Az AI projektekről szóló cikkek és konferencia előadások egyik gyakran idézett állítása, hogy „az AI projektek akár 60-70 %-a nem térül meg”.

Ez a szám sokszor hivatkozási alapként jelenik meg döntéshozói prezentációkban, pitch deckekben és stratégiai anyagokban is. De érdemes feltenni a kérdést: hogyan érdemes kontextusba helyezni ezeket az adatokat?

---

Mit nevezünk egyáltalán megtérülésnek?

Az egyik alapvető probléma, hogy az AI projektek „sikerét” sok felmérés túl szűken definiálja.

Gyakori, hogy a megtérülést kizárólag:

• közvetlen bevételnövekedéshez,
• vagy azonnali költségcsökkentéshez köti.

A valóságban azonban sok AI projekt elsődleges hatása nem itt jelentkezik.

Egy AI megoldás lehet sikeres akkor is, ha:

• kapacitást szabadít fel (pl. automatizált elemzés, ügyintézés, előszűrés),
• csökkenti a hibák számát,
• gyorsabb döntéshozatalt tesz lehetővé,
• vagy skálázhatóbbá tesz egy meglévő folyamatot.

Ezek a hatások gyakran közvetettek, és nem mindig jelennek meg azonnal pénzügyi KPI-okban – mégis üzleti értéket teremtenek.

A statisztikák módszertani problémái

A „80% elhasal” típusú állítások mögött sok esetben olyan kutatások állnak, amelyeknél érdemes megnézni:

• mennyi ideig követték a projekteket,
• kiket kérdeztek meg,
• és mit tekintettek sikernek vagy kudarcnak.

Több felmérésről utólag kiderült, hogy:

• túl rövid időtávon vizsgálta a projekteket (6–12 hónap),
• nem vont be üzleti vagy felsővezetői szereplőket,
• kizárólag technológiai csapatok visszajelzéseire támaszkodott,
• vagy a minta nem volt reprezentatív.

Sőt, az elmúlt években olyan, széles körben idézett „kutatásokról” is kiderült, hogy nem volt mögöttük valódi empirikus adat, csak másodlagos hivatkozások láncolata.

Ez nem azt jelenti, hogy az AI projektek mindig sikeresek – hanem azt, hogy óvatosan kell bánni az egyszerűsített százalékokkal.

Mikor nevezhetünk sikeresnek egy AI projektet?

A webináron is hangsúlyos kérdés volt, hogy az AI projektek sikere nem bináris.

Egy projekt lehet:

• technológiailag sikeres, de üzletileg láthatatlan,
• üzletileg hasznos, de még nem optimalizált,
• vagy rövid távon „nem megtérülő”, hosszabb távon viszont stratégiai alap.

A siker értelmezéséhez ezért szükség van:

• világos üzleti célokra,
• előre meghatározott sikerdefiníciókra,
• és arra, hogy ne csak pénzügyi mutatókban gondolkodjunk.

Beszállítói és megrendelői „kalapok” – ugyanaz a projekt, két valóság

Az AI projektek egyik tipikus feszültségforrása, hogy a beszállító és a megrendelő más szemüvegen keresztül nézi ugyanazt az eredményt.

A beszállítói oldalon a siker gyakran:

• egy működő modell,
• jó pontossági metrikák,
• stabil infrastruktúra.

A megrendelői oldalon viszont a kérdés inkább az:

• változott-e a döntéshozatal,
• lett-e gyorsabb vagy hatékonyabb a működés,
• csökkent-e egy üzleti kockázat.

Ha ez a két nézőpont nincs már az elején összehangolva, könnyen előáll az a helyzet, hogy a projekt „kész van”, mégsem tekinthető sikernek.

Miről lesz szó a webináron?

Holnapi webinárunkon ezeket a kérdéseket járjuk körbe konkrét példákon keresztül:

• mit mutatnak valójában az AI projektek megtérüléséről szóló statisztikák,
• mikor és hogyan érdemes ROI-ról beszélni,
• hol csúsznak el leggyakrabban a sikerdefiníciók,
• és hogy mit tapasztaltak munkájuk során szakértő előadóink.

Ha téged is foglalkoztat, hogy mi számít valódi sikernek egy AI projektben, és hogyan lehet reális elvárásokat kialakítani már az elején, csatlakozz a webinárhoz.