Co naprawdę mówi 28% Gartnera

Menedżer wstaje na posiedzeniu zarządu i mówi, że udaje się tylko 28% projektów AI. Popełnił trzy błędy, zanim skończył zdanie. Liczba jest prawdziwa. Tyle że mierzy co innego, niż on sądzi — a w tej różnicy zapadają decyzje o finansowaniu i ucinaniu budżetów, z niewłaściwych powodów.

Ten esej nie broni niczego w sprawie wydatków na AI i nie podrzuca nowej statystyki porażek w miejsce starej. Rozbiera jedną liczbę. Teza jest wąska i — jak sądzę — do obronienia: 28% mierzy nie „porażki AI”, tylko odsetek use case'ów w jednym zakątku IT, które ludzie nimi zarządzający ocenili jako spełniające ich własne oczekiwania. Zanim ta liczba zasłuży na slajd, musisz wiedzieć, co policzono, na kim i przy jakim progu.

Jak z ankiety powstaje nagłówek

Zacznijmy od źródła. Gartner przepytał 782 liderów infrastruktury i operacji (I&O) w listopadzie i grudniu 2025, a wynik opublikował 7 kwietnia 2026. Nagłówek: 28% use case'ów AI odnosi pełny sukces i spełnia oczekiwania ROI, a 20% zawodzi całkowicie.

Jedna uwaga o źródle, zanim pójdziemy dalej. Liczby i cytaty pochodzą wprost z komunikatu Gartnera, opublikowanego 7 kwietnia 2026 w formie pytań i odpowiedzi z udziałem Melanie Freeze z zespołu badawczego. To wciąż komunikat prasowy, nie pełny raport: metodologia ankiety wraz z doborem i ważeniem próby siedzi za paywallem — i to ograniczenie będzie w tym eseju wracać.

Teraz rozłóżmy to zdanie na słowa. Najpierw rzeczownik. 28% liczy use case'y, nie projekty i nie firmy. Use case to pojedyncze zastosowanie AI w infrastrukturze i operacjach — auto-remediacja, samonaprawialna infrastruktura, proces prowadzony przez agenta. To jednostka śliska, bo jedna firma może mieć ich dwadzieścia, a jeden „projekt” — kilka. Kiedy liczysz use case'y, liczysz coś małego i licznego. Ten wybór kształtuje wynik, zanim odpowie pierwszy respondent.

Ta sama ankieta podaje drugą liczbę, która rzadko wędruje z pierwszą. 77% liderów ma co najmniej jeden udany use case. Przeczytajmy obie razem. Na poziomie use case'a obraz jest ponury. Na poziomie organizacji większość respondentów ma już coś, co działa. Jedna ankieta, dwa mianowniki, dwa nastroje. Nagłówek wybiera mianownik ciemniejszy, bo niska liczba to lepszy materiał na historię. Żadna z liczb nie jest błędna. Odpowiadają na różne pytania, a pytanie kryje się w wyborze tego, przez co dzielimy.

Procent bez mianownika nie jest faktem. Jest jego połową.

Ujmijmy to konkretnie. Wyobraźmy sobie sto firm, każda z czterema use case'ami AI w I&O. Załóżmy, że w większości firm jeden z czterech use case'ów działa, a pozostałe trzy stoją w miejscu. Policzmy według use case'a — udaje się mniej więcej jedna czwarta, ponuro wyglądające 25%. Policzmy według firmy — prawie każda ma trafienie, radosna liczba powyżej 90%. Nie zmieniło się nic poza jednostką liczenia. Ta sama rzeczywistość podpiera nagłówek pesymistyczny i optymistyczny, a prowadzący wybierze ten, który pasuje do tezy, z jaką wszedł na salę. Nie ma w tym oszustwa, jest zwykła swoboda, którą wybór mianownika daje temu, kto trzyma mikrofon.

