随着软件供应商将更多AI功能整合进其产品，内部自研AI试点项目的高失败率和低回报正加速企业转向采用商业化的现成解决方案。
图片来源：Pressmaster / Shutterstock
在成千上万的人工智能概念验证（POC）项目无果而终之后，许多组织正在缩减内部投入，转而采用商业化的、现成的AI工具。 Gartner副总裁兼分析师John-David Lovelock表示，根据Gartner在2023年底的调查，大约一半的公司当时在开发自己的AI工具，但到2024年底，这一数字下降到了约20%。 Lovelock说，许多组织仍在运行少量POC，但围绕生成式AI的热度降温，已促使许多CIO转向供应商，无论是大型语言模型（LLM）提供商还是将AI内置于其产品的传统软件销售商。
Lovelock补充道，许多始于2024年或更早的雄心勃勃的AI项目，现在因POC的高失败率而面临内部审查。IDC最近的研究发现，88%的POC未能进入大规模部署阶段，同时CIO们也在努力界定POC的成功标准。
“去年，当CIO们进行概念验证工作，并从服务提供商和内部资源那里获得大量帮助时，即使在那些已经有人工智能良好基础的公司中，失败率也相当高，”Lovelock说。“但对于那些没有相同基础的公司来说，他们的失败率要高出50%以上。”
一、智力资源（brain power）不足
专注于云和自动化的Asperitas Consulting公司的云业务负责人Scott Wheeler表示，其客户中的“绝大多数”现在都在使用现成的AI工具。Asperitas的许多客户来自金融服务和保险行业，这些行业通常被视为生成式AI功能的潜在受益者。
他说，许多尝试构建自有AI工具的公司都遇到了缺乏专业知识和预算的问题。 “对大多数人来说，这有点得不偿失，”Wheeler补充道。“你必须拥有足够的智力资源（brain power）才能把它做好，而这些人才的需求量非常大。然后，除了智力资源，你还必须有时间和其它资源。” Lovelock观察到几种不同类型的POC，有些公司试图从零开始构建自己的AI模型，另一些则专注于在现有LLM之上添加功能。然而，一些AI专家表示，即便是那些不那么雄心勃勃的POC，也要么失败了，要么结果 underwhelming（不尽如人意）。
管理服务提供商Lemongrass的CTO Eamonn O’Neill说，来自高层管理人员和董事会要求启动生成式AI POC的巨大压力导致了许多注定失败的项目。
“最初有尝试的冲动，这本身不是坏事，”他说。“但当你做了这些POC后的反应是，‘嗯，这实际上没什么用’，因为质量相当低。似乎没人知道如何正确使用它。” 会计和商业咨询公司Armanino负责AI、分析和自动化业务的合伙人Carmel Wynkoop补充说，伴随着对生成式AI的最初兴奋，许多业务和IT领导者对其POC抱有不切实际的期望。
“当时的态度是，‘让我们解决那些棘手的难题（big hairy problems），让AI来处理它们’，”她说。“而我们现在看到的情况略有不同，更多的是在流程和时间上实现渐进式改进，但并非解决那些重大难题。” 她说，许多组织仓促投入到需要很长上市时间和投资回报周期的庞大AI项目中。“如果我一开始就用AI来解决我最大的问题，那可能是一个长达一年的项目，”Wynkoop补充道。“我可能需要先清理大量数据，还可能需要修改GPT代码。”
二、市场已经改变
Gartner的Lovelock表示，经历了过去两年的AI POC“淘金热”之后，市场动态在2025年发生了转变。不再是CIO们主动去寻找构建或购买AI工具，而是软件供应商将他们的附加AI产品推销给CIO们，而CIO们自身也在寻求对生成式AI成果采取更务实的态度。
