En dyptgående analyse av MIT NANDA-rapporten juli 2025: Hvorfor 95% AI-pilot svikt rate ikke er slutten

Jeg er en bevist optimist, og jeg holder minnet åpent for alle nye teknologier som kommer mine vei. Min siste besettelse som med all sannsynlighet vil bli en varig del av mitt liv? AI.

MIT NANDA har nylig publisert en rapport kalt ‘The GenAI Divide. State of AI in Business in 2025’, og jeg synes rapporten er virkelig verdt å lese. Den gir en realistisk oversikt over AI og dens plass i næringslivet i dag. Linkedin-feed kan se nesten hysterisk ut når det gjelder hvordan AI har kommet for å endre alt, men rapporten maler et annet bilde.

Først og fremst, hva er MIT NANDA?

Networked Agents and Decentralized AI (forkortet til NANDA) er et ambisiøst forskningsinitiativ fra MIT Media Lab. Prosjektet omfatter mer enn 18 ledende forskningsinstitusjoner fra 6 kontinenter og noen store navn i teknologiindustrien – tenk Meta, Dell, Microsoft og lignende. Målet med NANDA er virkelig futuristisk, hvis ikke banebrytende. Ambisjonen er å bygge den grunnleggende infrastrukturen for Internettet av AI-agenter, dvs. et desentralisert nettverk hvor AI-agenter oppdager, verifiserer og samarbeider med hverandre på nettet over organisatoriske grenser. I praksis arbeider NANDA med å etablere klare regler, protokoller, retningslinjer og rammer som muliggjør at AI-agenter kan samhandle med andre agenter på vegne av mennesker og organisasjoner. NANDA-prosjektet er åpen kildekode, noe som betyr at det omfatter entrepreneurs, visjonærer, teknologer og politiske beslutningstakere som fullskala samarbeidspartnere. (Får du Wikipedia-vibber?)

Grunnen til at jeg forteller deg om dette er at MIT NANDA-rapporten er toppen av forskningskaken når det gjelder AI. Forfatterne befinner seg på forkanten av AI-verdenen, og deres funn bør tas alvorlig (om enn med en klype salt).

Rapporten var under utarbeidelse siden januar og ble endelig publisert i juli 2025. Rapporten er basert på en systematisk gjennomgang av 300+ offentlig kjente AI-initiativer og intervjuer med ledere fra 52 organisasjoner samt undersøkelser av 153 senior ledere på fire store industrikonferanser.

5% AI-pilot suksessrate

Rapporten innfører begrepet ‘The GenAI Divide’ som beskriver forstyrrelsen som skjer (eller ikke skjer) i organisasjoner og selv industrier som med hell (eller uten hell) anvender AI. Hvis et firma er på ‘feil siden av skilleveggene’, ifølge NANDA, mislykkes firmaet i å virkelig endre, utvikle og omtenke sin struktur og forretningsoperasjoner. Å være på riktig side av skilleveggene betyr derfor å ha en konkret resultat av å anvende AI—“Denne investeringsforvrengningen vedlikeholder GenAI-skilleveggen ved å rette ressurser mot synlige, men ofte mindre transformative bruksområder, mens de høyest avkastningsmulighetene i bakkontorfunksjoner forblir underfinansiert”.

Grunden til at rapporten har blitt så hypet er dens nøkkel funn. Den utøvende sammenfatningen sier: “Til tross for 30–40 milliarder dollar i bedriftsinvesteringer i GenAI, avdekker denne rapporten et overraskende resultat, nemlig at 95% av organisasjonene ikke får noen avkastning … Bare 5% av integrerte AI-piloter trekker ut millioner i verdi, mens de fleste forblir fast med ingen målbare P&L-impakt.” Ikke så lovende, er det?

Den grunnleggende begrensningen som forhindrer organisasjoner fra å realisere den sanne verdien av AI er det som rapporten definerer som ‘læringsgapet’. De fleste GenAI-systemer mangler i grunnleggende grad evnen til å beholde tilbakemeldinger, tilpasse seg kontekst eller forbedre seg over tid.