Teraz czasownik. „Spełnia oczekiwania ROI” to ocena, a sędzią jest menedżer, który prowadzi projekt. Nic w komunikacie nie mówi, że zwrot zmierzono niezależnie. Nie ma śladu audytu, nie ma uzgodnienia z rachunkiem zysków i strat (P&L), nie ma trzeciej strony sprawdzającej deklarację. „Sukces” znaczy tu tyle, że lider I&O powiedział ankieterowi, że rzecz zadziałała. To uprawnione narzędzie — ankieta z samooceną (self-report) to normalny sposób czytania branży. Ale samoocena ma znany kierunek błędu. W komunikacie nie ma ani zastrzeżenia o tym obciążeniu, ani opublikowanego schematu doboru i ważenia próby. Gdy metodologia siedzi za paywallem, traktuj wynik jako sygnał od grupy, nie pomiar świata.

Potem przymiotniki — najmiększa część. „Sukces”, „ROI” i „porażka” to słowa elastyczne, a każda ankieta rozciąga je inaczej. Sukces u Gartnera to „pełny sukces i spełnienie oczekiwań ROI”. Ten próg jest naraz wysoki i miękki: wysoki, bo żąda pełnego sukcesu; miękki, bo oczekiwanie ustala sam respondent. Lider, który spodziewał się mało i dostał mało, liczy się tak samo jak ten, który przeobraził całą operację. Przesuń definicję odrobinę i 28 robi się 40 albo 20.

Liczba jest pochodną definicji, której ci nigdy nie pokazano.

Jest druga rzecz, którą liczenie zero-jedynkowe ukrywa — i to tam mieszkają pieniądze. Use case, który ściął dwa procent z rachunku za chmurę, i taki, który zautomatyzował całą warstwę, zapisują się oba jako jeden „sukces”. Dwa nieudane piloty po tysiąc dolarów liczą się tak samo jak jeden, który spalił milion. Zarząd interesuje wielkość wygranych i wielkość strat, a procent milczy o obu. Portfel może być udany w 28% i szalenie rentowny albo udany w 72% i pod kreską — zależnie wyłącznie od tego, gdzie skupiły się wartość i koszt. Wskaźnik nie mówi nic o wadze.

Nic z tego nie jest oskarżeniem. To zwykła anatomia statystyki z ankiety i dotyczy każdej liczby w tym sporze, nie tylko tej od Gartnera. Sens przejścia przez nią jest taki, że w nagłówku ta anatomia jest niewidoczna. Zanim „tylko 28%” dotrze na slajd, rzeczownik, czasownik i przymiotniki zostają zdarte, a zostaje naga liczba ubrana w pewność, której nigdy nie miała.

Dlaczego te liczby się nie zgadzają

Gdyby 28% było wskaźnikiem porażek AI, inne badania lądowałyby blisko. Nie lądują. Lądują na 5%, na ponad 80%, na 46%, na 30%. Ten rozrzut to nie szum pomiaru ani znak, że jedno badanie jest uczciwe, a reszta to śmieć. Każda liczba liczy coś innego, na innej populacji, wobec innego progu. Ustaw je w rzędzie, a niezgoda w większości znika — bo nigdy nie mierzyły tej samej wielkości.

Najpierw MIT. Inicjatywa NANDA (Networked Agents and Decentralized AI) opublikowała raport The GenAI Divide: State of AI in Business 2025. Jej narzędziem były 52 wywiady, 153 ankiety kadry kierowniczej i ponad 300 publicznych wdrożeń. Progiem był mierzalny wpływ na rachunek zysków i strat. Jednostką był pilot lub wdrożenie GenAI w skali całej firmy, nie jeden zakątek IT. Wniosek wędruje jako „95% zawodzi”.

Czyta się go powszechnie źle. 95% odnosi się do pilotów bez mierzalnego wpływu na P&L, nie do firm. Jak udokumentował Sify, „95% firm zawodzi” to błędne odczytanie raportu. Ten sam raport zauważa, że około 90% pracowników już używa prywatnych modeli językowych w pracy — to shadow AI, którego żaden formalny spis nie łapie. Liczba 5% „realnego wpływu” i liczba 90% „cichego użycia” sąsiadują więc w jednym dokumencie i opisują różne warstwy tych samych firm. Badanie może stwierdzić, że niemal żaden pilot nie przechodzi progu P&L, a zarazem że niemal każdy używa narzędzi. Jedno i drugie jest prawdą. Nie ma między nimi napięcia, gdy zobaczysz, że liczą co innego.

