AI项目90%会失败，问题出在哪

上周跟一个做AI交付的朋友吃饭，他喝了口啤酒说了句大实话："我经手的项目，活下来的不到一成。"

我当时觉得他在夸张。后来翻了翻麦肯锡的报告，又问了几个同行，发现这个数字可能还是保守的——Gartner有过一个预测，85%的AI项目会失败。而实际执行层面的人告诉我，真实比例可能更高。

90%这个数字，不是吓唬人，是行业里心照不宣的秘密。

这个数字从哪来的

先说说这个"90%"到底靠不靠谱。

Gartner在2019年做过一个预测，说85%的AI项目会交付错误的成果。注意，不是"失败"，是"交付错误成果"——这意味着做出来了，但不是业务想要的。到了2023年，Gartner又更新了数据，说只有53%的AI项目能从原型走到生产环境。这还是全球大公司的数据，中小企业的情况只会更差。

我有个做咨询的朋友，他去年帮20多家企业做过AI项目评估，最后真正跑通落地的，3家。

另一家做AI交付的公司，接了30多个项目，真正续约的不到5个。

所以90%这个数字，你可以理解为：10个项目启动，可能只有1个真正跑起来并且持续产生业务价值。剩下的，要么胎死腹中，要么上线了没人用，要么用了三个月就停了。

最扎心的是，这些失败的项目，钱没少花。

失败原因一：需求不清

AI项目死掉的第一大杀手，不是技术不行，是没人说得清到底要什么。

我见过一个最典型的案例：某零售企业老板，看了一圈行业论坛回来，跟CTO说"我们要搞AI"。CTO问搞什么，老板说"智能推荐"。CTO又问推荐什么，老板说"就推荐呗，别人都有我们也要有"。

这个项目最后花了8个月，做了一套推荐系统上线，结果转化率比原来的规则引擎还低。为什么？因为没人定义清楚：推荐给谁、推荐什么品类、核心指标是点击率还是客单价、上线后A/B测试跑多久。

需求不清的本质，是业务方把AI当成一个"万能药方"，而不是一个需要精确描述问题的工具。你去医院看病，跟医生说"我不舒服"，医生也没法开药。AI也一样——你连问题都描述不清楚，再强的模型也救不了你。

还有一种需求不清，更隐蔽：老板自己觉得想清楚了，但没跟团队对齐。我见过一个项目，VP要的是降本，总监要的是提效，基层要的是减负。三个目标互相打架，项目组夹在中间左右为难，最后做出来的东西谁都不满意。

失败原因二：数据不行

这是最让技术团队崩溃的原因——模型没问题、架构没问题，但数据一塌糊涂。

有个制造业客户，想做预测性维护。想法很好，用传感器数据预测设备什么时候会坏。结果一看数据：30%的传感器是离线的，剩下的数据里有大量异常值，标签全靠人工填，填错率超过40%。更离谱的是，有些设备的维护记录是纸质表单，扫描后OCR识别率不到60%。

你拿这种数据去训练模型，出来的东西能准才怪。

数据问题通常有几种：

数据不存在。想做个性化推荐，但用户行为数据根本没采集。想做智能客服，但历史对话记录没存。巧妇难为无米之炊，这种情况下AI项目基本不可能启动。

数据质量差。存在但不可用，跟不存在差不多。缺失值一堆、格式不统一、字段定义混乱、历史数据断层——我见过一个项目光数据清洗就花了6个月，比建模时间长3倍。

数据不够多。AI需要大量数据来学习，特别是深度学习。某医疗影像项目，标出来的病灶图片一共200张，模型训练出来跟瞎猜差不多。

数据不能用。合规问题。用户隐私、行业监管、数据跨境……这些问题不提前想清楚，等项目做完了发现数据根本不能用于训练，那才叫欲哭无泪。

所以现在行业里有个共识：AI项目70%的工作量在数据上，建模反而简单。但很多人立项的时候，预算和时间全花在模型上，数据清洗给的时间少得可怜。本末倒置。

失败原因三：组织不配合

这个原因最容易被忽略，但杀伤力最大。

AI项目不是技术项目，是组织变革项目。但绝大多数企业把它当成技术项目来管。

什么意思呢？就是你做了一套AI系统，技术上完美，但一线员工不用。不用不是因为系统不好，是因为用了AI意味着改变工作方式，而改变工作方式意味着不确定性，不确定性意味着风险。

我见过一个客服中心的案例，AI客服能处理80%的常见问题，准确率98%，理论上能让每个客服的效率提升3倍。结果上线后，客服们私下把AI关了，手动切回老系统。为什么？因为AI处理的多，意味着需要的人少，他们怕自己被裁。

还有更隐蔽的：部门墙。AI项目通常需要跨部门协作——数据在A部门，业务在B部门，技术在中台。A部门凭什么把数据给你？B部门凭什么配合你测试？这些都不是技术问题，是利益问题。

有个CIO跟我吐槽："我们AI项目最大的阻力不是技术，是政治。每个部门都有自己的KPI，AI项目跟谁的KPI都不完全对齐，没人愿意全力配合。"

说白了，AI项目要成功，需要组织层面的支持。不是口头支持，是真正把资源、考核、激励都跟AI项目绑定的那种支持。没有这个，技术再强也白搭。

怎么成为那10%

说了这么多失败的，那成功的10%做对了什么？

我观察下来，有三点是共同的：

第一，从最小可行场景切入，别一上来就搞大的。

某物流公司做AI路径优化，没有一上来就搞全国调度，而是先在一个城市的一条线路上试。一个月跑通，效果明确，然后再推广到全省。这个项目最终覆盖了全国，但起步的时候就是一个小点。小到什么程度？小到如果失败了，损失可控；成功了，说服力够强。

第二，让业务方从头到尾参与，而不是"你做完了给我用"。

AI项目最怕的就是技术团队闭门造车。成功的项目，业务人员从需求定义阶段就深度参与，每周对齐，持续反馈。业务方不是"甲方"，是"共创者"。只有他们全程参与，做出来的东西才会有人用。

第三，接受不完美，快速迭代。

很多AI项目死在"追求完美"上。第一版准确率90%，不满意，改模型、调参数、加数据，花了三个月做到95%，结果业务窗口期过了。成功的10%懂得：AI不是一次性交付的产品，是持续优化的服务。先上线，先跑起来，再改进。90%的准确率如果比现有方案好，那就该上线。

最后说一句可能不太好听的话：AI项目的失败，很多时候不是AI的锅。技术已经成熟到能解决很多问题了，真正卡住的是需求定义、数据基础和组织意愿。这些问题不解决，换什么技术都一样。

所以下次有人跟你说"我们公司要搞AI"，你可以问三个问题：你要解决什么问题？你的数据准备好了吗？你的一线员工愿意用吗？

这三个问题答不上来，项目大概率会变成那90%。