Kodėl DI diegimas įmonėje strigo: mitai ir tikri skaičiai

DI diegimo strigimas yra būklė, kai įmonė jau turi dirbtinio intelekto įrankius, darbuotojai juos net atsidaro kasdien, bet įmonės rezultatuose to nesimato. Tai nėra technologijos gedimas. Tai atotrūkis tarp naudojimo ir naudos, ir tyrimų duomenys gana vienbalsiai rodo, kur jis atsiranda: ne modelyje, o tame, kaip organizacija paskirstė dėmesį tarp technologijos ir žmonių.

Šis straipsnis surenka septynis dažniausiai kartojamus teiginius apie DI diegimo nesėkmes ir kiekvieną palygina su pirminiu šaltiniu. Vieną iš jų teks paneigti iš karto, nes jis pats yra didžiausias šios temos mitas.

Trumpas atsakymas

Diegimas stringa todėl, kad pinigai ir dėmesys keliauja į tą dalį, kuri sudaro mažesniąją problemos pusę. Boston Consulting Group formuluoja tai tiesiai: „apie 70 proc. kliūčių susijusios su žmonėmis ir procesais, apie 20 proc. yra technologiniai klausimai ir tik 10 proc. apima DI algoritmus“ (BCG, Where’s the Value in AI?). Ta pati ataskaita priduria, kad įmonės dažnai suklysta teikdamos pirmenybę techniniams klausimams prieš žmogiškuosius, ir kad būtent tai paaiškina, kodėl daugelis nepasiekia laukiamo rezultato.

Antra dalis atsakymo yra dar konkretesnė. Mokymų kiekis nėra kosmetika: BCG duomenimis, tarp jokių mokymų negavusių darbuotojų reguliarūs DI naudotojai sudaro 18 proc., o tarp gavusių daugiau nei 10 valandų mokymų - 89 proc. Tai didžiausias atotrūkis, kokį šioje temoje apskritai galima rasti kokybiškai dokumentuotą.

Ir trečia dalis, kurią dažnai praleidžia patys entuziastingiausi diegėjai: naudojimo augimas savaime nėra naudos augimas. Kontroliuojamas eksperimentas rodo, kad už dirbtinio intelekto galimybių ribos esančioje užduotyje DI naudoję darbuotojai teisingą sprendimą pateikė 19 procentinių punktų rečiau nei jo nenaudoję. Tai yra tikroji priežastis, kodėl mokymai apie tai, kada nenaudoti, verti tiek pat, kiek mokymai apie tai, kaip naudoti.

Septyni teiginiai ir ką sako šaltiniai

Kairėje - tai, kas kartojama konferencijose ir pardavimų skaidrėse. Dešinėje - tai, ką iš tikrųjų rašo dokumentas, iš kurio teiginys kilo.

Mitas, nuo kurio verta pradėti: „95 proc. žlunga“

Šis skaičius per 2025 ir 2026 metus tapo standartine skaidre bet kokioje DI prezentacijoje. Jis dažniausiai pristatomas kaip „MIT tyrimas“. Verta pažiūrėti, kas parašyta pačioje ataskaitoje, nes ji laisvai prieinama.

Dokumentas vadinasi The GenAI Divide: State of AI in Business 2025, jo tyrimo laikotarpis yra 2025 m. sausis-birželis, o pirmame puslapyje esantis skyrius „NOTES“ prasideda žodžiais: „Preliminary Findings from AI Implementation Research from Project NANDA“. Tai preliminarūs radiniai, o ne baigtinė institucinė pozicija. Ten pat aprašyta metodika: „daugiau nei 300 viešai paskelbtų DI iniciatyvų sisteminė peržiūra, struktūruoti interviu su 52 organizacijų atstovais ir 153 vyresniųjų vadovų apklausos atsakymai, surinkti keturiose pramonės konferencijose“. Iš karto po metodikos eina atsiribojimas: „The views expressed in this report are solely those of the authors and reviewers and do not reflect the positions of any affiliated employers.“

Toliau svarbiausia. 95 proc. yra piltuvėlio liekana, o pati ataskaita rodo, kad ji nėra vienoda visoms DI priemonių klasėms. Ataskaitos santraukoje rašoma: „Sixty percent of organizations evaluated such tools, but only 20 percent reached pilot stage and just 5 percent reached production.“ Kalbama apie užsakomuosius arba į procesą įsiūtus DI sprendimus. O toje pačioje ataskaitoje, praėjus keliems puslapiams, apie kitą įrankių klasę parašyta: „Generic LLM chatbots appear to show high pilot-to-implementation rates (~83%).“

Vienoje ataskaitoje du visiškai skirtingi rodikliai dviem skirtingoms įrankių klasėms. Rinkoje cituojamas tik blogesnysis, ir cituojamas taip, tarsi jis apimtų visą dirbtinį intelektą. Prie to prisideda dar viena detalė: pati ataskaita savo apribojimų skyriuje pripažįsta, kad „šie procentai atspindi mūsų 52 organizacijų interviu imtį ir gali neatspindėti platesnių rinkos tendencijų“.

