Gartner ostrzega: co piąta organizacja wycofa się z AI do 2028 roku

Enterprise AI stoi w obliczu konfrontacji z rzeczywistością. Po latach gwałtownej adopcji i ogromnych wydatków, coraz więcej badań Gartnera, Goldman Sachs, McKinsey, MIT i Sequoia Capital ujawnia uporczywą i pogłębiającą się lukę między inwestycjami w AI a wymiernymi wynikami biznesowymi. Konsensus jest uderzający: większość organizacji nie jest w stanie wykazać, że ich wydatki na AI się opłacają, a wiele z nich już się wycofuje.

Prognoza Gartnera: nadchodzący odwrót od AI

Gartner przewiduje, że do 2028 roku około jedna na pięć organizacji na świecie ograniczy lub porzuci AI w części swojej działalności i wróci do konwencjonalnego tworzenia oprogramowania, ponieważ nie będą w stanie opanować rosnących kosztów i stwierdzą, że zwrot nie uzasadnia wydatków . Oczekuje się, że odwrót skoncentruje się w obszarach, gdzie wartość biznesowa pozostaje niejasna .

Nie jest to odosobniona prognoza. Szersze badania Gartnera dotyczące niepowodzeń projektów AI wskazują na spójne, pozatechniczne powody wycofywania się :

• Rosnące koszty bez jasnego modelu ROI — Koszty infrastruktury AI (obliczenia, API, integracja, bieżące utrzymanie i nadzór ludzki) są znaczne i często wymykają się spod kontroli. 90% dyrektorów IT (CIO) raportuje, że koszty AI już teraz ograniczają ich zdolność do maksymalizacji wartości .
• Niejasna wartość biznesowa — Wiele projektów jest porzucanych po fazie proof-of-concept, ponieważ organizacje nie są w stanie wykazać mierzalnego wpływu na wyniki finansowe .
• Słaba jakość danych i nieodpowiednie kontrole ryzyka — Słabe zarządzanie, problemy z danymi i niewystarczające zarządzanie ryzykiem powodują załamanie projektów . Gartner przewiduje, że do 2026 roku organizacje porzucą 60% projektów AI nie wspieranych przez dane gotowe na AI .
• „Agent washing” i dryf przypadków użycia — Organizacje wdrażają AI dla samej AI, bez zdyscyplinowanego uzasadnienia biznesowego, co prowadzi do porażki. Analityk Gartnera Anushree Verma zauważa, że wielu dostawców przemianowało istniejące chatboty na „agentów AI” bez dostarczania znaczących rezultatów .

Te ustalenia są zgodne z osobnym szacunkiem Gartnera z kwietnia 2026 roku, że 57% menedżerów infrastruktury IT i operacji ma za sobą co najmniej jedną porażkę projektu AI, a jeden na pięć projektów AI w tej domenie całkowicie upada .

Rozdźwięk między wydatkami a ROI: dowody z wielu źródeł

Kilka głównych źródeł potwierdza rosnącą rozbieżność między ogromnymi inwestycjami w AI a wymiernymi wynikami biznesowymi:

Goldman Sachs (sierpień 2026): Strateg Ben Snider raportuje, że wydatki na AI gwałtownie rosną, ale technologia nie przyniosła jeszcze znaczącej poprawy zysków większości firm. Tylko 2% spółek z indeksu S&P 500 określiło wpływ AI na swoje zyski, a większość raportuje niewielkie lub zerowe bezpośrednie korzyści . Analityk Jessica Rindels szacuje, że amerykańskie inwestycje w AI wyniosą w 2026 roku prawie 600 miliardów dolarów, co stanowi równowartość blisko 2% PKB, a dowody na odpowiadające im korzyści gospodarcze pozostają nikłe .

