为何95%的AI试点项目在产出任何成果之前就已失败
在我所了解的几乎每一家中型企业中，都会上演同一幕场景。技术团队提交一份人工智能试点方案，初期数据令人振奋，董事会批准投资。而六个月后，这个试点依然还是试点。没有人正式宣布终止它，也没有人推动它扩大规模。它只是……静静地占据着产品路线图和跟进会议上的一个位置。
Freshworks总裁兼首席执行官Dennis Woodside几天前在《财富》杂志发表了一篇分析文章，为这一现象正式命名。尽管这篇文章同时也为其公司提供了商业背书，但他所作出的诊断值得被认真对待，原因很简单：他所引用的外部数据，足以让任何一位向董事会承诺AI成果已超过一年的高管感到如坐针毡。
麻省理工学院发现，95%的生成式AI试点项目在进入生产阶段之前就已失败。波士顿咨询集团在2025年9月发布报告指出，60%的企业无法从AI中获得任何实质性价值，而这一比例较前一年更高——尽管模型本身已有改进，积累的经验也有所增加。Freshworks进一步补充了自己的数据：中型企业中，四分之一的AI预算消耗在系统集成、数据清洗，以及让那些从未被设计为互联互通的系统彼此"对话"的努力上。
这三组数据的共同点，不在于所选择的AI模型本身，而在于试图实施AI的运营环境的现状。
区分前进者与停滞者的那个决定
Woodside描述了Seagate科技公司的案例，其精准程度之所以有价值，恰恰在于它毫无光鲜可言。IT团队有三个月时间，需要将3万名员工迁移到一个新的服务管理平台——这是受合同到期所迫。最显而易见的选择，也是几乎任何组织在这种压力下都会做出的选择，就是将现有配置原封不动地迁移过去，之后再解决问题。这是短期内最安全的路径，但同样保证了任何在此之上构建的AI层，都将运行在有缺陷的基础之上。
Seagate团队选择了相反的做法。他们从零开始重构：重组服务目录，在各区域之间建立统一的服务级别，重写类别层级结构，使工单无需由客服人员猜测即可自动路由。而这一切，都在同样三个月的时限内完成。一年后，部署在这一基础上的AI智能体拦截了大约三分之一的入站工单，首次联系解决率高出行业标准27%。
这个决定——重构而非复制——是Woodside论点的核心。它所揭示的组织层面的意义，远超技术本身。
Seagate的做法要求在流程中的某个节点，有人主动开启一场没有人愿意开口的对话：承认那些遗留流程不仅仅是低效的，而是对未来任何改进的主动阻碍。这场对话有其政治代价。说现有流程不会被迁移，意味着承认多年来的配置、定制化和调整工作不会随之延续，意味着至少部分否定了过去的决策。在时间压力之下，鲜有组织能有这样的胃口。
Seagate的与众不同之处，不在于拥有更多资源或更多时间，而在于具备了一种清醒——或者说管理层的勇气——在合同到期之际，拒绝将历史包袱带入未来。而这，正是任何AI实施手册中都不会出现的变量。
那些不审视自身流程的企业所缴纳的隐形税
Woodside引入了"复杂性税"这一概念，用以描述企业在碎片化架构上试图实施AI时所发生的一切。这不是一个装饰性的比喻，而是一种具体的财务机制。
如果25%的AI预算在模型产出任何有效输出之前，就已消耗在集成和数据清洗上，那么一家为AI拨款一百万美元的企业，实际上购买到的只有75万美元的能力——剩余25%被积累的技术债吞噬。对于拥有数亿转型预算的大型企业而言，这个比例或许尚可承受。但对于一家员工规模在500至20,000人之间、IT团队精简、运营空间有限的中型企业而言，这部分损失可能就是一个蓬勃发展的项目与一个在下一个预算周期中悄然被取消的项目之间的差距。
Woodside关于"敏捷企业"的论断——他用这个词指代那个中型组织区间——具有一种主流媒体往往忽视的逻辑，因为这个细分群体不像《财富》500强的数字化转型故事那般引人注目。但这恰恰是AI所承诺的生产力之战真正决胜负的战场。中小企业代表着全球企业结构的主体。如果AI在这里行不通，那么无论谷歌、微软还是亚马逊用自己的模型做了什么，整体生产力提升的承诺都将无法兑现。
这一分析之所以更耐人寻味，在于问题并不出在模型的选择上，而在于一个更早期、更难解决的层面：运营环境的质量。数据分散在互不相通的系统中。工作流程由公司的历史而非其内在逻辑所定义。工单的分类体系、服务类别或产品层级从未有人审查，因为它们一直"够用"。当AI智能体被要求在这样的基础设施上运行时，它的失败并非因为模型本身存在缺陷，而是因为环境向它传递的是模糊、不完整或相互矛盾的信息——没有任何模型能够弥补这一点。