Paneigti šį skaičių svarbu ne dėl tikslumo pomėgio. Jis veikia kaip pasiteisinimas. Jei 95 proc. vis tiek žlunga, tai galima nieko nedaryti arba, priešingai, galima pirkti bet ką, nes statistiškai vis tiek nepasiseks. Abu perskaitymai klaidingi. Tikroji žinia iš to paties dokumento ir iš rimtesnių šaltinių yra kur kas naudingesnė: skirtumą lemia ne modelis, o mokymasis ir procesas.

70 proc. kliūčių yra žmonės ir procesai

BCG ataskaita Where’s the Value in AI? parengta apklausus 1 000 vadovų 59 šalyse ir 10 pramonės sektorių. Joje užrašyta ir proporcija, ir rekomendacija, ką su ja daryti: „kai įmonės imasi skaitmeninių ar DI transformacijų, joms reikia sutelkti 70 proc. pastangų ir išteklių į su žmonėmis susijusius gebėjimus, 20 proc. į technologiją ir 10 proc. į algoritmus“.

Atkreipkite dėmesį į eiliškumą, nes jis dažnai apverčiamas antriniuose straipsniuose. BCG rašo 10 proc. algoritmams, 20 proc. duomenims ir technologijai, 70 proc. žmonėms, procesams ir kultūrai. Kai proporcija cituojama atvirkščiai, ji virsta argumentu už dar vieną platformą.

Toje pačioje ataskaitoje yra ir kitas skaičius, kurį verta žinoti prieš planuojant biudžetą: iš 98 proc. įmonių, kurios bent eksperimentuoja su DI, tik 26 proc. yra išsiugdžiusios gebėjimus peržengti bandomąjį etapą ir pradėti kurti vertę. Likę 74 proc. apčiuopiamos vertės kol kas neparodė. Svarbi metodinė pastaba: 26 proc. yra dviejų grupių suma (4 proc. plius 22 proc.), o ne atskiras apklausos atsakymas.

Praktinė išvada Lietuvos įmonei paprasta. Klausimas „kurį įrankį pirkti“ yra maždaug 20 proc. sprendimo. Klausimai „kuris procesas keičiasi“, „kas priima sprendimą, kai DI suklysta“ ir „kaip žmonės sužinos, ką jiems leidžiama daryti“ yra likusieji 70 proc. Nuo ko pradėti tą darbą, aprašome puslapyje DI mokymai įmonėms.

Mokymų dozė: nuo 18 iki 89 procentų

Geriausiai dokumentuotas dozės ir atsako ryšys šioje temoje yra BCG AI at Work 2025 tyrime, kuriame apklausta 10 635 darbuotojų 11 rinkų. Skaidrėje apie mokymus pateikta reguliarių DI naudotojų dalis pagal gautų mokymų valandų kiekį, ir kraštinės reikšmės yra 18 proc. tiems, kurie mokymų negavo, ir 89 proc. tiems, kurie gavo daugiau nei 10 valandų. Pačios ataskaitos aiškinamajame užraše ta pati kreivė aprašyta paprasčiau: „79 proc. respondentų, gavusių daugiau nei penkias valandas mokymų, yra reguliarūs DI naudotojai, palyginti su 67 proc. tų, kurie gavo mažiau nei penkias valandas mokymų“.

Toje pačioje skaidrėje yra dar dvi eilutės, kurios keičia mokymų formatą, o ne tik jų trukmę. Mokymai gyvai duoda 79 proc. prieš 67 proc., tai yra 12 procentinių punktų skirtumą, palyginti su mokymais ne gyvai. Prieiga prie kuruojančio žmogaus duoda 84 proc. prieš 70 proc., tai yra 14 procentinių punktų. BCG apibendrinimas yra beveik instrukcija: mažiausiai penkios valandos mokymo, susitikimai gyvai ir kuravimas yra pagrindiniai veiksmingų mokymų komponentai.

