Indsigt i MIT NANDA-rapporten juli 2025: Hvorfor 95% AI-pilotfejlrate ikke er slut

Jeg er en beviset optimist, og jeg holder mit sind åbent for enhver ny teknologi, der kommer min vej. Min seneste besættelse, der sandsynligvis vil blive langvarig? AI.

MIT NANDA har nyligt offentliggjort en rapport kaldet ‘The GenAI Divide. State of AI in Business in 2025’, og jeg synes, rapporten er virkelig værd at læse. Den giver en realistisk udgangspunkt for AI og dens plads i forretningen i dag. Linkedin-feed kan synes næsten hysterisk om, hvordan AI er kommet for at ændre alt, men rapporten tegner et andet billede.

Først og fremmest, hvad er MIT NANDA?

Networked Agents and Decentralized AI (forkortet til NANDA) er et ambitiøst forskningsinitiativ fra MIT Media Lab. Projektet omfatter mere end 18 førende forskningsinstitutioner fra 6 kontinenter og nogle store navne i tech-industrien – tænk Meta, Dell, Microsoft og lignende. Målet med NANDA er virkelig fremtidsorienteret, hvis ikke banebrydende. Ambitionen er at bygge den grundlæggende infrastruktur for Internet of AI-agenter, dvs. et decentraliseret netværk, hvor AI-agenter opdager, verificerer og samarbejder med hinanden online på tværs af organisationsgrænser. Grundlæggende arbejder NANDA på klare regler, protokoller, retningslinjer og rammer, der ermögiller AI-agenter at interagere med andre agenter på vegne af mennesker og organisationer. NANDA-projektet er open-source, hvilket betyder, at det omfatter iværksættere, visionærer, teknologer og politikere som fuldtids-samarbejdspartnere. (Får du Wikipedia-vibber?)

Grunden til, at jeg fortæller dig om dette, er, at MIT NANDA-rapporten er kulminationen af forskningskagen, når det kommer til AI. Forfatterne er på forkanten af AI-verdenen, og deres fund skal tages alvorligt (om end med en gran salt).

Rapporten var under udarbejdning siden januar og blev endelig offentliggjort i juli 2025. Rapporten er baseret på en systematisk gennemgang af 300+ offentligt kendte AI-initiativer og interviews med ledere fra 52 organisationer samt undersøgelser af 153 seniorledere på fire store industrimøder.

5% AI-pilot succesrate

Rapporten introducerer begrebet ‘The GenAI Divide’, som beskriver den forstyrrelse, der sker (eller ikke sker) i organisationer og endda industrier, der med held (eller uden held) anvender AI. Hvis en forretning er på ‘den forkerte side af dividenden’, ifølge NANDA, mislykkes forretningen med at ændre, udvikle og omstrukturere sin struktur og forretningsoperationer. At være på den rigtige side af dividenden betyder derfor at have en mærbar udgang af at anvende AI—“Dette investeringsforbehold forstærker GenAI-dividenden ved at rette ressourcer mod synlige, men ofte mindre transformative anvendelsesområder, mens de højeste ROI-muligheder i back-office-funktioner forbliver underfinansierede”.

Grunden til, at rapporten er blevet så hypet, er dens nøglefund. Den eksekutive sammenfatning siger: “Trods $30–40 milliarder i virksomhedsinvestering i GenAI, afslører denne rapport en overraskende resultats, at 95% af organisationer ikke får nogen afkast … Kun 5% af integrerede AI-piloter udtrækker millioner i værdi, mens den overvældende majoritet forbliver fast med ingen målbare P&L-impact”. Ikke særlig lovende, hvad?

Den fundamentale begrænsning, der forhindrer organisationer i at realisere den sande værdi af AI, er, hvad rapporten definerer som ‘læringsgapet’. De fleste GenAI-systemer mangler grundlæggende evnen til at beholde feedback, tilpasse sig kontekst eller forbedre sig over tid.

