המאמר של Talyx נפתח בטענה חריפה, אבל הנתונים שהוא מרכז אינם שוליים. RAND מצאה ב2024 שיותר מ80 אחוז מפרויקטי AI נכשלים, בערך פי שניים מפרויקטי IT שאינם AI. BCG דיווחה באוקטובר 2024 ש74 אחוז מהחברות אינן מציגות ערך מוחשי מהשקעות AI. לפי S&P Global Market Intelligence, עד אמצע 2025 נטשו 42 אחוז מהחברות את רוב יוזמות הAI שלהן.
BCG מצאה שרק 4 אחוז מהחברות מחזיקות יכולות AI בקצה המתקדם, ורק 22 אחוז מתחילות לראות רווחים משמעותיים. בסקר מעודכן של BCG מספטמבר 2025, 60 אחוז לא יצרו ערך מהותי למרות המשך השקעה. McKinsey דיווחה בנובמבר 2025 ש88 אחוז מהארגונים משתמשים בAI לפחות בפונקציה אחת, אך רק 39 אחוז רואים השפעה על .
הפער בין אימוץ לערך הוא לב העניין. MIT NANDA בחנה 150 ראיונות, סקר של 350 עובדים ו300 פריסות AI ציבוריות. הממצא המרכזי שלה היה שרק כ5 אחוז מתוכניות הפיילוט בAI מגיעות להאצת הכנסות מהירה. Gartner העריכה ש30 אחוז מפרויקטי AI גנרטיבי יינטשו אחרי הוכחת היתכנות עד סוף 2025, והמקור טוען שהנתונים בפועל כבר נראים חמורים יותר.
RAND מגדירה את שורש הכשל הראשון כהבנה לקויה של הבעיה. הנהלה מתארת תוצאה רצויה, וצוותים טכנולוגיים מפרשים אותה אחרת. לפי Gallup, רק 15 אחוז מהעובדים בארצות הברית אומרים שמקום העבודה שלהם מיצר אסטרטגיית AI ברורה. כאשר האסטרטגיה אינה ברורה לעובדים, קשה לצפות שהפרויקט הבודד יוגדר היטב.
שורש הכשל השני הוא נתונים שאינם מתאימים לעבודה. Gartner מדווחת ש85 אחוז מפרויקטי AI נכשלים בגלל איכות נתונים ירודה או חוסר בנתונים רלוונטיים. בסקר CDO Insights של Informatica מ2025, איכות ומוכנות הנתונים דורגו כמכשול מספר אחת בשיעור 43 אחוז. רק 12 אחוז מהארגונים מדווחים על נתונים באיכות ונגישות שמספיקות ליישומי AI.
שורש הכשל השלישי הוא בחירת טכנולוגיה לפני הבנת ההתאמה העסקית. המקור מתאר ארגונים שבוחרים כלי AI לפי יכולת שמוצגת היטב, ולא לפי התאמה לבעיה. לפי המודל שמובא במקור, 70 אחוז מהמשאבים צריכים ללכת לאנשים ולתהליכי עבודה. יתרת המשאבים מתחלקת בין טכנולוגיה ונתונים בשיעור 20 אחוז, לבין אלגוריתמים בשיעור 10 אחוז.
שורש הכשל הרביעי הוא תשתית שאינה מספיקה לפריסה תפעולית. מודל שעובד בהדגמה עדיין זקוק לצינורות נתונים, ניטור, בקרת גרסאות וחיבור למערכות קיימות. BCG מצאה שרק 25 אחוז מהמנהלים מסכימים מאוד שתשתית הIT שלהם יכולה לתמוך בהרחבת AI. לפי S&P Global Market Intelligence, רק 48 אחוז מפרויקטי AI מגיעים לייצור, ואלו שמגיעים לשם נדרשים בממוצע ל8 חודשים מהאב טיפוס.
שורש הכשל החמישי הוא בחירת בעיה שקשה מדי ליכולות הקיימות. כלומר, גם כאשר הבעיה מוגדרת והנתונים זמינים, יש שימושים שאינם נפתרים באמינות מספקת. בתחום הבריאות, למשל, רק 19 אחוז מהארגונים מדווחים על הצלחה גבוהה בהדמיה ורדיולוגיה למרות פריסה של 90 אחוז בתחום זה.
המקור מקדיש מקום נפרד לבריאות, משום ששם הכשל מקבל צורה ייחודית. לפי Nature Health, 81.3 אחוז מבתי החולים בארצות הברית לא אימצו AI כלל. סקר JAMIA מ2025 מצא ש77 אחוז מהמשיבים מציינים כלים לא בשלים כמחסום, 47 אחוז מציינים חששות כספיים, ו40 אחוז מציינים אי ודאות רגולטורית. השימוש היחיד שבו רוב המשיבים דיווחו על הצלחה גבוהה הוא תיעוד קליני, בשיעור 53 אחוז.