Teraz RAND. Cytowany wszędzie jako „ponad 80% projektów AI zawodzi”. Przeczytajmy źródło. Raport RRA2680-1 ujmuje to jako „według niektórych szacunków” — cytuje liczbę, nie wytwarza jej. Własne badanie RAND jest jakościowe, oparte na wywiadach z data scientistami i inżynierami. Czytane uczciwie, mówi, że znaczna większość projektów grzęźnie. Nie poświadcza precyzyjnych 80% i nie jest meta-analizą policzonego zbioru projektów. Towarzysząca teza, że projekty AI zawodzą „dwa razy częściej” niż IT bez AI, to rama, a nie zmierzony stosunek.

Liczba w cudzysłowie nie jest pomiarem. Jest cytatem.

S&P Global w badaniu Voice of the Enterprise przepytał w 2025 roku 1006 specjalistów IT i biznesu (line-of-business) w Ameryce Północnej i Europie. Wychodzą z niego dwie liczby, łatwe do pomylenia. Średnio 46% projektów proof-of-concept (PoC) zostaje ubitych przed produkcją. Osobno: odsetek firm porzucających większość swoich inicjatyw wzrósł rok do roku z 17% do 42%. 46% to nie 42%, i żadna z tych liczb nie mówi o zwrocie. Obie mierzą porzucenie, a to inna kategoria niż ROI. PoC można ubić z dobrego powodu, ze złego albo dlatego, że zespół nauczył się, czego potrzebował, i ruszył dalej. Porzucenie liczy wyjście, nie wartość.

Obok krąży druga liczba Gartnera, cytowana niemal zawsze w złym czasie gramatycznym, jakby coś, co dopiero miało się wydarzyć, już się wydarzyło. W lipcu 2024 roku firma przewidziała, że do końca 2025 porzuconych zostanie co najmniej 30% projektów generatywnej AI po fazie proof-of-concept, z doczepionym szacunkiem kosztu wdrożenia: od pięciu do dwudziestu milionów dolarów. Kiedy ta prognoza wraca w 2026 roku podana jako zmierzony wynik, powstaje błąd kategorii z własnym datownikiem.

Teraz poszerzmy kadr, bo gatunek jest starszy niż AI. „X% projektów technologicznych zawodzi” to nagłówek od lat 90., a jego najczęściej cytowanym źródłem jest raport CHAOS grupy Standish. Standish definiuje sukces jako projekt w terminie, w budżecie i w zakresie, mierzony wobec pierwotnych szacunków. Cokolwiek przekroczyło koszt, czas albo zakres, jest „zagrożone”; cokolwiek anulowane — „nieudane”.

Ta definicja ma problem, a Eveleens i Verhoef nazwali go w IEEE Software w 2010 roku. Pracując na 5457 prognozach z 1211 projektów, wyłożyli cztery wady. Sukces zdefiniowany wyłącznie przez trafność szacunku wprowadza w błąd. Miara jest jednostronna, więc zaniża sukces. Zarządzanie pod tę definicję psuje dobre szacowanie, bo nagradza pompowanie prognoz, żeby rzeczywistość mogła je pobić. A uśrednianie liczb o nieznanym obciążeniu daje liczby, które znaczą niewiele. Do tego schemat doboru próby jest zamknięty i skupiony na USA.

Jeśli statystyka porażek sprzed dekad nie przetrzymuje kontroli, ta sprzed dwóch lat zasługuje na ten sam nóż.

Oto kształt niezgody. Pięć badań, pięć mianowników: use case, pilot, projekt, firma, prognoza. Pięć progów: samoocena ROI, mierzony P&L, „porażka”, porzucenie, trafność szacunku. Pięć populacji, od liderów I&O przez przepytanych inżynierów po menedżerów biznesu. Zestawianie 28 z 5 i z 80 jako „wskaźnika porażek AI” przebiera błąd kategorii za trend. Porównywać je wprost to jak uśredniać temperaturę, odległość i wagę, bo wszystkie trzy pomiary wyszły na czterdzieści.

Jak zarząd powinien czytać tę liczbę

Nic z tego nie czyni liczby bezużyteczną. Czyni ją czymś, co trzeba przepytać, zanim zasłuży na slajd. Przesłuchanie to krótka lista pytań, a każde ma wstawić z powrotem jedno zdarte słowo.

