去年我们做了一次内部统计,结论让技术团队很尴尬:全年 42 个提交上线的 AI 项目,真正达到立项时承诺效果的只有 19 个,成功率 45.2%。而失败的 23 个里,有 17 个不是模型不行,是卡在了三个地方——数据进不去、集成进不去、没人用。
这不是我们一家的问题。Gartner 那组被引用滥的数字(2027 年 60% AI 项目被放弃)背后,原因高度一致。企业级 AI 落地的瓶颈从来不在模型选型榜上,在集成层和变革管理层。这篇把我们复盘 42 个项目得到的三道坎、以及最终逼出来的实施方法论写下来。
一、第一道坎:数据进不去,而且没人知道为什么
19 个失败项目里有 14 个在数据接入阶段就严重超期。原因排名:
| 问题 | 出现频次 | 平均延误 |
|---|---|---|
| 源系统没有 API,只有 UI 或导出文件 | 11 次 | 7.3 周 |
| 数据Owner 不批权限 | 9 次 | 4.1 周 |
| 数据质量问题在接入后才暴露 | 8 次 | 5.6 周 |
| 合规/出境要求临时加审查 | 5 次 | 9.8 周 |
第四条延误最狠,而且几乎无法提前预测。我们后来的规矩是:立项第一周就拉法务和合规进场,不是等方案定了再问「这个能做吗」。这一条帮我们省了至少一个项目的 6 周。
另一个教训:「先接最干净的那个系统」是陷阱。最干净的系统往往价值最低,做完 demo 很好看,一推广就撞上最脏的系统。我们改成一开始就接「最脏但最有价值」的那个,demo 难看一点,但推广时不再有惊喜。
二、第二道坎:集成进不去,因为没人想被集成
23 个失败里,卡在集成的有 6 个,但原因出奇一致:被集成的业务系统有自己的人要养、自己的 KPI 要背。让 CRM 团队为一个 AI 项目改埋点、改字段,等于让他们分担一个不算自己业绩的风险。
我们试过四种推动方式:
- 自上而下压:最快一周通过,三个月后埋点悄悄失效,因为 Owner 换了人。
- 自下而上谈:最慢,平均 5 4 周,但粘性最好。
- 共建 KPI:中间路线。把 AI 项目的效果指标写进被集成团队的季度目标,IT 只出架构。这是我们最终选的。接入周期从平均 5.4 周降到 2.9 周,且失效率为零。
- 只读集成绕开:短期最舒服,长期制造影子数据,我们明确禁掉了。
三、第三道坎:做出来了,没人用
这是最贵的一道坎。23 个失败里,8 个技术上线成功、业务零采用。复盘这 8 个,共同点非常刺眼:
- 全部是「上面要求建的」,没有一个来自业务方自己的痛点;
- 全部没有给一线使用者哪怕 20 分钟的培训;
- 全部在试点部门选得过于「完美」——试点部门数据好、人员强,一推广就废。
我们后来的规则是:试点必须选「中等偏下」的部门,培训必须由业务方讲师来上,KPI 必须在一线使用者手里。听起来反常识,但这是把采用率从 19% 拉到 76% 的三个动作。
四、42 个项目筛出来的验收清单
现在每个 AI 项目立项前必须过这份清单,不过不进排期:
- 业务方有没有一个「不用 AI 就要加班/出错」的具象场景?说不出来的不做。
- 数据 Owner 是谁,他在这件事里得到什么?
- 集成改动落在哪个团队,那个团队的季度目标里有没有这项?
- 试点部门是不是「中等偏下」?
- 失败预案是什么——模型效果不达预期时,退回到什么流程?
第五条是我们交的学费最重的一条。没有回滚预案的 AI 项目,一旦上线就是单行道。我们踩过一次:客服 AI 上线后效果不如预期,但原流程的人已经撤了,只能硬着头皮跑,最后整体推翻。
五、成功的那 19 个,有什么共同点
反推成功的 19 个项目,有三个特征:
- 都在第 4-8 周就产生了可量化收益,而不是「等全量上线」;
- 都指定了一个既懂业务又愿意管闲事的人当内部产品负责人,这个角色不是 IT 兼职;
- 都允许业务方在流程里「作弊」——即允许他们绕开 AI 走人工,而不是强制绑定。强制绑定的项目,业务方会用脚投票。
总结
42 个项目的复盘结论只有一句:企业 AI 落地的成败,80% 在立项前就写好了。模型是这四成里最透明的变量,数据权限、集成 KPI、试点选择和回滚预案才是决定成败的隐藏变量。
如果只抄一条:立项时先问「失败了怎么退回原流程」,答不上来的项目,不要开始。
互动提问:你们公司失败的 AI 项目,最后是卡在数据、集成还是采用率上?
互动提问:你有遇到过「上线很成功、没人用」的 AI 功能吗?后来是怎么救回来的,还是干脆下线的?
— IMAI 编辑部 | 2026-11-07