Katz Media Group技术总监Robert Lyons，在一家拥有10,000名员工的企业内负责一个800人规模的业务单元，在Woodside的分析中提供了或许是整篇文章中最具实操价值的建议：在部署任何AI工具之前，他的团队首先清洗并标注了数据，并为公司全体员工举办了AI入门研讨会——这个研讨会不是由IT团队主持，而是由一家独立研究机构负责。这一区别至关重要。当IT团队介绍AI时，他们带有利益相关者的隐性偏见；而当由中立第三方来表达时，信息的传达方式截然不同，组织内部的抵触情绪也会随之降低。
Lyons还描述了一套用于优先排序AI项目的价值/努力矩阵：一轴是实施的难易程度，另一轴是对业务的价值，从高价值、低难度的象限入手。他的告诫——"不要从最棘手的问题开始，那样无法创造价值"——直接批评了一种在我所接触的组织中屡见不鲜的模式：将AI视为解决那些其他任何举措都未能解决的问题的机会。这种逻辑情有可原，却适得其反。最引人瞩目、最雄心勃勃的AI项目，往往也是最脆弱的，因为它们所依赖的数据环境最为混乱，所涉及的工作流程最缺乏结构。
Nucor、New Balance与一家钢铁企业的共同之处
Woodside援引了两个值得分开审视的比较。第一个是耐克与New Balance之间的对比。耐克拥有8万名员工，New Balance拥有9000名员工。Woodside认为，New Balance正在通过将IT基础设施整合到一个统一平台、建立集中化的单一数据源来赢得竞争优势——这一举措把团队从维护工作中解放出来，并重新定义了业务的运作方式。第二个比较是Nucor和Steel Dynamics，美国四大钢铁制造商中的两家，Woodside表示，这两家公司数十年来的运营纪律，构建出了AI可以直接加以优化的环境。
连接这些案例的模式，与Seagate的案例如出一辙：AI在运营环境已做好准备迎接它的地方才能发挥作用。不必完美，但必须就绪。数据已整合，工作流程已定义，系统能够在无需人工干预的情况下交换信息，并且存在AI智能体需要改进的可量化结果。
这对管理层有一个很少有人明确指出的含义。在AI实施上遭遇最大困难的企业，并非那些选错了模型或聘请了错误顾问的企业，而是那些多年来在技术决策上以运营连续性优先于架构一致性的企业。每一次有人说"我们加入这个系统，因为它能解决眼前的问题"，而没有追问这个系统将如何与其他系统集成时，就在积累一笔如今以AI集成预算形式偿还的负债。
这笔负债不是技术层面的失败，而是多年来未曾进行的架构对话、因季度业绩需要速度而一再推迟的技术债评估、以及因质疑的政治代价过高而无人愿意审查的遗留配置所累积的结果。
Woodside所描述的成功案例的共同点在于：在某个时刻，总有人做出了偿还这笔负债的决定。Seagate是在合同到期的压力下完成的，New Balance是作为速度战略赌注的一部分，而Nucor和Steel Dynamics则在数十年间不知不觉地积累着，没有意识到自己正在为AI时代的竞争优势奠定基础。
领导者必须承担审视组织所回避之物的代价
Woodside论点中有一个元素，文章只是切线触及，但值得正面直视：大多数陷于AI试点困境的组织，其实心知肚明。这不是技术上的无知，而是关于运营环境现状的对话所需付出的政治代价，没有人愿意承担。
承认25%的AI预算消耗在集成和数据清洗上，就是承认过去的架构决策代价高昂。承认遗留流程无法迁移到新环境，就是承认多年的配置工作无法在变革中延续。承认数据质量堪忧，就是承认过去几年的数据质量改进项目未能兑现承诺。
这些承认需要一种许多董事会文化所刻意抑制的能力：能够点名一个结构性问题，而不让发言者与其所描述的失败绑定在一起。
在这种背景下，领导者的工作并非技术性的，而是创造条件，让这些对话能够在无需"以信使为代价"的前提下发生。那些正在从AI中获得成果的组织——也就是Woodside所描述的案例——并没有完美的环境，但他们有这样的领导者：在为实施失败付出代价之前，先选择为清醒付出代价。
这个顺序在压力之下并不直观，但它是唯一能产出在下一轮预算审查周期中不会消失的成果的路径。
