AI 项目失败原因：科学实验陷阱以及如何避免

很容易想象：一位孤独的科学家把自己锁在车库里数周，然后带着一项改变世界的发现走了出来。或者是一个神秘的企业秘密研发小组，他们每隔几个月才会露面，展示他们最新的突破性发明。

闭门造车（即天才们孤立地工作）曾有过辉煌时期，而且这种理念在公众的想象中仍占有一席之地。

但我要陈述一个让这种模式失效的情况，并且实际上弊大于利：企业 AI 采用。

试图闭门实施企业 AI 转型肯定会失败。将战略利益相关者、业务部门领导者和协作者排除在外，最终意味着忽视成功所需的观点和资源。

根据 IBM 商业价值研究院 (IBV) 的《2025 年首席执行官研究》，这种方法或许可以解释为什么只有 16％ 的 AI 计划在企业层面实现了规模化。麻省理工学院的 NANDA 计划最近的一份报告得出了更严峻的结论：95% 的生成式 AI 试点失败了。

在太多情况下，公司参与了多个概念验证 (POC)，而这些概念验证只不过是不切实际的科学实验。一开始可能会激发人们的惊叹（或 FOMO，正如 IBV 所指出的），但最终产生的价值微乎其微。作为一个拥有深厚金融背景的人，我知道组织可以做得更好，而不是屈从于如此微薄的投资回报。

规模化的 AI 项目可以产生超出组织内一小部分的影响，并在市场上获得真正的回报。但打破孤岛并非偶然。这需要管理层的协调和支持，包括高级管理层甚至董事会成员的协调和支持。

领导者和管理者可以帮助编排协作和系统，提高收益率并扩大影响力。例如，当多个部门各自研究不同的 AI 用例时，不同的团队会花费时间进行重复的工作，从研究使用哪些 AI 模型到制定治理方案。相比之下，当团队合在一起时，他们可以合并资源，建立一种易于扩展的统一方法，为更大的组织创造更多价值。

PepsiCo 是采用这种统一方法表现出色的一家企业。近年来，PepsiCo 与 IBM Consulting 合作创建了一个统一的技术平台，其中包含约 100 个生成式 AI 用例。我们与 PepsiCo 团队坐下来，绘制他们的数据和 AI 架构图，找出差距，并为他们最重要的生成式 AI 用例创建可重用的服务。

通过统一的技术平台提供可重用服务，使企业各团队都能利用预先批准的模型、工具和最佳实践。该平台还实现了集中可见性，确保项目符合 PepsiCo 标准，而这是通过第三方供应商临时开发无法实现的。

有了所有这些基础，PepsiCo 团队加快了实验、开发和最终上市的速度。结果是 AI 驱动的解决方案，包括高度个性化的 Gatorade 瓶身设计以及优化零售货架上的产品定位等。

正确的平台和工具对于采用可扩展、统一的 AI 方法至关重要。但是，还有两个因素可以说是同样重要：数据和文化。

数据是 AI 程序成功运行的基石。这是 AI 模型所依据的数据，也是企业用来判断某个用例是否值得开展的依据。然而，专家估计，迄今为止，只有不到 1% 的企业数据被纳入 AI 模型。这些未使用的数据为企业带来了巨大的机遇。

抓住这个机会意味着要努力巩固他们的数据基础 — 也就是说，确保他们的数据干净、有条理且安全，同时推进 AI 试点项目。就 PepsiCo 而言，该企业与 IBM Consulting 合作制定了稳健的数据战略来管理其超 60 PB 的数据。

就我们自身而言，数据组织是 IBM 利用 agentic AI 实现我们自身人力资源转型计划的核心组成部分。通过在特定领域的高质量数据集上训练和微调模型，我们开发了虚拟代理 AskHR，可自动执行 80 多项人力资源任务，现在每年可与员工进行 150 万次对话。

员工可以使用 AskHR 申请工作证明、提交休假申请，并获取从病假到薪酬等各方面的重要信息。因此，自去年以来，结果显示支持工单和运营成本大幅下降，而我们的人力资源专业人员则有更多精力专注于战略重点。

当然，如果我们的员工不愿意使用 AskHR，它也不可能达到现在的规模。这种情况也几乎适用于其他所有企业 AI 项目。企业领导者必须谨慎地围绕 AI 采用建立正确的基调和文化。

这意味着要坦诚地说明 AI 如何增强员工的工作能力，同时也要让他们做好准备，从中获益。对于后者来说，教育和技能培训计划是关键，帮助他们了解 AI 驱动的工具如何工作，以及如何最好地使用这些工具。

在许多情况下，管理者可以与员工一起学习 — 这强化了一个事实，即成功的企业 AI 采用是一项团队运动。归根结底，我们都在共同学习、共同进步、共同挑战极限。秘密研发项目和孤岛不适用。