بسیاری از شرکت‌ها در حال عجله برای پیاده‌سازی ابزارهای مختلف هوش مصنوعی در عملیات خود هستند، اما طبق یک مطالعه MIT، بیشتر این برنامه‌های آزمایشی شکست می‌خورند. فورچون گزارش داد که ۹۵ درصد از آن‌ها به عملکرد هدف خود نمی‌رسند، نه به این دلیل که مدل‌های هوش مصنوعی آنطور که انتظار می‌رفت کار نمی‌کردند، بلکه به این دلیل که ابزارهای هوش مصنوعی عمومی، مانند ChatGPT، با گردش کارهایی که قبلاً در محیط شرکت ایجاد شده‌اند، سازگار نمی‌شوند.

بر اساس این گزارش، یافته‌های این مطالعه ظاهراً نشان می‌دهد که تنها «حدود ۵ درصد از برنامه‌های آزمایشی هوش مصنوعی به شتاب سریع درآمد دست می‌یابند.» این گزارش می‌گوید «اکثریت قریب به اتفاق متوقف می‌شوند» و «تأثیر قابل اندازه‌گیری کمی یا هیچ تأثیری» بر سود و زیان ندارند. این یافته‌ها بر اساس ۱۵۰ مصاحبه، نظرسنجی از ۳۵۰ کارمند و تحلیل ۳۰۰ پیاده‌سازی عمومی هوش مصنوعی است.

۵ درصد باقی‌مانده با بقیه متفاوت است زیرا آن‌ها بر روی یک چیز تمرکز می‌کنند و آن را به خوبی انجام می‌دهند. آدیتیا چالاپالی، محقق و نویسنده اصلی MIT، به این نشریه گفت: «برخی از برنامه‌های آزمایشی شرکت‌های بزرگ و استارتاپ‌های جوان‌تر واقعاً در زمینه هوش مصنوعی مولد عالی عمل می‌کنند.» «این به این دلیل است که آن‌ها یک نقطه درد را انتخاب می‌کنند، به خوبی اجرا می‌کنند و با شرکت‌هایی که از ابزارهایشان استفاده می‌کنند، هوشمندانه همکاری می‌کنند.»

یک مشکل دیگر که بسیاری از سازمان‌های استفاده‌کننده از هوش مصنوعی با آن مواجه هستند، تعیین اولویت‌های اشتباه برای استفاده از این ابزارها است. تحقیق نشان می‌دهد که هوش مصنوعی در اتوماسیون بخش پشتیبانی (back-office automation) بهترین عملکرد را دارد — اساساً انجام وظایف اداری و تکراری که بسیاری از شرکت‌ها تمایل به برون‌سپاری آن‌ها دارند. با این حال، گزارش شده است که بیش از نیمی از پول صرف شده برای پروژه‌های هوش مصنوعی بر فروش و بازاریابی متمرکز است، بخش‌هایی که مسلماً به لمس انسانی نیاز دارند، به خصوص که بیشتر خریداران هنوز انسان هستند، نه ماشین.

MIT می‌گوید که دو از سه پروژه که از ارائه‌دهندگان تخصصی هوش مصنوعی استفاده می‌کنند موفق هستند، در حالی که تنها یک سوم از ابزارهای هوش مصنوعی داخلی نتایج مورد انتظار را ارائه می‌دهند. با وجود این، بسیاری از سازمان‌هایی که در زمینه‌های بسیار تنظیم‌شده مانند مالی و مراقبت‌های بهداشتی کار می‌کنند، ترجیح می‌دهند برنامه‌های هوش مصنوعی خود را بسازند. آن‌ها احتمالاً این کار را برای کاهش ریسک نظارتی انجام می‌دهند، که اگر هوش مصنوعی اطلاعات خصوصی را فاش کند — اتفاقی که در گذشته رخ داده است — می‌تواند به ویژه آسیب‌زا باشد.

پروژه تحقیقاتی همچنین به تأثیر هوش مصنوعی بر نیروی کار پرداخت. در حالی که هنوز اخراج‌های گسترده‌ای به دلیل هوش مصنوعی رخ نداده است، MIT گزارش می‌دهد که شرکت‌ها موقعیت‌هایی را که با خروج یک کارمند خالی شده‌اند، جایگزین نمی‌کنند. این امر بیشتر در موقعیت‌های پشتیبانی مشتری و اداری — مشاغل سطح ابتدایی که معمولاً برون‌سپاری شده‌اند — مشهود بود. این می‌تواند پیش‌درآمدی باشد بر آنچه چندین مدیر عامل، از جمله داریو آمودی از Anthropic و جیم فارلی از فورد، هشدار می‌دهند: اینکه هوش مصنوعی ممکن است نیمی از مشاغل یقه سفید سطح ابتدایی را در پنج سال آینده از بین ببرد.