多数人工智能项目并非失败，而是停滞

试点是为成功而设计的。项目不是。

试点是一个受控环境。它有明确的范围、一支有干劲的团队、被保护起来的资源时间，以及能推动事情往前走的高层背书。这些条件并不具有代表性。它们证明的是一项技术可行，而这与证明一个组织能够运营它，是两个不同的问题。

试点结束后，这些条件大多会消失。管理层的注意力转向下一个议题。核心团队解散。试点期间被绕过的IT工单队列，如今成了依赖项。在沙箱环境里花三周的集成，面对一套2009年建成的生产系统时要花九个月。

Deloitte 的 2025 年人工智能采用调研发现，41%的停滞项目把资源争夺与优先级冲突列为首要原因。模型表现、成本和监管摩擦几乎排不上号。技术一直在正常运转，是组织停止了对它的保护。

---

流程从来不是为人工智能设计的

第二类停滞更偏结构性，也更难靠组织手段修补。多数企业流程是按人来执行设计的。每一步都含有模糊地带、例外处理和主观判断。这从来不是设计意图；是人吸收了这些复杂性，所以没人需要把它写清楚。

人工智能无法吸收未被记录的复杂性。它需要先定义好流程边界，才能在边界内稳定运转。那些不重新设计既有人工流程、直接把人工智能塞进去的组织，最终是在一套人本系统上盖了一层人工智能形状的外壳，而性能上限由它所触及的、由人设计的最薄弱那一步决定。

Deloitte 的研究把这一点认定为预测生产环境失败的最强单一因素：在部署之前就按人工智能优先重新设计流程的组织，在可衡量的投资回报上比未这样做的组织高出三倍。这种重新设计是一个流程架构项目，而不是技术项目，并且必须在模型上线之前完成。

---

没有人对生产环境负责

在试点里，权责是清楚的，因为它被限定了。项目负责人在既定范围内拥有权限。当项目扩展到这个范围之外，权责就变得有争议，而有争议的权责是停滞的可靠先兆。

这个模式在各类组织中高度一致：做出试点的团队，没有权限强制推行生产环境所需的流程变更。拥有该权限的团队没有参与试点，也不觉得自己要对试点结果负责。治理机制不是为规模化设计的，因为没有人预料到规模化才是那个问题。

KPMG 关于首席财务官与首席信息官决策的研究发现，人工智能投资是否停滞，最清晰的预测指标不是预算或能力，而是在生产规模上缺少一个被明确指定的负责人。当两位管理者在没有区分角色的治理框架下共同宣称负责，实际结果就是谁都不负责。试点越来越多，却什么都上不了线。

---

投资回报框架是在商业论证之后才补上的

多数企业人工智能项目都在衡量错误的东西，而且衡量得太晚。试点产出的是准确率指标、延迟数字和用户满意度评分。这些指标证明模型可用。而要向一位眼看着5,000万美元离开预算的首席财务官论证继续投入，需要的是另一套指标。

那些成功把人工智能规模化的组织，会在搭建技术架构的同时搭建投资回报的度量架构，把它当作一条活的反馈回路，而不是事后补写的报告：追踪对利润率的影响、从高价值岗位上收回的时间，以及人工智能所触及流程中的错误率。正是这些数据，把一个成功的试点变成一个拿到预算的项目。

PwC 的 2026 年 CEO 调研发现，事先定义了生产投资回报门槛的组织，成功实现规模化的可能性是事后回溯衡量表现的组织的三倍。这道门槛，是迫使项目在规模化之前就回答首席财务官事后必然会提出的那个问题的机制。

---

那些真正突破的组织做了什么不一样的事

能够从试点走向规模化生产的项目，总体上并不是在人工智能本身上更强，而是在人工智能运转所需的条件上做得更好。

它们把流程重构当作前置条件，而不是上线后的优化。在模型投入运行之前，它将要运转其中的流程已经围绕明确的输入、有边界的决策类别和定义好的升级路径重新搭建过 — 于是人工智能遇到的是一个为它设计的流程，而不是一个需要它绕开的流程。

它们在试点结束之前就把权责定下来。负责生产规模、变革管理和长期治理的团队，在试点交出第一个结果之前就已经被指定并配好资源。当试点的发起人转身去做别的事时，谁对这个项目负责不存在任何模糊。

它们从一开始就把财务度量建进去。投资回报门槛写在商业论证里，而不是写在复盘里。用于衡量业务影响（而非模型准确率）的数据基础设施，被当作技术需求，而不是报表任务。

这些在道理上都不复杂。它们之所以被反复跳过，是因为试点奖励速度和受控条件，而生产恰恰奖励那些会拖慢试点的组织性基础设施。想明白这一点的组织，并没有在等技术变得更好。它们在建设技术早已需要的条件。

---

人工智能的投资周期不会放缓。那些对两年前自己批准的试点索要生产结果的董事会，也不会变得更有耐心。对多数组织来说，问题不是要不要规模化，而是为试点搭建的那套项目架构，能否在接触生产环境后存活下来。

对多数组织而言，答案是不能。这与其说是技术问题，不如说是设计问题，而它有解。