“我们习惯于CIO们主动出去购买软件，而今年，他们将被推销[AI]软件，”他说。“过去，他们心中有想法，有问题要解决，这是有方向性、有意图的。他们掌控着局面。” Lovelock说，在某些情况下，CIO们对于是否购买附加的AI产品将别无选择。 “今年，几乎每家软件公司，对于几乎每一款产品，如果还没有的话，都会推出生成式AI功能，”他说。“销售人员会给他们的客户打电话说，‘我们有生成式AI了’，而在某些情况下，你某天早上来上班，会发现账单略有增加，多了一个新按钮。”
与此同时，Armanino的Wynkoop表示，随着软件供应商和AI覆盖了大部分目标功能，公司构建自有AI工具的许多动机已经消失。
三、目标放小
她补充说，对于缺乏深厚专业知识的公司来说，与其用AI解决大问题，不如瞄准更小的目标可能会更有益。 “如果我从那些能快速看到成效的项目入手，建立势头，并在我组织的许多流程中实现一些效率提升，那么我就能建立起AI能力的声誉，并开始看到这些效率的体现，”Wynkoop说。“然后我就可以观察人们如何改变他们的行为，以及他们如何与AI协同工作。”
展望未来，Asperitas的Wheeler表示，许多内部开发项目可能会专注于使用内部数据训练AI模型，以创建利基（niche）功能。 “AI模型本身似乎成了一种商品，”他说。“但许多公司拥有这些定制化的数据集，他们会用自己的专有数据来训练AI模型。” AI与数据咨询公司Indicium的首席数据官Daniel Avancini补充说，这些用专有数据训练的AI模型，有潜力为采用这种方法的公司创造巨大价值。
“这是一种非常利基的产品，但如果我们能做好，对我们公司来说价值巨大，”他说。“与其搞20个POC，我们可以只专注于这一个能带来巨大投资回报率的产品。”
作者：Grant Gross 高级撰稿人
是CIO的高级撰稿人，长期从事IT新闻报道，专注于人工智能、企业技术和科技政策。他曾担任IDG新闻社华盛顿特区记者及后来的高级编辑。职业生涯早期，新闻编辑。作为科技政策专家，他曾出现在C-SPAN和大型西班牙语有线新闻网NTN24上。在更早的时候，他曾在明尼苏ダ州和达科他州的报社担任记者和编辑。
【睿观：由于内部自研AI概念验证（POC）项目普遍存在失败率高（高达88%无法规模化）、投资回报低、缺乏专业人才和资源等问题，加之软件供应商正将AI功能加速整合进其商业产品并主动推销，全球众多企业的CIO正显著地从内部构建AI转向购买和利用商业化、现成的AI解决方案。
主要观点:
POC困境与失败率高企：
大量始于GenAI热潮期的内部AI POC项目未能达到预期效果或规模化部署（IDC数据称88%失败），尤其对于缺乏AI基础的企业失败率更高（超50%）。项目失败源于技术挑战、数据问题、不切实际的期望以及缺乏明确的成功标准。
资源与专业能力瓶颈：
成功构建和部署有效的AI需要稀缺且昂贵的专业人才（“brain power”）、大量时间和预算投入，对多数企业而言，自研的投入产出比不高（“得不偿失”）。
市场动态逆转（从拉到推）：
软件供应商（包括LLM提供商和传统软件商）正积极将AI功能（特别是生成式AI）嵌入其现有产品组合中，并主动向CIO推销这些增值功能，市场从CIO主动寻求AI工具转变为被动接受供应商提供的AI能力，有时甚至是强制性升级。
内部AI开发的新焦点：
企业内部AI工作的重心正从从零构建模型转向更有价值的领域：利用企业自身的专有数据（proprietary data）来训练和微调现有的商业AI模型，以创造符合特定业务需求的、独特的、高价值的利基（niche）应用，这被视为新的竞争优势来源。
