Detta är ingen isolerad prognos. Gartners bredare forskning om misslyckade AI-projekt pekar på konsekventa, icke-tekniska orsaker till tillbakadragandet :

• Skjutande kostnader utan tydlig ROI-modell – AI-infrastrukturkostnader (beräkning, API:er, integration, löpande underhåll och mänsklig tillsyn) är betydande och tenderar att skena. 90 procent av CIO:erna rapporterar att AI-kostnaderna redan begränsar deras förmåga att maximera värdet .
• Oklar affärsnytta – Många projekt överges efter konceptvalidering eftersom organisationer inte kan visa en mätbar effekt på resultatet .
• Dålig datakvalitet och otillräckliga riskkontroller – Svag styrning, dataproblem och bristfällig riskhantering får projekt att kollapsa . Gartner förutspår att fram till 2026 kommer organisationer att överge 60 procent av AI-projekt som inte stöds av AI-klar data .
• "Agent-washing" och användningsdrift – Organisationer satsar på AI för dess egen skull utan en disciplinerad affärsplan, vilket leder till misslyckande. Gartner-analytikern Anushree Verma konstaterar att många leverantörer har omprofilerat befintliga chattrobotar som AI-agenter utan att leverera meningsfulla resultat .

Dessa rön överensstämmer med Gartners separata uppskattning från april 2026 om att 57 procent av IT-infrastruktur- och driftschefer har minst ett misslyckat AI-projekt bakom sig, och att vart femte AI-projekt inom det området kollapsar helt .

Klyftan mellan utgifter och avkastning: bevis från flera källor

Flera stora källor bekräftar den växande diskrepansen mellan massiva AI-investeringar och mätbara affärsresultat:

Goldman Sachs (augusti 2026): Strategen Ben Snider rapporterar att AI-utgifterna ökar kraftigt, men att tekniken ännu inte har gett någon meningsfull förbättring av vinsten för de flesta företag. Endast 2 procent av S&P 500-bolagen har kvantifierat AI:s påverkan på sina vinster, och de flesta rapporterar liten eller ingen omedelbar nytta . Analytikern Jessica Rindels uppskattar att USA:s AI-investeringar kommer att uppgå till nästan 600 miljarder dollar 2026, motsvarande nära 2 procent av BNP, samtidigt som bevisen för motsvarande ekonomiska vinster är tunna .

Goldman Sachs (maj 2026): Analytikern Jim Covello konstaterar att de flesta företag ännu inte har genererat någon avkastning på sina AI-utgifter, och hänvisar till en MIT-studie som fann att 95 procent av företagens AI-piloter inte gav någon mätbar resultateffekt . Covello menar att AI-ekonomin är "mer tveksam i dag än för två år sedan" .

Goldman Sachs (juli 2026): Ekonomen Jan Hatzius och analytikern David Peng levererar en verklighetskontroll – AI-införandet och dess produktivitetseffekt kan ta mycket längre tid än marknaden förväntar sig. Deras analys visar att produktivitetseffekten följer en J-kurva: en blygsam nedgång under de första fyra åren, statistiskt signifikanta vinster först efter åtta år och en toppeffekt på cirka 0,6 procentenheter år 12. Om ChatGPT:s lansering 2022 motsvarar PC:ns debut 1981, är vinsten fortfarande år bort .

McKinsey (2026): Färre än 20 procent av företagens AI-satsningar visar mätbar affärspåverkan .

Sequoia Capital: Har flaggat en intäktsgap på cirka 600 miljarder dollar mellan AI-investeringar och AI-avkastning .

Risk för molnjättarnas kassaflöde: Goldman Sachs varnar för att de fyra dominerande molnleverantörerna (Amazon, Alphabet/Google, Microsoft, Meta) kollektivt är på väg att spendera mer än hela sitt operativa kassaflöde på AI-infrastruktur, utan bevisad företags-ROI för att motivera utläggen . De sammanlagda kapitalutgifterna för dessa fyra företag 2026 beräknas till cirka 650 miljarder dollar .