• Systemer lærer ikke af feedback. I virkeligheden betyder det, at en leder føder det samme datasæt igen og igen, men ingen forbedring af ydeevne sker. En mid-markedsproduktionsleder beskrev gentagne gange at uploade det samme produktmanual til deres AI-system for at finpudse opfyldelseslister, men hver iteration kopierede identiske udeladelser og fejl, uden nogen målbar forbedring af outputkvalitet på trods af multiple feedback-sessions.
• For meget manuelt kontekst kræves hver gang. AI-værktøjer mangler hukommelse mellem sessioner, så hver interaktion betyder at genfodre det forrige kendskab og kontekst. Komplekse arbejdsgange, i modsætning til simple enkeltstående opgaver, trækker ud og mislykkes med at fungere som en pålidelig støtte til løbende projekter. Rapporten citerer en korporativ juridisk afdeling, der for hvert kontraktudkast skal genindtaste kundepræferencer, tidligere forhandlingsnoter og regulatoriske begrænsninger i AI-værktøjet—hvad der skulle være en assistent-arbejdsgang, blev til en tidskrævende sysle, der undergraver produktiviteten i komplekse, multi-stages projekter.
• Utilstrækkelig tilpasning til visse forretningsprocesser. I stedet for at få et responsivt værktøj, der tilpasser sig den større kontekst, tilpasser den større kontekst sig til værktøjet, hvilket tvinger brugerne til at arbejde omkring stive systemer. En CIO bemærkede, at deres leverandør-tilbudte risikoanalyse-AI “føltes som en en-size-fits-all-box”, hvilket tvang holdene til at omstrukturere deres kreditgodkendelsesarbejdsgange for at tilpasse værktøjets stive input i stedet for at lade AI tilpasse sig til etablerede processer. Misforholdet førte til opgivne pilotprojekter

Mine topfund fra NANDA-rapporten

1. Den skygge-AI-økonomi blomstrer

Rapporten introducerer begrebet ‘skygge-AI-økonomi’ for at beskrive, hvordan medarbejdere bruger AI på deres niveau som et personligt værktøj, ikke som et organisationsbredt godkendt værktøj. Dette lyder bekendt for mig, faktisk. En ven af mig fra en kinesisk bilbrand afdeling i CIS delte, at hun bruger ChatGPT til at skrive indhold i appen (nyhedsindlæg, annoncer og mere). Hun siger, at på hovedkontoret var der ingen AI-værktøj godkendt til almindelig brug, så hendes brug af AI er hendes egen booster og tidssparende, som hun ikke rigtig taler om med sin leder.

Rapporten giver meget specifikke cifre. Mens kun 40% af virksomhederne har købt officielle LLM-abonnementer, rapporterede medarbejdere fra over 90% af de undersøgte virksomheder regelmæssig brug af personlige AI-værktøjer til arbejdsgange. Denne skyggeanvendelse leverer ofte bedre ROI end formelle virksomhedsinitiativer, hvilket afslører, hvad der virkelig fungerer, når individer har adgang til fleksible, responsive værktøjer.

2. Investeringstildeling afspejler forkerte prioriteter

Rapporten afslører en betydelig misalignering mellem AI-investering og faktisk ROI-potentiale. Cirka 50% af GenAI-budgetterne flyder til salgs- og marketingfunktioner, primært fordi resultater kan måles let og tilpasse sig bestyrelsesniveauets KPI’er. Imidlertid opstår de højeste afkast ofte fra back-office-automatisering, som BPO-elimination kan spare op til 10 millioner om året, 30% reduktion i eksterne kreative omkostninger og 1 million om året på outsourcede risikostyring. Denne investeringsforbehold forstærker GenAI-dividenden ved at rette ressourcer mod synlige, men ofte mindre transformative anvendelsesområder.

Min personlige overbevisning er imidlertid denne. Fra hvad jeg husker fra min erfaring i en international bankvirksomhed, der ejer detailbanker verden over, er det en stor risiko at introducere et værktøj, der graver i virksomhedens indre, føder på dens data og (hvem ved?) lækker insider-info ud derude. Så jeg forstår, hvorfor det er en god idé at tilmelde sig en AI-indholdsfabrik til lette kreative for Facebook -annoncer, mens komplekse bag-endeforstyrrelser ikke er så entusiastisk omfattet. Medmindre det var en kommando direkte fra C-niveau, ville implementering af alvorlige disruptiv AI-værktøjer i virksomhedens kerne have taget mindst 12 måneder.