策略调整建议：
专家建议企业，特别是AI经验不足的企业，应调整策略，优先采用商业AI工具解决范围更小、能快速见效的问题（“Aiming smaller”），以此积累经验、建立内部信心和展示AI价值，为后续更复杂的应用奠定基础，而不是一开始就挑战最宏大、最困难的问题。
场景案例：
案例公司： 一家生产多种休闲零食（如薯片、饼干）和饮料的消费品牌制造商，拥有多条自动化产线和广泛的分销网络。
核心挑战：公司的明星产品是一款天然薯片，其质量（色泽、脆度、含油量）和生产良率（合格产品占总投料的比例）受主要原料——土豆的天然属性（品种、批次、季节性差异导致的淀粉含量、糖分、水分等）以及生产过程参数（切片厚度、油炸温度与时间、调味量等）的复杂影响，波动较大。传统依靠经验丰富的老师傅调整或固定的参数表难以实现批次间的精细化最优控制，导致部分批次次品率偏高，原料浪费和成本增加。
AI应用：基于专有数据的产线优化模型
该企业没有从零开始构建复杂的AI模型，而是选择了一个成熟的商业AI平台提供的通用预测与优化算法框架。他们利用自身积累的大量专有数据对该通用模型进行训练，这些数据包括：
原料数据：
每个批次土豆的详细检测指标（淀粉、糖分、水分、尺寸分布等）。
过程数据：
对应批次的产线参数记录（切片厚度设定、油炸温度曲线、油炸时间、调味量等）。
设备数据：
产线上传感器（如油温、颜色、水分传感器）的实时读数。
品控数据：
成品薯片的详细质检结果（色泽评分、脆度测试值、含油量百分比、破碎率、口味评分等）。
结果数据：
每个批次的最终良率和废品率统计。
训练后的利基(Niche)功能：这个经过该企业专有数据深度训练的AI模型，能够针对每一批进料土豆的具体特性，实时预测并推荐最优的生产参数组合（例如，特定糖分含量的土豆应该匹配何种油炸温度曲线和时间，才能最大概率获得最佳色泽和最低废品率）。它可以给产线操作员提供精确的调整建议，甚至在系统集成后实现部分参数的自动闭环调整。
应用价值分析：
效率 (Efficiency):
提升良率：
通过精准控制，显著降低因原料波动造成的次品率，直接提升合格产品的产出效率（例如，良率提升2-3%）。
减少调试时间：
新批次原料上线时，AI能快速给出推荐参数，缩短人工反复试验调整的时间，提高产线有效运行时间。
优化操作：
为操作员提供数据驱动的决策支持，减少因个人经验差异导致的操作不一致性，使整体生产过程更稳定高效。
增长 (Growth):
提升产品一致性：
更稳定的产品质量（色泽、口感更均一）有助于提升消费者满意度和品牌忠诚度，支持市场份额增长或维持溢价能力。
释放有效产能：
良率提升意味着在相同投料下产出更多合格品，间接增加了有效产能，能更好地满足市场高峰需求或拓展新客户。
加速创新（潜力）：
该模型可扩展应用于新口味或新工艺研发，通过模拟预测帮助研发团队更快找到接近最优的生产参数，缩短新品上市时间。
成本 (Cost):
降低原料损耗：
最直接的价值，减少了因炸糊、颜色不达标、破碎等原因造成的土豆、食用油、调味料等原料的浪费。
节约能源：
更优化的油炸时间和温度控制可能带来单位产品的能耗降低。
减少品控成本：
次品减少意味着花在分拣、返工或废品处理上的人工和管理成本降低。
降低潜在风险成本：
稳定的高品质能降低因质量问题引发客户投诉、退货甚至召回的风险及相关成本。
结论：这个案例展示了休闲食品并非追求多个泛泛的AI POC，而是聚焦于一个能利用其核心专有数据解决关键痛点的应用。通过将通用AI技术与其独特的生产知识相结合，训练出一个“懂”薯片生产的专用模型，从而在效率、增长和成本三个维度上都创造了显著且独特的商业价值，实现了远超零散POC的AI 项目投资回报率。