Varför projekt misslyckas: det är inte tekniken

En konsekvent slutsats i alla större analyser är att misslyckade AI-projekt är organisatoriska och strategiska, inte tekniska. Modellen misslyckas nästan aldrig – men affärsplanen, datagrunden och kostnadskontrollerna gör det.

Gartner identifierar tre primära misslyckandemönster som driver dess prognoser: skenande kostnader utan tydlig ROI-modell, oklar affärsnytta och otillräckliga riskkontroller . Som en Gartner-analytiker uttryckte det: "de flesta agentiska AI-projekt just nu är tidiga experiment eller konceptvalideringar som mest drivs av hype och ofta tillämpas felaktigt" .

Konsekvenserna är redan synliga. Gartner förutspår att 70 procent av AI-initiativen kommer att avvecklas senast 2028 på grund av okontrollerade kostnadsexplosioner och värdeminskning i organisationer som saknar en dedikerad ekonomistyrningspraxis för AI .

Vad detta innebär för företagsledare

Mönstret från Gartner, Goldman Sachs, McKinsey, MIT och Sequoia är konsekvent: AI-utgifterna är på historiskt höga nivåer, men den stora majoriteten av organisationer kan ännu inte visa mätbar, resultatpåverkande avkastning på dessa utgifter. Många drar redan tillbaka eller misslyckas med att få projekt förbi pilotstadiet.

För organisationer som investerar i AI pekar forskningen på en tydlig väg framåt: identifiera en specifik operativ flaskhals med mätbar kostnads- eller kvalitetspåverkan, bygg en AI-lösning för just det problemet, mät före/efter-effekten rigoröst och skala bara det som fungerar . Projekt som inte fastställer tydliga ROI-mått från dag ett kommer sannolikt inte att överleva den kommande uppgörelsen.

Detta är ingen isolerad prognos. Gartners bredare forskning om misslyckade AI-projekt pekar på konsekventa, icke-tekniska orsaker till tillbakadragandet :

• Skjutande kostnader utan tydlig ROI-modell – AI-infrastrukturkostnader (beräkning, API:er, integration, löpande underhåll och mänsklig tillsyn) är betydande och tenderar att skena. 90 procent av CIO:erna rapporterar att AI-kostnaderna redan begränsar deras förmåga att maximera värdet .
• Oklar affärsnytta – Många projekt överges efter konceptvalidering eftersom organisationer inte kan visa en mätbar effekt på resultatet .
• Dålig datakvalitet och otillräckliga riskkontroller – Svag styrning, dataproblem och bristfällig riskhantering får projekt att kollapsa . Gartner förutspår att fram till 2026 kommer organisationer att överge 60 procent av AI-projekt som inte stöds av AI-klar data .
• "Agent-washing" och användningsdrift – Organisationer satsar på AI för dess egen skull utan en disciplinerad affärsplan, vilket leder till misslyckande. Gartner-analytikern Anushree Verma konstaterar att många leverantörer har omprofilerat befintliga chattrobotar som AI-agenter utan att leverera meningsfulla resultat .

Dessa rön överensstämmer med Gartners separata uppskattning från april 2026 om att 57 procent av IT-infrastruktur- och driftschefer har minst ett misslyckat AI-projekt bakom sig, och att vart femte AI-projekt inom det området kollapsar helt .

Klyftan mellan utgifter och avkastning: bevis från flera källor

Flera stora källor bekräftar den växande diskrepansen mellan massiva AI-investeringar och mätbara affärsresultat:

Goldman Sachs (augusti 2026): Strategen Ben Snider rapporterar att AI-utgifterna ökar kraftigt, men att tekniken ännu inte har gett någon meningsfull förbättring av vinsten för de flesta företag. Endast 2 procent av S&P 500-bolagen har kvantifierat AI:s påverkan på sina vinster, och de flesta rapporterar liten eller ingen omedelbar nytta . Analytikern Jessica Rindels uppskattar att USA:s AI-investeringar kommer att uppgå till nästan 600 miljarder dollar 2026, motsvarande nära 2 procent av BNP, samtidigt som bevisen för motsvarande ekonomiska vinster är tunna .

