KI w procesie B+R: Dlaczego miliardy znikają w projektach, które nigdy nie trafiają na rynek

Paradoksalny problem scyfryzowanej R&D: więcej AI, ale nie lepsze wyniki

Sztuczna inteligencja od dawna zadomowiła się w działach badań i rozwoju globalnych przedsiębiorstw. Analiza danych wspierana przez AI, automatyczne modelowanie, uczenie maszynowe w obszarze inżynierii materiałowej – narzędzia są dostępne, a ich wykorzystanie jest powszechne. A mimo to najnowszy raport benchmarkowy, zaprezentowany przez IEEE Spectrum i Wiley we współpracy z dostawcą intelligence innowacyjnego Patsnap, przynosi trzeźwiący obraz: Mimo masowej adopcji AI firmy nadal tracą ogromne części swoich budżetów R&D na projekty, które nigdy nie trafiają na rynek.

Badanie, oparte na odpowiedziach ponad 200 wyższych specjalistów ds. R&D z Ameryki Północnej, Wielkiej Brytanii i Europy, dostarcza konkretnych liczb dotyczących problemu, który w dokumentach strategicznych bywa często bagatelizowany: strukturalnego niepowodzenia projektów innowacyjnych – nie pomimo, ale częściowo z powodu sposobu, w jaki AI jest dziś wdrażana.

Najtrudniejsze liczby: gdzie naprawdę przepada budżet R&D

Wnioski raportu są jednoznaczne i powinny wzbudzić uwagę w każdym zarządzie:

• Ponad jedna trzecia wszystkich ankietowanych organizacji przyznaje, że przeznacza od 25 do 40 procent całego budżetu R&D na projekty, które nigdy nie osiągają dojrzałości rynkowej.
• Niemal połowa ankietowanych szacuje stratę na każdym anulowanym projekcie późnej fazy na ponad milion dolarów – przy czym chodzi o stratę na jeden projekt.
• Najczęstsza przyczyna: kluczowe informacje dotyczące potencjału rynkowego, konkurencji i sytuacji patentowej docierają do decydentów zbyt późno – często dopiero wtedy, gdy zaangażowane zostały już znaczne zasoby.

Liczby te nie są marginalnym zjawiskiem charakterystycznym dla pojedynczych branż. Badanie obejmuje dziewięć sektorów przemysłu – od life sciences, przez materiałoznawstwo, po inżynierię oprogramowania. Problem ma charakter systemowy.

Martwy punkt: AI dla wykonania zamiast dla decyzji

Tu tkwi centralny paradoks, który ujawnia raport – dobrze znany również z praktyki automatyzacji procesów: Firmy wykorzystują AI przede wszystkim do operacyjnych zadań wykonawczych, czyli do analizy danych, symulacji czy automatycznego raportowania. To, co pozostaje w dużej mierze niezmienione, to decyzje strategiczne: które projekty w ogóle zasługują na inwestycje? Kiedy należy zatrzymać dane przedsięwzięcie? Które obszary technologiczne oferują prawdziwy potencjał różnicowania?

Decyzje typu „Go/No-Go" w procesie Stage-Gate są nadal podejmowane w przeważającej mierze bez odpowiedniego wsparcia AI – na podstawie fragmentarycznych danych, niespójnych źródeł informacji i analiz konkurencji pozyskiwanych zbyt późno.

„AI, która jedynie przyspiesza wykonanie, zachowując przy tym błędny kierunek, nie oszczędza zasobów – spala je szybciej."

Dr. Maik Bunzel, założyciel i dyrektor zarządzający mabucon.eu, obserwuje ten wzorzec również w swojej praktyce doradczej: wiele organizacji wdraża narzędzia AI przede wszystkim tam, gdzie sukces wydaje się najłatwiej mierzalny – w jasno zdefiniowanych zadaniach cząstkowych. Naprawdę wartościowe zastosowanie, czyli wsparcie złożonych decyzji inwestycyjnych i priorytetyzacyjnych, często pozostaje poza obszarem zainteresowania.

Kiedy AI wywiera największą dźwignię: timing jest kluczowy

Jedna z najważniejszych obserwacji raportu dotyczy nie tylko „czego", ale „kiedy" należy korzystać z AI. Dane pokazują wyraźnie: największa dźwignia wartości tkwi we wczesnej fazie procesu innowacji – na etapie ideacji i analizy wykonalności, zanim zaangażowane zostaną znaczące zasoby.

