导语：2023年生成式 AI 爆火时，每家公司都在疯狂搞“黑客马拉松”，无数炫酷的 AI 原型如雨后春笋般涌现。但两年过去了，MIT 的一份报告给所有人泼了一盆冷水：约 95% 的生成式 AI 试点项目，未能产生任何可衡量的商业影响。
为什么在隔离的实验室里跑得飞起的模型，一放到真实的业务环境中就“见光死”？
死于“演示到生产的鸿沟”
自动化工具独角兽 Zapier 的高管一针见血地指出：AI 的难点从来不在于 AI 本身，而在于它周围的“编排协调”。一个 AI 生成的内容，如果还需要人类手动复制粘贴到另一个系统，如果卡在漫长的安全合规审查里，或者与现有的数据源完全脱节，那它就只是一场昂贵的“玩具演示”。
失败的早期信号：隐秘的“拖延症”
你的 AI 项目是否也陷入了这种怪圈？汇报时高管听到的总是“即将发布”，但实际落地日期却一拖再拖。这周是因为“要解决接口集成”，下周变成了“等待安全评估”。更致命的是，很多项目从一开始就只是为了“用 AI 做点什么”，而不是为了解决用户的真实痛点，结果就是上线后毫无反响。
该抢救还是该“拔管”？
如果你的项目已经卡在“即将上线”的状态超过两个周期，是时候做决定了：
如何抢救？停止盯着“模型准确率”自嗨，转向“工作流性能指标”。找出人工交接的断点，明确谁对最终的业务结果（而非实验结果）负责。
何时“拔管”？别被“沉没成本”绑架。AI 领域的格局每个月都在变，一年前觉得不可行的技术现在可能轻而易举。如果继续投入的成本已经超过了它能带来的价值，果断砍掉它！
结语：
在 AI 时代，终止一个失败的项目绝不是认输。相反，迅速把团队从烂泥潭里拔出来，将精力和资金投入到真正有商业价值的场景中，这才是最高级的领导力。别忘了，在 AI 领域，学习的速度，永远比任何单一项目的成败更重要。
原文：如何挽救失败的AI项目？
大多数AI项目的失败源于组织内部的问题，而非模型本身。领导者需要知道何时应在内部修复并重新调整项目方向以及何时应终止项目。
图源：Paul Fleet | Shutterstock
2023年3月，自动化公司Zapier宣布内部代码红色警报，敦促各团队加速进行AI实验。AI原型在短时间内大量涌现，工作流程被重建。该公司首席人力与AI转型官Brandon Sammut（布兰登·萨穆特）表示："那种能量令人难以置信，团队正在构建AI驱动的工作流程。"
然而，很少有自动化流程能够真正投入生产。虽然模型在隔离环境中运行良好，但它们无法在Zapier现有工具、数据源、审批流程和人工工作流程的复杂网络中存活下来。
Sammut（萨穆特）补充道："就在那时，我真正理解了这一点——AI的难点不在于AI本身，而在于它周围的编排协调。"
他所说的"演示到生产的鸿沟"只是AI项目偏离轨道的众多原因之一，数据碎片化、治理薄弱、领导者与一线团队之间的脱节往往使问题雪上加霜。数据也反映了这一点。MIT（麻省理工学院）《2025年商业AI现状》报告估计，约95%的生成式AI试点未能产生可衡量的商业影响。
AI的采用确实很混乱，比一些估计所显示的要复杂得多，这已不是什么秘密。因此，C级高管必须识别AI项目何时正在偏离轨道以及是否值得挽救。不过，凭借正确的策略，一个陷入困境的实验可以转变为真正服务于企业的项目。
普华永道美国及全球首席AI工程官Scott Likens（斯科特·利肯斯）表示："AI不应仅凭乐观情绪维持，它需要可观察、可重复且与商业价值挂钩的成果。"
一、失败的早期迹象
