcej. „Zarządzanie oczekiwaniami” staje się wtedy przykrywką dla braku ambicji, a klasa referencyjna — tarczą dla zespołu, który chce łatwej wygranej. Odkrycie Sitkina tnie w obie strony. Organizacja z zapasem i świeżymi sukcesami, która stawia nieśmiałą poprzeczkę, nadużywa widoku z zewnątrz dokładnie tak samo źle jak sponsor, który go ignoruje. Kontrakt musi być uczciwy w obie strony. Poprzeczkę ustawia klasa referencyjna — nie lęk sponsora przed ośmieszeniem i nie preferencja zespołu do liczby, którą pobije z zamkniętymi oczami. Sygnał jest prosty. Jeśli klasa uzasadnia wyższą poprzeczkę, a zespół zbija ją bez nowych dowodów, to sandbagging w języku roztropności.

Trzecia: część inflacji to nie błąd i kontrakt jej nie sięga. Flyvbjerg rysuje granicę, która się liczy. Obok błędu planowania, który jest uczciwą pomyłką poznawczą, stoi strategiczne zafałszowanie: celowe zaniżanie kosztu i ryzyka, żeby przepchnąć decyzję do zatwierdzenia. Kontrakt zawarty w dobrej wierze nic nie zrobi przeciw grze w złej wierze, bo druga strona nigdy nie zamierzała dać się związać dowodom. Jego kuzynem jest uniqueness bias, czyli przeświadczenie o własnej inności: „nasz projekt jest inny, więc twoja klasa referencyjna nie ma zastosowania”. Ono pozwala sponsorowi machnąć ręką na cały widok z zewnątrz. Jeśli nie przyjmie klasy, kontrakt nie ma kotwicy do ustawienia. A listę domykają dwie porażki strukturalne. Jeśli sponsor nie ma władzy, by wyegzekwować kryteria stopu, bo narracją włada ktoś nad nim, spisana reguła jest dekoracją. A jeśli dziedzina zmienia się dość szybko, sama klasa referencyjna się psuje. Porównywalne wdrożenia sprzed dwunastu miesięcy mogą już nie być porównywalne, a dryf idzie w obie strony. Zadanie niemożliwe rok temu staje się rutyną; demo, które olśniewało, wali się w skali produkcji. Widok z zewnątrz zakłada stabilną klasę, a AI nie zawsze taką dostarcza.

Zasięg kontraktu jest zatem ściśle wytyczony. Rozbraja inflację, która jest uczciwym błędem popełnionym przez strony na tyle umocowane, że umowa naprawdę je wiąże. Niewiele wskóra przeciw inflacji, która jest strategią, i jeszcze mniej przeciw dziedzinie, która wciąż przepisuje własną klasę referencyjną. Nazwij tę granicę wprost, bo founder, który wierzy, że artefakt obejmuje też przypadek polityczny, zamienił jedną nadmierną pewność na inną.

Zamknięcie

Wygodne odczytanie 57% brzmi: AI zawiodło kupujących. Użyteczne odczytanie brzmi: oczekiwanie było najtańszą rzeczą w projekcie do naprawy — i jedyną, której nikt nie spisał. Modelu nie wynegocjujesz z góry; będzie tak dobry albo tak zwyczajny, jak wyjdzie. Oczekiwanie wynegocjujesz z góry — poprzeczkę, horyzont, nie-cele, linię stopu — i zrobisz to, póki sponsor jest jeszcze bezstronnym sędzią. To okno zamyka się w chwili, gdy ląduje demo. Po demie sponsor zobaczył najlepszy przypadek i postawił na niego trochę swojego nazwiska; po cichu ty także. Spisz kontrakt wcześniej albo spędź przyszły rok, tłumacząc, dlaczego model był w porządku, a projekt i tak padł.

Bibliografia

1. primaryGartner, AI Projects in I&O Stall Ahead of Meaningful ROI Returns (komunikat prasowy, 2026) — (newsroom zwrócił 403 przy dostępie automatycznym; liczba 57% oraz interpretacja „too much, too fast” Melanie Freeze zweryfikowane przez źródła wtórne poniżej, nie wobec strony pierwotnej)
2. primaryBarry M. Staw, "Knee-deep in the Big Muddy: A Study of Escalating Commitment to a Chosen Course of Action," Organizational Behavior and Human Performance 16:27–44 (1976).
3. primaryMark Keil, "Pulling the Plug: Software Project Management and the Problem of Project Escalation," MIS Quarterly 19(4):421–447 (1995); rozszerzone w Keil i in., MIS Quarterly 24(4) (2000) — eskalacja przeniesiona z laboratorium do projektów IT.
4. primaryDaniel Kahneman & Amos Tversky, "Intuitive Prediction: Biases and Corrective Procedures," TIMS Studies in Management Science 12:313–327 (1979) — błąd planowania oraz widok od wewnątrz i z zewnątrz.
5. primaryDaniel Kahneman, Thinking, Fast and Slow (2011), rozdz. 23 "The Outside View" — popularyzacja widoku od wewnątrz i z zewnątrz oraz prognozowania z klasy referencyjnej.
6. primarySim B. Sitkin, Kelly E. See, C. Chet Miller, Michael W. Lawless & Andrew M. Carton, "The Paradox of Stretch Goals: Organizations in Pursuit of the Seemingly Impossible," Academy of Management Review 36(3):544–566 (2011).
7. primaryBent Flyvbjerg, "From Nobel Prize to Project Management: Getting Risks Right," Project Management Journal 37(3):5–15 (2006); zob. też "Curbing Optimism Bias and Strategic Misrepresentation in Planning" (2008) — prognozowanie z klasy referencyjnej, strategiczne zafałszowanie, błąd wyjątkowości.
8. primaryGeorge A. Akerlof, "The Market for 'Lemons': Quality Uncertainty and the Market Mechanism," Quarterly Journal of Economics 84(3):488–500 (1970) — asymetria informacji jako soczewka wyjaśniająca, nie pomiar projektów AI.
9. primaryMartin Steinert & Larry Leifer, "Scrutinizing Gartner's Hype Cycle Approach," PICMET 2010 Proceedings — hype cycle nie ma solidnej podstawy empirycznej; mało która technologia przechodzi całą krzywą.
10. secondaryThe Register, Only 28% of AI infrastructure projects fully pay off (2026) — (źródło próby 782 oraz liczb 57% / 38%; dokładna fraza „too much, too fast” nie pojawia się w treści — serwis parafrazuje analityczkę)
11. secondaryCIO, AI often doesn't deliver ROI for IT departments either — (źródło próby 783 oraz cytatu „many said… expected too much, too fast”)
12. secondaryWikipedia, Gartner hype cycle — (orientacja co do genezy z 1995 (Fenn) i faz; po fakty źródłowe idź do Fenn oraz Steinerta i Leifera)