W praktyce oznacza to: wczesny dostęp do Patent Intelligence, map konkurencji, analiz White Space i danych rynkowych może zapobiec błędnym decyzjom, które później okazują się ślepymi zaułkami pochłaniającymi miliony. Kto natomiast czeka, aż projekt dotrze do fazy testów, zanim sięgnie po zewnętrzną inteligencję, działa reaktywnie zamiast proaktywnie.

• Patent Intelligence: Wczesne wykrywanie ryzyk IP i problemów z Freedom-to-Operate zapobiega kosztownym zmianom kierunku w późnej fazie projektu.
• Competitive Intelligence: Ciągłe monitorowanie pola konkurencyjnego pozwala identyfikować nakładania się obszarów oraz możliwości różnicowania, zanim wewnętrzne zasoby rozwojowe zostaną zaangażowane.
• White Space Analysis: Systematyczna identyfikacja niezagospodarowanych przestrzeni innowacyjnych umożliwia bardziej ukierunkowaną alokację zasobów przy wyższym prawdopodobieństwie sukcesu.

Problem strukturalny: fragmentaryczne dane i opieszałe procesy

Raport wskazuje również na organizacyjne przyczyny utrudniające lepsze wykorzystanie AI. Zespoły borykają się z fragmentarycznymi źródłami danych, które nie zapewniają spójnej podstawy do podejmowania decyzji. Dochodzą do tego długotrwałe wewnętrzne procesy zatwierdzania, spowalniające przepływ informacji – i to w środowisku, w którym cykle rozwojowe stają się coraz krótsze, a rynki zmieniają się szybciej niż kiedykolwiek.

Pojawia się również wymiar kulturowy: decyzje w procesach B+R są często zdeterminowane subiektywnymi ocenami, wewnętrznymi strukturami władzy i tzw. myśleniem „Sunk Cost". Projekty są kontynuowane, ponieważ zainwestowano w nie już wiele – nie dlatego, że sygnały sukcesu są pozytywne. Wsparcie decyzyjne oparte na AI może stanowić tutaj obiektywny przeciwważnik, o ile zostanie włączone odpowiednio wcześnie i przy wystarczającej głębokości danych.

Implikacje dla przedsiębiorstw: gdzie istnieje potrzeba działania

Dla firm, które poważnie chcą poprawić efektywność swoich działań B+R, raport wskazuje jasne obszary wymagające działania:

• Przeorientowanie strategii AI: Nacisk musi zostać przesunięty z czystego wsparcia wykonawczego na strategiczne wsparcie decyzyjne. Wymaga to odmiennych architektur systemów, innych źródeł danych i innych scenariuszy użytkowania.
• Priorytet dla wczesnych faz: Inwestycje w inteligencję innowacyjną przynoszą największe korzyści wtedy, gdy trafiają w fazę ideacji i oceny wykonalności – a nie dopiero na etapie przeglądu Stage-Gate po intensywnych pracach rozwojowych.
• Przełamywanie silosów danych: Zintegrowana baza danych łącząca informacje patentowe, rynkowe i konkurencyjne jest podstawowym warunkiem podejmowania decyzji B+R opartych na danych.
• Przeprojektowanie procesów: Istniejące procesy Stage-Gate powinny zostać poddane analizie pod kątem tego, w których punktach można włączyć ustrukturyzowaną inteligencję danych – oraz które kroki manualne można zautomatyzować lub przyspieszyć.

Rzeczywista przewaga konkurencyjna tkwi w jakości podejmowanych decyzji

To, co raport 2026 R&D Benchmark Report ostatecznie wyraźnie pokazuje, to fundamentalne przesunięcie w rozumieniu wartości generowanej przez AI. Wyścigu innowacyjnego nie wygra ta organizacja, która stosuje AI najszerzej – lecz ta, która wdraża ją tam, gdzie ma największą siłę dźwigni: w krytycznych punktach decyzyjnych procesu innowacyjnego.

Dr. Maik Bunzel, założyciel i dyrektor zarządzający mabucon.eu, ujmuje to zwięźle: inteligentna automatyzacja nie oznacza szybszego przechodzenia przez więcej procesów. Oznacza podejmowanie właściwych procesów w ogóle – oparte na bazie danych, która funduje strategiczne kierunki działania i zapobiega błędnej alokacji zasobów, zanim jeszcze do niej dojdzie.

Dla firm z branż o wysokiej intensywności badań lektura takich danych benchmarkowych powinna być wyraźnym sygnałem: Kolejny wielki zysk efektywnościowy nie leży w szybszym wykonaniu, lecz w lepszej inteligencji decyzyjnej. Kto nie wykorzysta tej szansy, nie będzie w stanie nadrobić dystansu konkurencyjnego wobec organizacji zarządzanych w sposób bardziej oparty na danych – pomimo wszelkich inwestycji w AI.