W teorii wszystko wyglądało pięknie. Generatywna sztuczna inteligencja miała automatyzować całe procesy biznesowe, agentowa AI miała prowadzić rozmowy z innymi agentami bez ingerencji człowieka, a komputery kwantowe miały wkrótce zrewolucjonizować obliczenia. Jednak praktyka pokazała coś zupełnie innego – i dyrektorzy ds. informatyki (CIO) coraz śmielej przyznają: wiele z tych technologii nie dorosło do własnej legendy.
Z corocznych zestawień najczęściej przereklamowanych technologii wyłania się wzór. Nowinki, które jeszcze rok czy dwa temu zajmowały centralne miejsce w strategiach transformacji cyfrowej, dziś częściej trafiają do działu „eksperymenty z wysokim ryzykiem”. Powód? Rzeczywistość wdrożeniowa nie nadąża za narracją marketingową.
Generatywna AI: za dużo nadziei, za mało wdrożeń
Po raz trzeci z rzędu na szczycie listy rozczarowań znalazła się generatywna AI. Jej potencjał – od automatyzacji procesów po kreatywne generowanie treści – nie budzi wątpliwości. Problem w tym, że efekty pilotaży rzadko przekładają się na produkcyjne wdrożenia. Według danych IDC, nawet 90% takich projektów kończy się przedwcześnie. CIO uczą się więc na błędach i coraz częściej koncentrują się na niszowych, mierzalnych zastosowaniach zamiast szeroko zakrojonych transformacjach.
W praktyce oznacza to zmianę narracji – od „AI zrewolucjonizuje mój biznes” do „gdzie AI może faktycznie dać nam zwrot z inwestycji”. Rośnie też świadomość kosztów: zarówno finansowych, jak i czasowych. Firmy muszą inwestować w nadzór, weryfikację wyników i integrację z już działającymi systemami.
Agentowa AI i „cyfrowi pracownicy”: iluzja autonomii
Nowym uczestnikiem zestawienia są tzw. agenci AI – czyli oprogramowanie mające autonomicznie podejmować decyzje, współpracować z innymi agentami i samodzielnie realizować cele. Choć brzmi to jak spełnienie marzeń o samoobsługowych procesach, rzeczywistość jest znacznie bardziej przyziemna.
Gartner szacuje, że do 2027 roku aż 40% projektów z obszaru Agent AI zostanie porzuconych z powodu niejasnej wartości biznesowej i rosnących kosztów. Branża cierpi też na brak jednoznacznych definicji – wielu dostawców po prostu „przemalowuje” istniejące chatboty i narzędzia RPA, nadając im modną etykietę.
W podobnym tonie wypowiadają się eksperci na temat tzw. cyfrowych pracowników. Ich zadaniem miało być przejmowanie żmudnych zadań administracyjnych, a nawet zarządzanie procesami. W rzeczywistości „cyfrowi pracownicy” to najczęściej dobrze ubrani chatboty, wykonujące bardzo ograniczone operacje. O agentach ogólnego przeznaczenia – mogących samodzielnie analizować, planować i działać – na razie można zapomnieć.
AIOps i obserwowalność: więcej danych, mniej korzyści
Sztuczna inteligencja w operacjach IT (AIOps) miała rozwiązać jeden z największych problemów dużych organizacji – nadmiar danych operacyjnych i brak kontekstu. Tymczasem wiele firm przekonuje się, że złożoność wdrożeń i niewystarczająca jakość telemetrii sprawiają, że zamiast reagować szybciej, po prostu otrzymują więcej alertów bez realnego znaczenia.
W efekcie inwestycje w AIOps często prowadzą do… kolejnych inwestycji – w zespoły, które mają analizować wyniki pracy AI. Paradoksalnie, to właśnie zwiększony szum informacyjny z tych systemów staje się dziś barierą, a nie pomocą w reagowaniu na incydenty.
Klasyczna AI: oczekiwania kontra rzeczywistość
W tle tych szczegółowych analiz pojawia się jeszcze jeden wniosek: sama sztuczna inteligencja jako kategoria technologiczna również znalazła się pod ostrzałem. CIO zauważają, że błędne rozumienie możliwości AI – jako rozwiązania „na wszystko” – prowadzi do kosztownych błędów. Firmy, które podjęły próbę redukcji personelu licząc na wsparcie AI, nierzadko muszą teraz odbudowywać zespół i zaufanie.
Rozczarowania wynikają nie z braku potencjału, ale z nadmiaru uproszczeń w komunikacji. Skuteczna AI wymaga danych, integracji, adaptacji i… cierpliwości. Wbrew obiegowym opiniom, wdrożenie AI nie jest proste, szybkie ani tanie.
Komputery kwantowe i metaverse: odległy horyzont
W kategorii „przyszłość, która jeszcze nie nadeszła” ponownie znalazły się komputery kwantowe. Choć firmy takie jak IBM, IonQ czy Google intensywnie rozwijają technologię, jej realne zastosowania w biznesie pozostają pieśnią przyszłości. Dla CIO oznacza to jedno – planowanie ewentualnych skutków (np. postkwantowego szyfrowania), ale bez konkretnego roadmapu wdrożeniowego.
Podobny los spotkał metaverse i technologie XR (AR/VR/MR). Pomimo rosnących inwestycji (Meta, Apple, Microsoft), CIO nadal traktują je jako ciekawostki z potencjałem, ale bez klarownych przypadków biznesowych. Problemem pozostaje ergonomia, koszt infrastruktury i niekompatybilność rozwiązań.
Multicloud: strategia bez strategii
Na liście przereklamowanych koncepcji znalazła się również strategia multicloud. Chociaż wiele firm deklaruje wykorzystanie więcej niż jednej chmury, realna interoperacyjność i elastyczność rzadko są osiągane. Obciążenia wciąż są przywiązane do jednego dostawcy, a próby ich przenoszenia często kończą się fiaskiem ze względu na różnice w architekturze, modelach bezpieczeństwa i kosztach transferu danych.
Multicloud w praktyce stał się raczej zbiorem przypadkowych decyzji niż przemyślaną strategią uniezależnienia się od vendorów.
Zielona energia i pojazdy elektryczne: rozczarowanie użytkownika końcowego
Co ciekawe, część CIO postanowiła rozszerzyć listę rozczarowań także na technologie konsumenckie – takie jak elektryczne samochody i zielona energia. Zarówno interfejsy w EV, jak i problemy z realnym zasięgiem oraz zmiennością wydajności paneli słonecznych sprawiły, że część liderów IT zaczyna podchodzić z większym dystansem do wizji szybkiej, powszechnej transformacji energetycznej.
Wnioski są analogiczne jak w przypadku rozwiązań stricte IT: nawet najbardziej szczytne idee muszą zmierzyć się z rzeczywistością użytkownika końcowego – a ta bywa zaskakująco trudna.
Dojrzałość kontra ekscytacja
CIO uczą się dziś rozpoznawać różnicę między potencjałem a gotowością rynkową. Technologie, które znajdują się w tzw. „szczycie zawyżonych oczekiwań” (według cyklu hype’u Gartnera), mogą być fascynujące – ale niekoniecznie użyteczne tu i teraz.