• Co dokładnie policzono? Use case, pilot, projekt, firmę czy prognozę. Jednostka decyduje o wszystkim, co dalej, i jest pierwszą rzeczą, którą nagłówek ukrywa.
• Na kim? Liderach I&O, zarządzie, przepytanych praktykach. Potem pytanie trudniejsze: czy ta populacja przypomina nas? Ankieta wśród zespołów infrastruktury mówi mało o firmie produktowej, która dostarcza model klientom.
• Kto zdefiniował sukces i czy go zmierzono, czy zadeklarowano? Samoocena to nie audyt. Jeśli respondent sam ustawił próg, a potem zgłosił, że go przekroczył, masz opinię z doczepionym procentem.
• W jakim horyzoncie? Projekt młodszy niż okno ankiety liczy się dziś jako porażka, nawet jeśli zwrot ma przyjść za osiemnaście do dwudziestu czterech miesięcy. Zegar potrafi wyprodukować porażkę.
• Pomiar czy prognoza? 30% Gartnera to przewidywanie. Nie cytuj go jako wyniku i wyłap, gdy robi to ktoś inny.
• Ze źródła czy z kopiuj-wklej? „Ponad 80% według niektórych szacunków” nie staje się pomiarem w ustach kolejnego, kto to powtórzy. Prześledź liczbę wstecz, aż do instytucji, która ją wytworzyła, albo oznacz ją jako pogłoskę.
• Cui bono? Analityk doradczy, dostawca narzędzi governance, konsultant od transformacji — każdy ma historię na sprzedaż. Zapytaj, czemu służy narracja o „porażce”, zanim przyjmiesz jej arytmetykę.
• Czy próba widzi wartość, na której ci zależy? Shadow AI, zbudowaną zdolność, kupione opcje, lekcje opłacone nieudanym pilotem. Jeśli narzędzie nie umie zaobserwować wartości spoza ROI, jego milczenie o niej nie jest dowodem jej braku.

Pytanie o horyzont zasługuje na więcej niż punkt listy, bo to ono po cichu produkuje porażkę. Zwroty z technologii w firmie rzadko przychodzą po linii prostej. Najpierw ląduje koszt licencji, integracji i przeszkolenia, a zwrot, jeśli w ogóle przyjdzie, przychodzi z opóźnieniem. Zmierz portfel, gdy większość siedzi w tym wczesnym dołku, a odczytasz koszt bez zwrotu, który narzędzie zaksięguje jako porażkę. Ankieta to zdjęcie, nie film. Nie odróżni projektu, który zawodzi, od takiego, na którego wynik jest po prostu za wcześnie — a w miesiącu, gdy otwiera się migawka, oba wyglądają identycznie.

Uzbrojeni w te pytania wróćmy do liczb Gartnera i przeczytajmy je tak, jak zostały podane — jako zestaw, nie nagłówek. 28% use case'ów odnosi pełny sukces. 20% zawodzi całkowicie. Zostaje 52% środka, które nagłówek wymazuje: use case'y ani triumfalne, ani spisane na straty, w większości pewnie wciąż dojrzewające. „Tylko 28% się udaje” po cichu sugeruje, że 72% zawiodło. Druga liczba tej samej ankiety mówi, że zawiodło 20%. Pozostałe 52% robi to, co większość pracy: ani nie wygrywa, ani nie umiera, tylko mozolnie sunie naprzód.

Potem najużyteczniejsza liczba w komunikacie — i ta, która najrzadziej dotrze do zarządu. 57% liderów zgłosiło co najmniej jedną porażkę, a jako jej powód wielu z nich — Gartner nie podaje odsetka — wskazało, że „oczekiwano zbyt wiele, zbyt szybko”. Przeczytajmy to powoli. Powodem, który komunikat wymienia przed wszystkimi innymi, nie jest technologia, tylko to, jakie oczekiwania wokół niej ustawiono. Własna rama Gartnera wskazuje w tę samą stronę: zwrot zależał od integracji z istniejącymi procesami, od governance i od dopasowania do realnej potrzeby operacyjnej, nie od wyrafinowania modelu. 38% wskazało słabą jakość lub ograniczoną dostępność danych jako bezpośrednią przyczynę porażki i dokładnie tyle samo — utrzymujące się luki kompetencyjne.