• Systemer lærer ikke av tilbakemeldinger. I praksis betyr det at en leder matet det samme datsettet om og om igjen, men ingen forbedring i ytelsen skjer. En mid-market produksjonsleder beskrev å laste opp samme produktmanual om og om igjen i deres AI-system for å finjustere fullføringslistene, men hver iterasjon kopierte identiske utelatelser og feil, uten noen målbar forbedring i kvalitet på utdata til tross for flere tilbakemeldingssesjoner.
• For mye manuell kontekst er nødvendig hver gang. AI-verktøy mangler minne mellom sesjoner, så hver interaksjon betyr å mata det inn i tidligere kunnskap og tidligere kontekst. Komplekse arbeidsflyter, i motsetning til enkle enkeltstående oppgaver, trekker ut og trekker ut, og mislykkes i å fungere som en pålitelig støtte for pågående prosjekter. Rapporten sitater en korporativ juridisk team som, for hver kontraktutkast, må innføre klientpreferanser, tidligere forhandlingsnotater og regulatoriske begrensninger i AI-verktøyet—og omdanner hva som burde være en assistent arbeidsflyt til en tidskrevende syssighet som undergraver produktivitet i komplekse, flertrinnsprosjekter.
• Utilstrekkelig tilpasning for noen forretningsprosesser. I stedet for å få et responsivt verktøy som tilpasser seg den større konteksten, tilpasser den større konteksten seg verktøyet, og tvinger brukerne til å arbeide rundt stive systemer. En CIO noterte at deres leverandør-leverte risikoanalyse AI “føltes som en en-size-fits-all-boks,” og tvang teamene til å omforme sine kreditgodkjenningsarbeidsflyter for å passe verktøyet stive inndata, i stedet for å la AI tilpasse seg etablerte prosesser. Uoverensstemmelsen ledet til forkastede piloter

Mine viktigste funn fra NANDA-rapporten

1. Den skygge AI-økonomien blomstrer

Rapporten innfører begrepet ‘skygge AI-økonomi’ for å beskrive hvordan ansatte bruker AI på deres eget nivå som et personlig verktøy, ikke som et organisasjonsomfattende godkjent verktøy. Dette lyder kjent for meg, faktisk. En venn av meg fra en kinesisk bilmerkeavdeling i CIS delte at hun bruker ChatGPT til å skrive innhold i appen (nyhetsposter, annonser og mer). Hun sier at på hovedkontornivå var det ingen AI-verktøy godkjent for generell bruk, så hennes bruk av AI er hennes egen booster og tidssparere som hun ikke virkelig tar opp med sin leder.

Rapporten gir meget spesifikke tall. Mens bare 40% av selskapene har kjøpt offisielle LLM-abonnementer, rapporterte arbeidere fra over 90% av de undersøkte selskapene jevnlig bruk av personlige AI-verktøy for arbeidsoppgaver. Dette skyggebruket leverer ofte bedre avkastning enn formelle bedriftsinitiativer, og avslører hva som virkelig fungerer når enkeltpersoner har tilgang til fleksible, responsive verktøy.

2. Investeringstildeling reflekterer feilplasserte prioriteringer

Rapporten avdekker en betydelig misalignering mellom AI-investering og faktisk avkastningspotensiale. Omtrent 50% av GenAI-budsjettene flyter til salgs- og markedsføringsfunksjoner, hovedsakelig fordi resultater kan måles lett og sammenfaller med styrelederens KPI-er. Imidlertid oppstår de høyeste avkastningene ofte fra bakkontorautomatisering, som BPO-eliminering som sparer opptil 10 millioner dollar årlig, 30% reduksjon i eksterne kreative kostnader og 1 million dollar spart årlig på outsourced risikostyring. Denne investeringsforvrengningen vedlikeholder GenAI-skilleveggen ved å rette ressurser mot synlige, men ofte mindre transformative bruksområder.

Min personlige tro er imidlertid denne. Fra det jeg husker fra min erfaring i et internasjonalt bankkonsern som eier detaljhandelsbanker over hele verden, å innføre et verktøy som graver i organisasjonens indre, mataer på dens data og (hvem vet?) lekker insiderinformasjon ut der, er en stor risiko. Så jeg forstår hvorfor å melde seg på for et AI-innholdsfabrikk for enkle kreative Facebook -annonser er en enkel sak, mens komplekse bakende forstyrrelser ikke er like entusiastisk mottatt. Med mindre det var en kommando rett fra C-nivå, ville implementering av alvorlige forstyrrende AI-verktøy i organisasjonens ryggrad ha tatt minst 12 måneder.