Ir kontekstas, kuris paaiškina, kodėl tai vis dar aktualu: toje pačioje apklausoje tik 36 proc. darbuotojų atsakė „taip“ į klausimą, ar jų mokymų pakako, o reguliarių naudotojų dalis tarp pirmos linijos darbuotojų buvo sustojusi ties 51 proc., nors bendras rodiklis siekė 72 proc.

Vadovų parama: 82 prieš 41

Didžiausias atskiras skirtumas visoje BCG 2025 metų ataskaitoje yra ne apie mokymus. Tarp darbuotojų, kurie jaučia vadovybės paramą naudojant DI, reguliarūs naudotojai sudaro 82 proc. Tarp tų, kurie jos nejaučia, 41 proc. Tai 41 procentinio punkto skirtumas, ir jis nekainuoja nieko, išskyrus vadovo dėmesį.

Antroje to paties puslapio pusėje yra skaičius, kuris paaiškina, kodėl šis svertas taip retai panaudojamas: tik 25 proc. pirmos linijos darbuotojų sako, kad tokią paramą iš tikrųjų jaučia. Vadinasi, pigiausias ir stipriausias įrankis yra nepanaudotas trijuose ketvirtadaliuose atvejų.

Praktikoje „vadovybės parama“ nėra pranešimas vidiniame kanale. Tai vadovas, kuris pats naudoja įrankį susirinkime, pasako, kur juo pasitiki ir kur ne, ir aiškiai leidžia komandai jį naudoti konkrečioms užduotims. Leidimas yra atskiras dalykas nuo prieigos. Licencija duoda prieigą, o leidimą duoda vadovas.

Organizacija sveria dvigubai daugiau nei žmogus

Microsoft Work Trend Index 2026 apklausė 20 000 DI naudojančių žinių darbuotojų dešimtyje rinkų, o lauko tyrimas vyko 2026 m. vasario 18 - balandžio 20 d. Svarbiausias jo skaičius šiam straipsniui: organizaciniai veiksniai, tokie kaip kultūra, vadovo parama ir personalo praktikos, paaiškina 67 proc. nurodyto DI poveikio, o individualūs veiksniai - 32 proc.

Tos pačios ataskaitos segmentacija tai pailiustruoja. Tik 19 proc. naudotojų patenka į vadinamąją pažangiąją zoną, kurioje sutampa įgudęs žmogus ir pasirengusi organizacija. Dar 10 proc. patiria tai, ką ataskaita vadina užblokuotu veikimu: tai kvalifikuoti žmonės nepasirengusiose organizacijose. Ir tik 26 proc. naudotojų sako, kad jų vadovybė yra aiškiai ir nuosekliai susitarusi dėl DI.

Išvada yra nemaloni tiems, kurie diegimą planuoja kaip mokymų pirkinį vienam žmogui. Apmokytas darbuotojas nepasirengusioje organizacijoje yra 10 proc. segmentas, o ne rezultatas. Mokymai duoda grąžą tada, kai kartu su jais pasikeičia bent viena organizacinė sąlyga: leidimas, procesas arba tai, kas laikoma priimtinu darbo rezultatu.

Kam dirbtinis intelektas padeda labiausiai

Čia pravartu pereiti nuo apklausų prie priežastinių tyrimų, nes apklausos matuoja nuomonę, o eksperimentai matuoja rezultatą.

Erik Brynjolfsson, Danielle Li ir Lindsey Raymond tyrimas „Generative AI at Work“ stebėjo 5 179 klientų aptarnavimo agentus, kuriems įrankis buvo diegiamas etapais. Straipsnis paskelbtas Quarterly Journal of Economics 2025 m. (140 t., 2 nr., p. 889-942). Rezultatas suformuluotas taip: „prieiga prie įrankio padidina našumą, matuojamą išspręstų užklausų skaičiumi per valandą, 14 proc. vidutiniškai, įskaitant 34 proc. pagerėjimą pradedantiesiems ir žemesnės kvalifikacijos darbuotojams, bet su minimaliu poveikiu patyrusiems ir aukštos kvalifikacijos darbuotojams“.

Tai keičia dvi įprastas prielaidas. Pirma, didžiausią naudą gauna ne stipriausi, o silpniausi. Antra, jeigu diegimą pradedate nuo geriausių savo specialistų, jūs greičiausiai matuosite mažiausią įmanomą efektą ir padarysite išvadą, kad įrankis neveikia. Tyrimas taip pat pastebi, kad modelis platina geriausių darbuotojų praktiką, tai yra veikia kaip žinių perdavimo mechanizmas, o ne tik kaip greitesnis rašymas.

