在企業中的某個領域，或許正有一個AI項目正在走向失敗，可能它是一個旨在將銷售額提升30%的推薦引擎，可能它是一個旨在大幅減少停機時間的預測性維護系統，又可能是一個本打算徹底改變響應時間的客戶服務聊天機器人。這些雄心勃勃的計劃上落滿的灰塵，代表的不僅僅是資源的浪費，還有期望的破滅，這讓未來推動創新變得更加困難。

期望與現實之間的差距

把AI項目想象成冰山。高管們在供應商演示和技術雜志上看到的，是閃閃發光、露出水面的尖端——那些已經完成、被打磨得光彩照人的成功案例，而隱藏在水面之下的，是使這些成功成為可能的數據準備、基礎設施要求、人才需求和企業變革管理等龐大的底層結構。

這種期望與現實之間的差距，或許是AI項目失敗最根本的原因。有一種持續存在的神話，認為AI是一種神奇的技術，你可以像貼高科技創可貼一樣，簡單地將其“應用”到商業問題上，而真相則更加復雜。

以我曾提供咨詢的一家全球消費品公司為例。他們的高管團隊受到演示文稿的啟發，演示文稿展示了AI如何優化供應鏈，于是他們斥資250萬美元啟動了一項旨在實現這一目標的計劃。12個月后，他們擁有了復雜的算法，但這些算法根本無法使用，因為沒有人解決其27個遺留系統中支離破碎、不一致的數據問題。這個AI解決方案就像是你只有土路可走，卻買了一輛一級方程式賽車。

數據困境

如果說有一個因素比任何其他因素都更能導致AI項目失敗，那就是數據質量差和治理不善。企業往往低估了AI有效運行所需的數據數量和質量。

事實是，AI系統從根本上來說是數據處理引擎。向它們提供劣質數據，你將得到糟糕的結果——這是自20世紀50年代以來就存在的原則，計算機科學家稱之為“垃圾進，垃圾出”，但不知為何，這總是讓高管們感到驚訝。

我曾與一家醫療系統合作，他們想使用機器學習來預測患者再入院情況。在開發進行到六個月時，團隊發現他們的歷史患者記錄(即他們用來訓練AI的數據)在不同設施中對各種疾病的編碼方式存在顯著偏差。AI正在學習這些不一致之處，而不是真正的醫學模式。這就像試圖用一本有一半定義錯誤的字典來教某人一種語言。

忽視人的因素

另一個致命錯誤是將AI的實施視為純粹的技術挑戰，而不是需要人類采用和整合的社會技術挑戰。

我記得有一家制造公司花費了180萬美元購買了一套AI系統來優化生產計劃。該技術在測試中運行得完美無缺，但在工廠車間，主管們繼續使用他們的傳統方法，完全忽略了AI的建議。為什么?因為沒有人讓他們參與開發過程，向他們解釋系統的工作原理，或解決他們關于系統如何影響他們角色的合理擔憂。

AI項目并不是孤立地失敗的;它們是在抗拒變革的人類系統中失敗的。如果人們不使用，那么世界上最好的技術也一文不值。

戰略脫節

許多AI項目從一開始就存在一個關鍵缺陷：它們與真正的商業問題和戰略目標缺乏明確的聯系。它們是尋找問題的解決方案，而不是相反。

我曾目睹一些企業因為競爭對手正在這樣做，或者因為高管層在商業雜志上讀到了這項技術，而啟動AI計劃。這些項目注定會失敗，因為它們沒有與具體、可衡量的商業成果掛鉤。

想象一下建造一座橋。你不會在沒有確切知道你要連接哪兩個河岸，以及為什么人們需要過河的情況下就開始建造，然而，公司卻經常在沒有明確成功的樣子或如何衡量它的情況下就開始實施AI項目。

人才和治理短缺

AI人才缺口仍然巨大。數據科學家供不應求，而那些同時具備技術專長和商業敏銳度的人才更是鳳毛麟角。

除了人才問題，許多企業還缺乏AI計劃的適當治理結構。誰負責這個項目?當速度、成本和質量之間需要權衡時，由誰來做出決策?沒有明確的責任制和決策框架，AI項目就會陷入模糊，最終失敗。

我曾與一家電信公司合作，他們有七個不同的部門各自獨立開發AI解決方案，沒有任何協調。這導致了重復的努力、不兼容的系統，以及最終花費了數百萬美元后多個項目的取消。這是數字達爾文主義最糟糕的表現——各個計劃爭奪資源，而不是為實現共同目標而協作。

跳過基礎工作

把企業AI想象成一棟房子。你不能在還沒有鋪設地基和搭建墻壁之前就建造屋頂，然而，企業卻經常試圖在建立基本數據基礎設施和分析能力之前實施先進的AI功能。

AI不是技術上的飛躍，它是在現有能力基礎上發展起來的演變。在涉足機器學習和其他AI技術之前，成功應用AI的公司通常已經掌握了數據倉庫、商業智能和傳統分析。

我曾為一家零售商提供咨詢，他們想實施基于AI的個性化實時定價。但他們甚至無法在其各門店之間提供一致的每周銷售報告。他們試圖在學會走路之前就奔跑，不出所料，這個項目因其野心而崩潰。

前進的道路：讓AI項目取得成功

AI計劃的高失敗率并不是不可避免的。以適當的規劃、資源和期望來對待AI的企業，可以顯著提高成功的幾率。

從問題出發，而不是從技術出發。確定AI可能提供解決方案的具體商業挑戰，并明確清晰、可衡量的目標。這將項目錨定在商業現實中，而不是技術可能性中。

在算法開發之前投資于數據質量和基礎設施。請記住，AI系統的質量只與其消耗的數據一樣好。在嘗試在其上構建復雜的AI功能之前，先創建一個堅實的數據基礎。

將AI的實施視為企業變革，而不僅僅是技術部署。盡早并經常讓最終用戶參與進來，并考慮AI將如何與現有工作流程和人為判斷相結合。

采取漸進的方法，而不是孤注一擲。從提供快速勝利、建立企業信心并提供學習機會的適度試點項目開始，然后再進行擴展。

建立明確的治理機制，包括所有權、決策框架和成功指標。明確當(而不是如果)需要權衡時，誰有權做出關鍵決策。

超越炒作周期

AI不是魔法——它是一系列強大的技術，當得到妥善實施時，可以帶來非凡的商業價值，然而，這種實施需要許多企業低估的嚴謹性、現實主義和資源。

在AI方面取得成功的公司，不一定是那些擁有最大預算或最先進技術的公司。它們是那些對AI能做什么和不能做什么有清醒認識的公司，是在追求復雜功能之前建立適當基礎的公司，也是理解技術變革不可避免地也是人類變革的公司。

通過從這些常見錯誤中吸取教訓，企業可以確保其AI計劃兌現承諾，而不是成為昂貴數字失望的行列中的一員。