Jeg hadde heldigvis mulighet til å se inn i en AI-automatisering laget for salgsavdelingen i et lokalt vindu-produsentfirma. De leide en frilanser fra n8n, og han bygde dem et AI-drevet samtale- og chatteanalyseverktøy. Bedriften var nå i stand til å finne flaskehalsene i salgsprosessen raskere, og flere smertepunkter kom til syne da AI hjalp bedriften til å prosessere skrevet og talt språk. Deres tilfredshetsrate var skyhøy, med mer data som ble prosessert raskere.

3. Interne bygginger taper til eksterne leverandører

For å være brutalt ærlig, dette funnet tok meg på senga. I motsetning til den vanlige troen på at bedrifter bør bygge sine egne AI-verktøy, viser forskningen at strategiske partnerskap med eksterne leverandører er dobbelt så sannsynlig å nå utrulling sammenlignet med interne utviklingsbestrebelser. Hvem ville ha trodd det, rett? Vel, tydeligvis ikke jeg.

Organisasjoner som behandler AI-leverandører som bedriftstjenesteleverandører – krever dyp tilpasning og holder dem ansvarlige for operasjonelle resultater i stedet for modellbenchmarks – oppnår betydelig høyere suksessrater og raskere tid til verdi.

4. Høyere investering betyr høyere forstyrrelse? Ikke nødvendigvis.

Ved hjelp av et sammensatt AI-markedsforstyrrelseindeks avdekker rapporten at bare to industrier – Teknologi og Media & Telecom – viser klare tegn på strukturell forstyrrelse fra GenAI. Syv av ni store sektorer viser betydelig pilotaktivitet, men minimal strukturell endring, med industrier som helsevesen, finansielle tjenester og energi som viser forstyrrelseskår under 0,5 på en 5-punkts skala. Dette gapet mellom investeringsynlighet og faktisk transformasjon eksemplifiserer GenAI-skilleveggen på industrienivå.

Hvorfor 95% feilrate er midlertidig

Til tross for tilsynelatende håpløse midlertidige resultater, er det noen lys i tunnelen. Rapporten forklarer at GenAI-skilleveggen er midlertidig og vil bli overvunnet gjennom fremvoksende utviklinger.

NANDA selv er en av de ledende bidragsyterne til en enda mer sammenkoblet AI-verden. Mekanismene rapporten nevner er Model Context Protocol (eller MCP) og Agent-to-Agent (eller A2A) som infrastrukturgrunnlag for sammenhengende agent-samhandling og autonom koordinering over systemer.

NANDA-sitt arbeid og disse verktøyene er veien til nettopp det NANDA er etter – det agente nettet, et nettverk av agenter i stand til autonom koordinering over Internettet. Deres samhandling vil være designet for å erstatte statiske arbeidsflyter med dynamiske selvutdannende systemer.

Lytter det for godt til å være sant eller til og med magi? Vel, Microsoft Copilot Studio’s Multi-Agent Orkestrering er den nærmeste ligningen på visjonen. Systemet hjelper med å bygge et tre av agenter hvor en hoved-Copilot-agent utløser underagenter som er ansvarlige for bestemte oppgaver som planlegging eller dokumentgenerering. Hver agent forblir innenfor sitt ekspertiseområde mens den koordinerer med andre. For å si det på en mer praktisk måte, når en bruker ber om “Planlegg vår Q4-produktlansering”, delegerer orkestreringsagenten automatisk til spesialiserte agenter – en håndterer markedundersøkelser, en annen håndterer tidslinjeskaping, og en tredje koordinerer med prosjektledelsesverktøy. Arbeidet fortsetter i samkjøring, men autonomt.