Nelygi riba: kur DI pablogina rezultatą

Antrasis eksperimentas yra tas, kuris paverčia visą šį straipsnį argumentu už mokymus, o ne už įrankių pirkimą. Fabrizio Dell’Acqua ir bendraautorių darbas „Navigating the Jagged Technological Frontier“ apėmė 758 strategijos konsultantus, atsitiktinai paskirstytus į tris grupes: be DI prieigos, su DI prieiga ir su DI prieiga kartu su įvadu apie užklausų rašymą.

Rezultatas turi dvi puses. Užduotyse, esančiose DI galimybių ribos viduje, DI naudoję konsultantai atliko 12,2 proc. daugiau užduočių, atliko jas 25,1 proc. greičiau ir pasiekė daugiau nei 40 proc. aukštesnę kokybę, palyginti su kontroline grupe. Naudos gavo visi kvalifikacijos lygiai, o žemiau vidurkio buvusių dalyvių rezultatai pagerėjo 43 proc., aukščiau vidurkio - 17 proc.

Ir kita pusė: „užduotyje, parinktoje už ribos, DI naudoję konsultantai 19 procentinių punktų rečiau pateikė teisingus sprendimus nei tie, kurie DI nenaudojo“.

Sudėkite abu tyrimus ir gausite tikslų mokymų turinį. Brynjolfsson rodo, kad nauda reali ir didžiausia ten, kur žmogus silpniausias. Dell’Acqua rodo, kad tas pats įrankis pablogina rezultatą, kai taikomas ne toje vietoje. Vadinasi, brangiausias įgūdis nėra užklausos rašymas. Brangiausias įgūdis yra atskirti, kuri užduotis yra kurioje pusėje, ir žinoti, ką daryti, kai atsakymas atrodo įtikinamai, bet yra neteisingas. Būtent to įprastas įrankio pristatymas neišmoko, o mokymai, susieti su konkrečiu procesu, išmoko.

Šis skirtumas turi ir teisinę pusę. ES dirbtinio intelekto akto 4 straipsnis kalba apie DI raštingumo ugdymą, ir 2026 m. liepos 27 d. jis buvo perrašytas švelnesne formuluote, nei įprasta cituoti. Ko jis iš tikrųjų reikalauja iš Lietuvos įmonės, išnagrinėjome atskirai straipsnyje ES AI aktas ir DI raštingumas. Europos Komisijos DUK šiuo klausimu formuluoja aiškiai: „There is no one size fit all when it comes to AI literacy and no strict requirements or mandatory trainings are imposed.“

Ką daryti kitaip

Iš viso to seka penki žingsniai, kurių kiekvienas remiasi konkrečiu aukščiau minėtu skaičiumi, o ne bendra nuojauta.

Paskutinis žingsnis turi ir techninę pusę, kurios mokymuose praleisti negalima: kokį įrankį žmonėms apskritai duodate ir ką tas tiekėjas daro su tuo, kas į jį suvedama. Paskyros tipas, o ne kainos planas, lemia, ar jūsų tekstai patenka į modelio mokymą, todėl šį klausimą išnagrinėjome atskirai straipsnyje Ar DI tiekėjas mokosi iš jūsų duomenų.

Ir vienas dalykas, kurio nereikia laukti. Valstybės finansuojamų DI mokymų šiuo metu Lietuvoje praktiškai nėra, ir kokios priemonės kada užsidarė, surašėme straipsnyje AI mokymų finansavimas Lietuvoje 2026. Tai reiškia, kad sprendimas priimamas įprastu būdu, pagal naudą konkrečiame procese, o ne pagal paraiškos terminą.

Dėl konteksto: pagal Eurostat duomenis 2025 m. DI technologijas naudojo 21,3 proc. Lietuvos įmonių, turinčių 10 ir daugiau darbuotojų, palyginti su 20,0 proc. ES vidurkiu, o metinis šuolis buvo 12,5 procentinio punkto, trečias didžiausias ES. Lietuva šioje temoje nėra atsilikusi. Atotrūkis yra ne tarp šalių, o tarp naudojimo ir naudos, ir jis užpildomas ta pačia 70 proc. dalimi, apie kurią kalba BCG. Daugiau apie tai, kur DI jau naudojamas Lietuvos versle, rašome straipsnyje DI panaudojimas Lietuvos versle 2026.