Heldigvis havde jeg chancen for at se ind i en AI-automatisering lavet til salgsteamet på en lokal vinduefabrik. De hyrede en freelancer fra n8n, og han byggede dem et AI-drevet opkalds- og chatsanalyseværktøj. Forretningen var nu i stand til at finde flaskehalsene i deres kanal hurtigere, og flere smertepunkter kom til syne, da AI hjalp forretningen med at behandle skrevet og talt sprog. Deres tilfredshedsrate var skyhøj, med mere data, der blev behandlet hurtigere.

3. Interne bygninger taber til eksterne leverandører

For at være brutal ærlig, dette fund overraskede mig. I modsætning til den almindelige opfattelse, at virksomheder skal bygge deres egne AI-værktøjer, viser forskningen, at strategiske partnerskaber med eksterne leverandører er to gange så sandsynlige at nå implementering sammenlignet med interne udviklingsindsats. Hvem ville have troet det, rigtigt? Vel, tydeligvis ikke mig.

Virksomheder, der behandler AI-leverandører som business-serviceudbydere – krævende dyb tilpasning og holder dem ansvarlige for operationelle resultater i stedet for modelbenchmarks – opnår betydeligt højere succesrater og hurtigere tid-til-værdi.

4. Højere investering betyder højere forstyrrelse? Ikke rigtigt.

Ved hjælp af en sammensat AI-markedsforstyrrelseindeks afslører rapporten, at kun to brancher – Teknologi og Medier & Telekommunikation – viser tydelige tegn på strukturel forstyrrelse fra GenAI. Syv af ni store sektorer viser betydelig pilotaktivitet, men minimal strukturel ændring, med brancher som Sundhedsvesen, Finansiel Service og Energi, der viser forstyrrelseskorer under 0,5 på en 5-punkts-skala. Denne afstand mellem investeringsynlighed og faktisk transformation eksemplificerer GenAI-dividenden på brancheniveau.

Hvorfor 95% fejlrate er midlertidig

Trods synligt håbløse midlertidige resultater er der noget lys i tunnelens ende. Rapporten forklarer, at GenAI-dividenden er midlertidig og vil blive overvundet gennem fremvoksende udviklinger.

NANDA selv er en af de førende bidragydere til en endnu mere forbundet AI-verden. Mekanismerne, som rapporten nævner, er Model Context Protocol (eller MCP) og Agent-to-Agent (eller A2A) som infrastrukturgrundlag for ubesværet agent-interoperabilitet og autonom koordination på tværs af systemer.

NANDA’s indsats og disse værktøjer er vejledningen til netop, hvad NANDA er efter – det agente web, et netværk af agenter, der kan koordinere autonomt på tværs af internettet. Deres interaktion vil blive designet til at erstatte statiske arbejdsgange med dynamiske selv-uddannende systemer.

Lyder det for godt til at være sandt eller endda magi? Vel, Microsoft Copilot Studio’s Multi-Agent Orchestration er den nærmeste lignende vision. Systemet hjælper med at bygge et træ af agenter, hvor en hoved-Copilot-agent udløser underagenter, der er ansvarlige for bestemte opgaver som planlægning eller dokumentgenerering. Hver agent forbliver inden for sit ekspertiseområde, mens de koordinerer med andre. For at sige det på en mere praktisk måde, når en bruger anmoder om “Planlæg vores Q4-produktlancering”, delegerer orchestrator-agenten automatisk til specialiserede agenter – en håndterer markedsforskning, en anden håndterer tidsplanoprettelse, og en tredje koordinerer med projektledelsesværktøjer. Arbejdet fortsætter i sync, men autonomt.

Så, hvad efterlader rapporten os med? Vinduet for at krydse GenAI-dividenden er smallende hurtigt, da virksomheder begynder at låse fast i leverandørrelationer med læring-kapable værktøjer, der producerer forstyrrelse og udvikler og optimerer forretningsoperationer i bagenden, tilføjer fart til virksomhedens kerne. Succesen ligger i at købe AI-agent-systemer i stedet for at bygge dem fra bunden internt. Da agente lærings-, huskings- og selvstændige systemer bliver mere almindelige, vil den nuværende 95% fejlrate give plads til en ny æra, hvor AI-systemer samarbejder ubesværet på tværs af leverandører, domæner og organisationsgrænser. Denne fremtid er den sande ROI på nuværende investeringer.

