为什么95%的人工智能试点从未影响过损益表

试点并没有败在输出上

NANDA的研究人员访谈了52家组织，并对153位高管做了问卷调查。95%背后的规律不是模型有缺陷，而是这些系统从未触及发起人真正在意的那个数字。采用率高，转型度低：九个行业中有七个呈现出报告所说的「广泛试验而无结构性变化」。

这个区分之所以重要，是因为它决定了谁该负责修正。能力问题属于供应商，会在未来某个模型版本中解决。部署问题属于选择自动化对象的人。在95%的案例里，正是这个选择决定了结果。模型从头到尾都没有投票权。

---

自动化了本来就在排队等待的那一步

看一个在十几家公司都能认出来的模式。采购部门部署了一个模型来生成供应商风险摘要，把分析师两天的工作压缩到二十分钟。这个节省是真实的，也能干净地衡量。但已签署供应商合同的通过量完全没有变化，因为真正的约束是一条运行周期长达六周的法务审查队列。

这家组织自动化的，恰恰是那个正在等待它没有触碰的环节的步骤。收益是真的，队列把它全部吸收掉了。

对任何董事会来说，实际的推论是：别再问模型能做哪些任务。要问的是，工作现在在哪里等待，等多久。如果模型没有触及最长的那条队列，商业论证就只是一次会计练习。在批准试点之前测量等待时间，而不是在它令人失望之后。

---

当所有人都请教同一个神谕，误差就不再互相抵消

只有当成员的误差彼此独立时，群体的表现才会超过其平均成员。一旦误差相关，共识就会变成自信而集体的错误：有认同带来的全部安心感，却没有任何实质。

企业人工智能在设计上就让误差相关。绝大多数严肃的部署都建立在少数几个前沿模型之上。在同一家公司内部，检索跑在同一个文档语料库上，穿过同一套提示词模板，由同一个平台团队维护。五名分析师去问这套系统，他们不是五名分析师，而是同一名分析师被采样了五次。

对策不起眼，也很便宜：保留一条活的对照臂。把5%到10%的重要决策长期交给无辅助的人类判断，作为常设机制，而不是一次性审计。当有辅助与无辅助两组人群出现分歧时，你要么发现了模型的问题，要么发现了人的问题。两者都值得知道，而分歧出现的位置，很少是任何人预想的地方。

---

没有署名的判断不是控制措施

模型输出到达时是无主的。在最终的备忘录里，模型起草的段落和经过论证的段落看上去一模一样。审阅者分不清哪些句子有人愿意在被追问时辩护，哪些只是侥幸躲过了一次快速浏览。问责就这样一段一段地流失，直到链条上没有人说得出，究竟是谁真正相信那个数字。

三个字段可以解决大部分问题，适用于每一个抵达决策者的模型衍生判断：谁为它的正确性负责，是什么上下文产生了它，以及用一行字说明什么会让这个人改变看法。然后把判断存下来，而不是每次按需重新生成。存下来的判断有作者，也有日期。重新生成的判断每次问都不一样，不对任何人负责，而且每看一次就再向你收一次费。

这与让智能体在一开始就可被审计的纪律是同一件事。相关论证见人工智能智能体为什么会作弊，以及真正管得住的治理。

---

在迪拜，停留在实施前阶段的真实代价

海湾合作委员会地区的63%不是技术上的落后。该地区的领导者预期人工智能会带来影响：在同一份Deloitte调查中，93%预测会出现显著的组织层面影响。差距落在授权与第一个真正可用的系统之间，而那里恰恰是95%失败模式的温床：漫长的评估、宽泛的框架、为证明某个论点而不是为推动某条队列而设定范围的试点。

出路是窄范围加上已测量的基线。一个流程，一位责任人，一条你能在前后都计时的队列。一个在一天结束前就真正接管了一块实际工作的系统，是任何战略汇报都无法反驳的事实依据，也是唯一能把一家组织带出那63%的证据。

---

挑出工作等待时间最长的那个流程，从那里开始。诊断日会选取你的一个流程，在上面构建一个能运行的智能体，并在当天傍晚交给你测量出来的前后对比，这正是95%的反面。如果试点的坟场已经塞满了，五步咨询方法的第一步是找到队列，而不是找用例。