问题迹象往往在早期就会浮现。一个常见迹象是项目看似在推进，但投入实际使用的日期却一再推迟。Sammut（萨穆特）说："再过几周变成'我们需要解决集成问题'，然后变成'我们在等待安全审查'。每次延迟单独看都合情合理，但综合起来就形成一种模式。"
另一个项目走向失败的迹象是领导者与执行者之间的鸿沟。高管往往认为自己对项目有清晰的了解，而实际执行工作的工程师和运营人员却说，日常摩擦中的许多问题并未被看见。曾经有一段时间，Sammut（萨穆特）相信项目进展顺利，因为他听到了里程碑和发布日期的汇报。但仔细查看后发现，团队正卡在集成积压和政策延迟上——这些问题在高管汇报中很少被提及。
在其他情况下，项目失败是因为从未被领导层视为优先事项。网络安全软件提供商Fortra的数据科学经理Eli Vovsha（伊莱·沃夫沙）就经历了这种情况。大约在2022年，他和一位同事着手将一个黑客马拉松原型转化为由强化学习驱动的生产就绪系统。
Vovsha（沃夫沙）和他的同事交付了概念验证（PoC），但从那之后，事情就停滞了。他说："经过各种延迟后，项目最终被彻底放弃。"
回顾往事，他补充道，这项计划之所以受挫，是因为领导层从未将其视为真正的优先事项。他说："这种缺乏真正关注意味着我们的工程师同事不得不反复推迟工作，因为更高优先级的任务不断出现。"
事后看来，他并不质疑自己做出的技术决策，这是一次战术性的教训。他说："作为项目经理，我会非常谨慎地确保该计划与相关产品经理的愿景和路线图保持一致，并且有内置的杠杆来保证工程支持。"
Likens（利肯斯）表示，他观察到许多AI计划在偏离明确的商业目标时失去动力。他说，在AI领域，灵活性比所有权更重要，重新聚焦于由更强大的数据和治理支持的特定商业问题，可以帮助团队更快地行动并交付持久的成果。
但并非所有警示信号都容易察觉。有些很微妙，容易被忽略——比如项目从议程中淡出，人们不再谈论它，更新变得模糊，曾经围绕它的兴奋情绪让位于礼貌的沉默。这就是为什么高管需要关注那些没有被说出来的东西。如果项目已经部署，他们还应该关注用户反馈。澳大利亚软件工程师Sean Goedecke（肖恩·戈德克）在自己的网站上撰写关于AI和大公司动态的文章。他说："主要需要关注的是积极用户反馈的缺失，最成功的AI产品都能立即与用户产生共鸣。"
他补充说，失败的AI项目通常是因为它们被"要用AI做点什么"的冲动所驱动，而非解决用户的真正问题。
二、挽救失败的项目
有些AI项目具备挽救价值，但恢复需要从技术导向转向业务价值导向的思维转变。不过，这些项目不应被视为技术实验。领导者需要转而关注工作将如何为业务交付真正的价值，这意味着将这些项目整合到实际工作流程中，分配明确的所有权并设定可衡量的结果。
Likens（利肯斯）说："第一步是从模型性能指标转向工作流程性能指标，要问的是业务成果是否在改善，而不是模型是否准确。"
要想有任何挽救失败AI项目的机会，组织需要了解实际正在发生什么，而非领导层认为正在发生什么。然后，重要的是找出编排协调的缺口在哪里以及真正阻碍进展的是什么。
Sammut（萨穆特）说："我们不再孤立地看待模型性能，而是审视整个工作流程。"这意味着要问：手动交接点在哪里？人们在哪里将结果从一个系统复制到另一个系统？在AI产出与团队实际需要采取行动之间，流程在哪里断裂？
一旦回答了这些问题，公司就可以采取具体措施。Sammut（萨穆特）和他的同事建议分配明确的所有权。他说："必须有人对生产结果负责，而不仅仅是实验。"