Goldman Sachs (maj 2026): Analityk Jim Covello zauważa, że większość przedsiębiorstw nie wygenerowała jeszcze żadnych zwrotów z wydatków na AI, powołując się na badanie MIT, które wykazało, że 95% korporacyjnych pilotaży AI nie przyniosło mierzalnego wpływu na wynik finansowy . Covello argumentuje, że ekonomika AI jest „bardziej wątpliwa dziś niż dwa lata temu” .

Goldman Sachs (lipiec 2026): Ekonomista Jan Hatzius i analityk David Peng studzą optymizm — adopcja AI i jej wpływ na produktywność mogą zająć znacznie więcej czasu, niż oczekują rynki. Ich analiza pokazuje, że wpływ na produktywność przebiega zgodnie z krzywą J: niewielkie spowolnienie przez pierwsze cztery lata, statystycznie istotne zyski dopiero po ośmiu latach, a szczytowy wpływ na poziomie około 0,6 punktu procentowego w 12. roku. Jeśli debiut ChatGPT w 2022 roku jest odpowiednikiem debiutu PC w 1981 roku, to zwrot z inwestycji jest jeszcze oddalony o lata .

McKinsey (2026): Mniej niż 20% wdrożeń AI w przedsiębiorstwach wykazuje mierzalny wpływ na biznes .

Sequoia Capital: Zasygnalizowała lukę przychodową rzędu około 600 miliardów dolarów między inwestycjami w AI a zwrotem z nich .

Ryzyko przepływów pieniężnych hyperscalerów: Goldman Sachs ostrzega, że czterej dominujący dostawcy chmury (Amazon, Alphabet/Google, Microsoft, Meta) łącznie wydadzą więcej niż cały swój operacyjny przepływ pieniężny na infrastrukturę AI, bez udowodnionego korporacyjnego ROI uzasadniającego te nakłady . Łączne nakłady inwestycyjne (capex) tych czterech firm w 2026 roku szacowane są na około 650 miliardów dolarów .

Dlaczego projekty upadają: to nie wina technologii

Spójnym wnioskiem ze wszystkich głównych analiz jest to, że niepowodzenia projektów AI mają charakter organizacyjny i strategiczny, a nie techniczny. Model prawie nigdy nie zawodzi — ale zawodzą uzasadnienie biznesowe, fundament danych i kontrola kosztów.

Gartner identyfikuje trzy główne tryby awarii napędzające jego prognozy: rosnące koszty bez jasnego modelu ROI, niejasną wartość biznesową oraz nieodpowiednie kontrole ryzyka . Jak ujął to jeden z analityków Gartnera, „większość projektów agentowych AI to obecnie wczesne eksperymenty lub proof of concepty, które są w większości napędzane szumem i często źle stosowane” .

Konsekwencje są już widoczne. Gartner przewiduje, że do 2028 roku 70% inicjatyw AI zostanie wycofanych z powodu niekontrolowanych eksplozji kosztów i dryfu wartości w organizacjach, które nie posiadają dedykowanej praktyki zarządzania finansami AI .

Co to oznacza dla liderów biznesu

Wzorzec widoczny w raportach Gartnera, Goldman Sachs, McKinsey, MIT i Sequoia jest spójny: wydatki na AI są na historycznie wysokim poziomie, ale zdecydowana większość organizacji nie jest w stanie wykazać mierzalnych, dających się przełożyć na zyski zwrotów z tych wydatków. Wiele z nich już się wycofuje lub nie jest w stanie wyprowadzić projektów poza fazę pilotażu.

Dla organizacji inwestujących w AI badania wskazują jasną ścieżkę: zidentyfikuj konkretne wąskie gardło operacyjne o mierzalnym wpływie na koszty lub jakość, zbuduj rozwiązanie AI dla tego konkretnego problemu, rygorystycznie zmierz wpływ przed i po, a następnie skaloruj tylko to, co działa . Projekty, które nie ustanowią jasnych wskaźników ROI od pierwszego dnia, mają nikłe szanse na przetrwanie nadchodzącej weryfikacji.