Goldman Sachs (maj 2026): Analytikern Jim Covello konstaterar att de flesta företag ännu inte har genererat någon avkastning på sina AI-utgifter, och hänvisar till en MIT-studie som fann att 95 procent av företagens AI-piloter inte gav någon mätbar resultateffekt . Covello menar att AI-ekonomin är "mer tveksam i dag än för två år sedan" .

Goldman Sachs (juli 2026): Ekonomen Jan Hatzius och analytikern David Peng levererar en verklighetskontroll – AI-införandet och dess produktivitetseffekt kan ta mycket längre tid än marknaden förväntar sig. Deras analys visar att produktivitetseffekten följer en J-kurva: en blygsam nedgång under de första fyra åren, statistiskt signifikanta vinster först efter åtta år och en toppeffekt på cirka 0,6 procentenheter år 12. Om ChatGPT:s lansering 2022 motsvarar PC:ns debut 1981, är vinsten fortfarande år bort .

McKinsey (2026): Färre än 20 procent av företagens AI-satsningar visar mätbar affärspåverkan .

Sequoia Capital: Har flaggat en intäktsgap på cirka 600 miljarder dollar mellan AI-investeringar och AI-avkastning .

Risk för molnjättarnas kassaflöde: Goldman Sachs varnar för att de fyra dominerande molnleverantörerna (Amazon, Alphabet/Google, Microsoft, Meta) kollektivt är på väg att spendera mer än hela sitt operativa kassaflöde på AI-infrastruktur, utan bevisad företags-ROI för att motivera utläggen . De sammanlagda kapitalutgifterna för dessa fyra företag 2026 beräknas till cirka 650 miljarder dollar .

Varför projekt misslyckas: det är inte tekniken

En konsekvent slutsats i alla större analyser är att misslyckade AI-projekt är organisatoriska och strategiska, inte tekniska. Modellen misslyckas nästan aldrig – men affärsplanen, datagrunden och kostnadskontrollerna gör det.

Gartner identifierar tre primära misslyckandemönster som driver dess prognoser: skenande kostnader utan tydlig ROI-modell, oklar affärsnytta och otillräckliga riskkontroller . Som en Gartner-analytiker uttryckte det: "de flesta agentiska AI-projekt just nu är tidiga experiment eller konceptvalideringar som mest drivs av hype och ofta tillämpas felaktigt" .

Konsekvenserna är redan synliga. Gartner förutspår att 70 procent av AI-initiativen kommer att avvecklas senast 2028 på grund av okontrollerade kostnadsexplosioner och värdeminskning i organisationer som saknar en dedikerad ekonomistyrningspraxis för AI .

Vad detta innebär för företagsledare

Mönstret från Gartner, Goldman Sachs, McKinsey, MIT och Sequoia är konsekvent: AI-utgifterna är på historiskt höga nivåer, men den stora majoriteten av organisationer kan ännu inte visa mätbar, resultatpåverkande avkastning på dessa utgifter. Många drar redan tillbaka eller misslyckas med att få projekt förbi pilotstadiet.

För organisationer som investerar i AI pekar forskningen på en tydlig väg framåt: identifiera en specifik operativ flaskhals med mätbar kostnads- eller kvalitetspåverkan, bygg en AI-lösning för just det problemet, mät före/efter-effekten rigoröst och skala bara det som fungerar . Projekt som inte fastställer tydliga ROI-mått från dag ett kommer sannolikt inte att överleva den kommande uppgörelsen.