他们进一步投资于更早的集成规划，敦促团队在截止日期临近之前就系统、数据流和工作流程依赖关系提出尖锐问题。他们从流程一开始就建立治理，而不是让合规和安全审查在后期作为意外障碍浮现。此外，他们标准化了工具，使团队在同一平台上工作并优先开展培训，帮助员工学习如何使用新技术并适应工作流程。
Sammut（萨穆特）说："当团队共享共同的基础和相互学习的方式时，每个新项目都建立在上一个的基础上，而不是从头开始，这就是如何将单次实验转化为可复用的项目能力。"
他还坚持认为，组织在开发AI项目时需要使用三支柱框架，即每个计划都应在效率、质量和员工体验方面带来可衡量的改进。他说："仅靠效率会导致岗位流失、恐惧和抵制，仅靠质量无法证明投资的合理性，如果执行工作的人讨厌新流程，它就不会持续下去。"
他补充说，如果更早应用这一测试，他的团队就能更快终止较弱的尝试，并将时间和投资集中在显示出真正前景的项目上。
三、何时终止AI项目
组织往往在项目前景黯淡后，仍持续维持存在问题的AI项目。终止AI项目可能令人痛苦，尤其是在数月工作和公开支持之后。但经验丰富的高管表示，知道何时停止是游戏的一部分。终止一个陷入困境的项目可以释放时间、资金和人才，用于能够交付真正价值的想法。
在AI领域，技术发展迅速，这种纪律显得尤为重要。Goedecke（戈德克）说："组织应该特别愿意终止AI项目，格局变化如此之快，以前技术不可行的AI项目，如今每个月都可能成为现实，所以一个一年前的AI项目可能仅仅因为时间问题就应该被重新审视。"
Sammut（萨穆特）也见过这种模式。团队出于沉没成本思维而紧抓AI试点，仅仅因为已经投入了如此多的时间和精力就没有人愿意承认它可能行不通，于是继续投入。他说："这是个陷阱，将精力和资源重新导向更高影响力的机会，比继续向不会带来改变的东西倾注资源要好。"
他建议终止那些证明影响力低于预期，或即使在最佳情况下成本也超过其可能交付价值的项目。
Sammut（萨穆特）说："如果一个试点已经几乎准备好投入生产超过两个周期，却没有解决明确、具体的障碍，那可能就到了直接讨论是否重新设计或停止的时机。"
不过，停止项目并不意味着浪费背后的工作。有时，将团队转移到不同的项目可以加速进展，而非停滞。他说："这里的元教训是，学习速度比任何单一项目都重要，如果终止一个项目能让你的团队在更好的项目上更快学习，那就不是失败，而是好的领导力。"
四、应对疑虑
AI项目承载着巨大的期望。它们以大胆的承诺、雄心勃勃的时间表和快速转型的希望启动。Likens（利肯斯）说："当它们未能交付时，可能感觉像是一次公开的挫折，尤其是考虑到AI的可见性。"
当他们未能达到预期时，这种压力可能会非常个人化。Sammut（萨穆特）说："确实会有一个充满怀疑的时刻，你会反思是不是对项目推进力度把握不当，你会想人们是否因为一个停滞的项目而对更广泛的AI战略失去信心。"
构建这些AI项目的团队也感受到了。工程师和产品经理可能变得更加谨慎，不太愿意冒险或提出大胆的想法。随着时间的推移，这种犹豫可能比任何单一的失败项目更能减缓创新。
Sammut（萨穆特）补充说："存在真正的风险，即人们会认为AI实验存在风险或AI价值被过度宣传。这两个结论都是错误的，但它们是事情没有按预期进行时的自然反应。"
在这些情况下，透明度很重要。Sammut（萨穆特）说："当某事不奏效时，我们会以一种将经验视为输入而不是责备的定论来讨论原因。"
在AI这样快速发展的领域，这种开放性可以是一种竞争优势。他补充道："我们将公开学习和分享我们所学到的，无论是否成熟。"