Ta ankieta nie tyle wydaje wyrok na AI, ile podstawia lustro działom zakupów.

Jest jeszcze jedna dyscyplina, najczęściej pomijana. Zapytaj, czego ankieta wśród liderów I&O strukturalnie nie może zobaczyć. Nie widzi jednostek biznesowych, dyrektora finansowego ani użytkownika końcowego, bo ich nie zapytała. Nie widzi produktowego AI — modelu w dostarczonej funkcji, który napędza przychód — bo to żyje poza infrastrukturą i operacjami. Nie widzi shadow AI, prywatnych narzędzi, na których pracownicy już się opierają, bo nikt tego nie bada. I nie umie wycenić wartości spoza ROI: kupionej opcji, zbudowanej zdolności, tego, czego zespół nauczył się, tanio oblewając pilota. Liczba tak wąska to dziurka od klucza. Nie pomyl jej z pokojem.

Wyobraźmy sobie scenę na zarządzie zagraną dobrze. Ktoś wyświetla „72% projektów AI zawodzi”. Właściwą odpowiedzią nie jest kolejna statystyka. Zadaj pytanie: na jakiej populacji, mierzone jak, w jakim oknie i ślepe na co? Jeśli odpowiedź brzmi „use case'y w I&O, samoocena, w dwumiesięcznym oknie, w firmach, którymi nie jesteśmy”, slajd nie został obalony. Został wyceniony. Wiesz teraz dokładnie, ile ciężaru uniesie — trochę uniesie, ale nie ciężar decyzji o ubiciu projektu.

Gdzie zawodzi sam sceptycyzm

Rozbieranie statystyki daje satysfakcję i ma własny scenariusz porażki. Sceptyk metodologiczny potrafi wmówić sobie, że można zignorować liczbę, która czytana uczciwie wciąż niesie sygnał. Ten ruch to osobna odmiana umotywowanego rozumowania (motivated reasoning): rozumowanie kogoś, kto chce wydawać dalej i znalazł sposób, by odrzucić niewygodne dane. „To tylko metodologia” to wersja zaprzeczenia w ustach dysponenta budżetu i jest co najmniej tak groźna jak naiwny odczyt, który poprawia.

Wyłóżmy więc uczciwy odczyt wprost. Teza nie brzmi, że 28% jest błędne ani że AI działa świetnie — brzmi, że liczba nie znaczy tego, co mówi slajd zarządu. To różne tezy, a broniona jest tu tylko ostatnia. Granice nie unieważniają liczby. One ją ograniczają.

Zauważmy, co przetrzymuje kontrolę. Narzędzia nie zgadzają się co do liczby, ale zgadzają się co do kierunku. MIT, RAND, S&P i Gartner użyły różnych jednostek, progów i populacji, a każde z nich stwierdziło, że większość inicjatyw AI wciąż nie przekracza własnego progu zwrotu. Tych liczb nie da się uśrednić i błąd kategorii nie znika, gdy próbujesz. Ale zbieżność niezależnych, źle zestrojonych narzędzi jest sama w sobie formą dowodu. Gdy cztery prymitywne termometry pokazują „gorąco”, nie znasz temperatury, a ręki na piecu i tak nie kładziesz.

Zauważmy też, co broni tych ankiet najlepiej. Wniosek „oczekiwano zbyt wiele, zbyt szybko” niemal wcale nie zależy od metodologii. To zdanie o ludzkim oczekiwaniu i przetrwałoby prawie każdą rozsądną definicję porażki, jaką byś podstawił. Strukturalna teza Gartnera — że zwrot idzie za integracją i governance, a nie za jakością modelu — to wynik prawdziwy i użyteczny, niezależny od tego, czy nagłówek mówi 28, czy 38. Kto broni tych badań dobrze, nie broni procentu z nagłówka. Broni wniosków leżących pod nim, a te są solidniejsze niż liczba na wierzchu.

Jest obrona subtelniejsza, cięta przeciw mojej własnej tezie. Liczby nieprecyzyjne koordynują. Zarządowi bardziej potrzebny jest wspólny punkt odniesienia niż idealnie doprecyzowany. Rynkowi i zespołowi zakupów tak samo. Liczba prawdziwa co do kierunku i szeroko cytowana zrobi więcej roboty niż precyzyjna, o której nikt nie słyszał. „28% use case'ów” staje się takim punktem Schellinga dla dojrzałości firmowego AI i część swojego wpływu zdobywa uczciwie, bo co do kierunku ma z grubsza rację. Rozbiórka w tym eseju obniża wagę, jaką powinieneś nadać liczbie. Nie obniża tej wagi do zera.