Hva etterlater rapporten oss med? Vinduet for å krysse GenAI-skilleveggen smalner raskt, ettersom bedrifter begynner å låse inn leverandørrelasjoner med læringskapable verktøy som produserer forstyrrelse og utvikler og optimaliserer forretningsoperasjoner i bakenden, og legger til hastighet til organisasjonens kjernen. Suksessen ligger i å kjøpe AI-agentsystemer i stedet for å bygge dem fra grunnen av internt. Ettersom agente lærings-, minne- og selvstendige systemer blir mer utbredt, vil den nåværende 95% feilraten gi plass til en ny æra hvor AI-systemer samarbeider sammenhengende over leverandører, domener og organisatoriske grenser. Den fremtiden er den sanne avkastningen av nåværende investeringer.

Alternative syn på AI-adoptsjon

NANDA-prosjektet gjorde en fantastisk jobb med å samle data fra multiple kilder og undersøke ledere fra multiple felt. Men er det den ultimate talerør for verdensomspennende AI-adoptsjon? Hvis du, som jeg, fant GenAI-skilleveggen litt deprimert, hvis ikke nedslående, har jeg funnet disse alternative syn på AI-adoptsjon for å holde min personlige AI-ild brennende.

• Jed Nykolle Harme fra IT Brief UK tok ned CIO Playbook 2025 fra Lenovo. Studien inkluderer tilbakemeldinger fra IT-ledere over EMEA (Europa, Midtøsten og Afrika), og dens konklusjon er langt mer løftende. Det viser seg at detaljhandelsindustrien leder når det gjelder AI-tilfredshet, hvor 96% av AI-pilotprestasjonene møter eller overgår forventningene.
• Tidligere uttrykte jeg medfølelse med gigantiske bedriftsmarkspillere som finner AI vanskelig å implementere og ikke er spesielt åpne for intensiv inkorporering. Lenovo presenterer imidlertid et annet bilde med bank-, finansielle tjenester og forsikringsindustrier: til tross for den laveste AI-adopteringsraten på 7%, rapporterer 33% av de som tester AI at pilotene overgår forventningene. Hemmeligheten bak så positive trender er ‘en forsiktig tilnærming’, som Arabian Business sier.
• En annen trøstende rapport IBM CEO Study åpner med en dristig forord av IBM-viceformann Gary Cohn: “Ettersom AI-adoptsjon akselererer … den ultimate gevinsten vil bare komme til CEO-er med mot til å omfavne risiko som mulighet. … Når forretningsmiljøet er usikkert, å bruke AI og egen bedriftsdata til å identifisere hvor du har løft er en konkurransefordel. På dette punktet er ledere som ikke utnytter AI og egen data til å gå fremover en bevisst forretningsbeslutning om ikke å konkurrere.”
• IBM CEO-undersøkelsen viser noen inspirerende fakta. For eksempel er AI-investeringstilvæksten forventet å mer enn dobles over de neste to årene, så nesten 20% av totalt IT-budsjett vil bli allokeret til AI – engasjementet demonstrerer at til tross for synlige og beviste utfordringer, er troen på AI sterk og, viktigst, det er en strategisk investering i stedet for reaktivt utgift.
• Sist, men ikke minst, er 64% av CEO-ene i rapporten enige om at risikoen for å bli liggende bak driver investeringer i ny teknologi lenge før en klar forståelse av dens påvirkning er oppnådd. Imidlertid er det ingen raske beslutninger. I stedet velger beslutningstakerne ‘strategisk hedge’. På enkelt sagt, når en konkurrent lanserer en AI-chatbot for personlige anbefalinger, gjør du det samme for din nettside. Du kanskje ikke er sikker på om økning av inntekter, men du vet at hvis du ligger etter i to år til at ‘den perfekte datamengden’ samles inn, vil du irreversibelt tape momentum. Så regelen er enkel: aggressivt kopier, så se på utfallet.

Konklusjon

I konklusjon, jeg ønsker å uttrykke min personlige, oppriktige tro på AI. Som entrepreneur, CMO, forretningsutvikler og tidligere kontoransatt i bank, ser jeg mange måter AI kan hjelpe med å optimalisere budsjetter, strømlinje arbeidsflyter og boost teams. Fremtiden er forsterket og akselerert. Hvis et bedrift ønsker å konkurrere, må det være AI-fluent. Mens funnene jeg presenterte er kontroversielle, er jeg overbevist om at den nåværende AI-landskapet, med sine tinder og dalender, er en naturlig læringsramme, gjentatt gang på gang med hver ny teknologi.