Alternative synspunkter på AI-adopterings

NANDA-projektet gjorde et fantastisk arbejde med at samle data fra multiple kilder og afhøre ledere fra multiple felter. Men er det den ultimative mundvig til verdensomspændende AI-adopterings? Hvis du, ligesom jeg, fandt The GenAI Divide lidt deprimerende, hvis ikke decideret deciderende, har jeg fundet disse alternative synspunkter på AI-adopterings for at holde mit personlige AI-ild brændende.

• Jed Nykolle Harme of IT Brief UK brød ned CIO Playbook 2025 af Lenovo. Studiet inkluderer feedback fra IT-ledere på tværs af EMEA (Europa, Mellemøsten og Afrika), og dens konklusion er langt mere lovende. Det viser sig, at detailhandelsindustrien er førende, når det kommer til AI-tilfredshed, hvor 96% af AI-pilotpræstationer enten opfylder eller overgår forventninger.
• Tidligere udtrykte jeg medfølelse med kæmpestore virksomheds markedsspillere, der finder AI svært at implementere og ikke er særlig åbne for intensiv inkorporering. Lenovo præsenterer imidlertid et andet billede med Banking, Financial Services og Insurance (BFIS) industrier: trods den laveste AI-adopteringsrate på 7%, rapporterer 33% af dem, der tester AI, at piloter oversteg forventninger. Hemmeligheden bag så positive tendenser er ‘en forsigtig tilgang’, som Arabian Business siger.
• En anden beroligende rapport IBM CEO Study åbner med en dristig forord af IBM Vice Chairman Gary Cohn: “Da AI-adopteringshastigheden accelererer… vil den ultimative gevinst kun komme til CEOs, der har modet til at omfavne risiko som mulighed. … Når forretningsmiljøet er usikkert, kan brugen af AI og virksomhedens egen data til at identificere, hvor man har indflydelse, være en konkurrencemæssig fordel. På dette punkt er ledere, der ikke udnytter AI og deres egen data til at fremme udviklingen, ved at træffe en bevidst forretningsbeslutning om ikke at konkurrere.”
• IBM CEO-undersøgelsen viser nogle inspirerende fakta. For eksempel forventes AI-investeringens vækst at mere end fordobles over de næste to år, så næsten 20% af den samlede IT-budget vil blive allokeret til AI – engagementet demonstrerer, at trods synlige og beviste udfordringer, er troen på AI stærk og, vigtigst, det er en strategisk investering snarere end reaktivt forbrug.
• Sidst, men ikke mindst, er 64% af CEO’er i rapporten enige om, at risikoen for at falde bagud driver investering i ny teknologi, længe før en klar forståelse af dens impact er opnået. Imidlertid er der ingen hurtige beslutninger. I stedet vælger beslutningstagerne ‘strategisk hedging’. På simple vilkår, når en konkurrent lancerer en AI-chatbot til personlige anbefalinger, gør du det samme for din hjemmeside. Du er måske ikke sikker på omvendt salgsøgning, men du ved, at hvis du lader det gå i to år, til det ‘perfekte datasæt’ samles, vil du irreversibelt miste momentum. Så reglen er simpel: aggressivt kopier, så se udfaldet.

Konklusion

I konklusion vil jeg gerne udtrykke min personlige hjertefølte overbevisning i AI. Som iværksætter, en CMO, en forretningsudvikler og en tidligere kontoransat i bankvirksomhed ser jeg mange måder, AI kan hjælpe med at optimere budgetter, strømline arbejdsgange og

• boost teams. Fremtiden er accelereret og forstærket. Hvis en forretning vil konkurrere, skal den være AI-fluent. Mens fundene, jeg præsenterede, er kontroversielle, er jeg overbevist om, at den nuværende AI-landsby, med dens tinder og huler, er en naturlig læringsramme, der gentages igen og igen med hver ny teknologi.