Zdyscyplinowana postawa leży między dwoma błędami. Jeden czyta „72% zawodzi” i wnioskuje, że AI to hype, który należy przeczekać. Drugi czyta „tylko ankieta” i wnioskuje, że dane można zignorować, a wydawać dalej. Oba to umotywowane rozumowanie, wycelowane w przeciwne strony, a temu, kto je uprawia, oba wydają się rygorem. Liczba nie jest ani wyrokiem, ani szumem. To sygnał cząstkowy, z samooceny, z wąskiej populacji, a zadanie polega na tym, żeby użyć go w tej właśnie roli, nie czyniąc go ani cięższym, ani lżejszym.

Nadkorekta ma koszt wart nazwania wprost. Founder albo operator, który uczy się rozkładać każdą niewygodną statystykę, zyskuje narzędzie, dzięki któremu nigdy nie musi aktualizować poglądów. Każda nieprzyjemna liczba ma mianownik, o który można się kłócić, samoocenę, której można nie ufać, horyzont, który można nazwać niesprawiedliwym. Stosowana wybiórczo ta umiejętność staje się maszyną do usprawiedliwiania tego, co i tak chciałeś zrobić. Skalpel, który otwiera liczbę Gartnera, otwiera równie czysto sprawę twojego własnego projektu — a uczciwość intelektualna każe ciąć nim w obie strony.

Pytanie, na które liczba ma odpowiedzieć

Oto dyscyplina w skrócie. Zanim procent trafi na slajd, każ mu odpowiedzieć na jedno pytanie: z czego? Z use case'ów czy z firm. Zmierzony czy zadeklarowany. W jakim horyzoncie i ślepy na co. Statystyka, która nie przetrzyma tego pytania, nie jest dowodem. Jest nastrojem z przecinkiem dziesiętnym.

28% nie jest odpowiedzią na pytanie „czy AI działa?”. To początek lepszego pytania: dla kogo działa, w czym, jak to zmierzono i jak wypada na tle tego, co tolerujemy przy każdym innym projekcie technologicznym, jaki kiedykolwiek sfinansowaliśmy. Zadaj je tak, a liczba przestaje być nagłówkiem i staje się tym, czym zawsze była: jednym wąskim odczytem, który naprawdę warto mieć, groźnym tylko wtedy, gdy wędruje sam.

Bibliografia

1. primaryGartner, AI Projects in I&O Stall Ahead of Meaningful ROI Returns (komunikat prasowy w formie pytań i odpowiedzi z udziałem Melanie Freeze, 7 kwietnia 2026) — (odczytany bezpośrednio z newsroomu Gartnera; pełny raport z metodologią pozostaje za paywallem)
2. primaryGartner, 30% of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025 (komunikat prasowy, 2024).
3. primaryMIT NANDA, The GenAI Divide: State of AI in Business 2025 (raport, 2025).
4. primaryRAND — Ryseff, De Bruhl, Newberry i in., The Root Causes of Failure for Artificial Intelligence Projects (RRA2680-1, 2024).
5. primaryS&P Global Market Intelligence, Voice of the Enterprise: AI & Machine Learning, Use Cases 2025.
6. primaryEveleens & Verhoef, The Rise and Fall of the Chaos Report Figures, IEEE Software 27(1):30–36 (2010).
7. secondaryThe Register, Only 28% of AI infrastructure projects fully pay off (2026).
8. secondaryCIO, AI often doesn't deliver ROI for IT departments either.
9. secondarySify, 95% Companies Failing with AI? An MIT NANDA Report Misread by All.
10. secondaryCIO Dive, AI project failure rates are on the rise: report.
11. secondaryHenrico Dolfing, Project Failure Is Largely Misunderstood (krytyka raportu Chaos).
12. secondarymetamorphOS, Why 72% of AI projects fail, and what Gartner's research isn't telling you — (opinia/marketing; użyte tu jako rama, nie jako dane)