Hvorfor AI-prosjekter mislykkes: hva Gartner, MIT, McKinsey og RAND faktisk fant

Kort svar: Ingen av de fire målte at «AI-prosjekter mislykkes» slik det siteres. Gartners tall er i hovedsak prognoser. MITs 95 prosent gjelder generativ AI uten målbar effekt på resultatet, basert på et lite utvalg. McKinsey måler hvor mange som selv mener AI gir effekt på driftsresultatet. Og RAND har ikke målt noen andel i det hele tatt. Men alle fire peker på det samme: det går galt mellom pilot og drift, og når problemet ikke er klart definert.

Hva tallene egentlig er

Kilde	Tallet	Hva det faktisk er
Gartner	30 %	En prognose fra 2024 om generative AI-prosjekter som skrinlegges etter proof of concept
MIT	95 %	Generativ AI uten målbar effekt på resultatet, fra 52 intervjuede virksomheter
McKinsey	37 %	Andelen respondenter som tilskriver AI noe effekt på driftsresultatet, i 2026
RAND	80 %	Ikke RANDs tall. Sitert fra en Fortune-artikkel fra 2022

De fire tallene kan ikke sammenlignes eller slås sammen. Artikler som sier at «70 til 85 prosent av AI-prosjekter mislykkes», gjør nettopp det.

Gartner: prognoser, ikke målinger

I juli 2024 spådde Gartner at minst 30 prosent av generative AI-prosjekter ville bli skrinlagt etter proof of concept innen utgangen av 2025. Årsakene de oppga var dårlig datakvalitet, svak risikostyring, økende kostnader og uklar forretningsverdi. Det var en prognose, uten publisert metode.

I januar 2026 skrev Gartner at minst 50 prosent faktisk ble skrinlagt, basert på analyse av «hundreds of GenAI implementations». Hvordan tallet er regnet ut, er ikke publisert.

Den tredje som ofte siteres, at over 40 prosent av prosjekter med AI-agenter blir avlyst innen 2027, er også en prognose. Undersøkelsen som ble lagt ved, handlet om hvor mye 3 412 deltakere på et webinar hadde investert, ikke om avlyste prosjekter.

Gartners sider stenger for automatisk henting, så vi har lest pressemeldingene gjennom gjengivelser av dem.

MIT: 95 prosent av hva?

Rapporten «The GenAI Divide» fra MIT NANDA, juli 2025, bygger på en gjennomgang av over 300 offentlig kjente AI-initiativer, intervjuer med 52 virksomheter og svar fra 153 ledere, samlet inn fra januar til juni 2025. Den gjelder bare generativ AI.

Tallet stammer fra en trakt. Av virksomhetene som vurderte skreddersydde AI-verktøy, kom 20 prosent til pilot og 5 prosent til drift. Generelle verktøy som ChatGPT og Copilot hadde langt bredere bruk, men ifølge rapporten økte de den enkeltes produktivitet, ikke resultatet.

Forfatterne er selv tydelige på begrensningene:

Tallene bygger på intervjuer, ikke offisiell rapportering, og virksomhetene som deltok kan skille seg fra resten.

Det var Fortune som spredte tallet, med overskriften «95% of generative AI pilots at companies are failing». Fortune oppga at utvalget var 150 intervjuer og en undersøkelse blant 350 ansatte. Rapporten sier 52 intervjuede virksomheter og 153 ledere.

Rapportens egen forklaring er at de fleste verktøyene ikke lærer: de husker ikke tilbakemeldinger og tilpasser seg ikke arbeidsflyten.

McKinsey: selvrapportert effekt

McKinseys årlige undersøkelse spør ledere hva AI betyr for driftsresultatet. I 2026-utgaven, publisert 25. august, svarte 1 719 deltakere i 97 land. 37 prosent sa at AI gir noe effekt på driftsresultatet, omtrent som året før. Rundt 6 prosent havnet i gruppen McKinsey kaller høytpresterende.

Det som skilte dem ut: nesten 3 av 4 av de høytpresterende hadde lagt om arbeidsflyten på grunn av AI, mot rundt 1 av 4 blant de andre.

Merk at dette er respondenter, ikke virksomheter, og at effekten er oppgitt av dem selv. McKinseys sider lot seg ikke åpne, så 2026-tallene er hentet fra The Registers gjengivelse.

RAND: årsaker, ikke andeler

RAND intervjuet 65 personer med minst 5 års erfaring fra AI og maskinlæring, 50 fra næringslivet og 15 fra akademia, og publiserte rapporten i august 2024. Prosjekter som bare brukte ferdige språkmodeller med prompter, var holdt utenfor.

RAND målte ingen andel. Setningen som siteres, sier at «by some estimates» mislykkes over 80 prosent av AI-prosjekter, og viser til en Fortune-artikkel fra 2022. Den artikkelen viser igjen til undersøkelser den ikke navngir.

Det RAND faktisk fant, var 5 grunnårsaker:

Ledelsen misforstår, eller kommuniserer dårlig, hvilket problem AI skal løse.
Virksomheten mangler dataene som trengs.
Fokuset er på ny teknologi heller enn på å løse et reelt problem.
Infrastrukturen for data og drift er ikke på plass.
Problemet er for vanskelig for AI.

De to første ble nevnt uoppfordret av over halvparten av de intervjuede.

Der de er enige

Tapet skjer mellom pilot og drift. Det er ikke å prøve AI som går galt, det er å få det i ordinær bruk.
Uklart problem eller uklar verdi er en hovedårsak. Gartner, RAND og MIT sier det på hver sin måte.
Det hjelper å endre arbeidet, ikke bare legge til et verktøy. McKinsey og MIT peker begge på omlagte arbeidsflyter.

Hva det betyr for dere

Bestem hva som skal regnes som suksess før piloten starter, og mål det. Velg et problem som fortsatt finnes om ett år. Og vær åpne for at svaret på problemet ikke alltid er AI, som vi skriver om i artikkelen om når svaret ikke er AI. Hvordan dere måler om et AI-system faktisk virker, står i artikkelen om evaluering.

Kilder

Alle kilder er sjekket 14. september 2026.