1. 人工智能承诺重塑各行各业，但大多数公司仍难以看到成效。 2. 尽管投资创下纪录，但几乎所有人工智能项目在产生实质性影响之前都陷入了停滞。 3. 为什么这么多项目会失败？ 4. 是什么将少数成功案例与其余项目区分开来？ 5. 本文探讨了“生成式人工智能鸿沟”（GenAI Divide）。 6. 分享了帮助企业跨越该鸿沟的战略。 7. 人工智能技术正在重塑商业格局。 8. 企业在人工智能转型上面临普遍困境。 9. 巨额投资并未自动转化为实际商业价值。 10. 项目停滞是当前人工智能应用的普遍现象。 11. 探究导致人工智能项目失败的核心原因。 12. 分析成功应用人工智能的企业的关键特征。 13. 识别并理解“生成式人工智能鸿沟”的存在。 14. 提供切实的战略规划以实现成功转型。 15. 总结全文并展望企业人工智能的未来路径。 麻省理工学院 NANDA 报告.
1.导言：人工智能的前景与问题
人工智能 (人工智能（AI）被誉为 21 世纪最具变革性的技术。随着机器学习、自然语言处理以及最近的生成式人工智能的兴起，企业纷纷抢着采用这些工具；然而，公司的方法可能是成功与无法实现价值的分水岭。然而，尽管在人工智能研究、基础设施和试点方面投入了数十亿美元，但大多数企业都未能看到可衡量的回报。.
最近的一项现实调查显示，尽管人工智能项目被广泛炒作和采用，但仍有 95% 的组织报告称，这些项目几乎没有产生任何价值。造成这种分歧的原因并不是技术本身缺乏创新，而是技术的应用、整合和管理方式。.
本文探讨了人工智能项目失败的原因、“GenAI 鸿沟 ”对企业意味着什么，以及哪些战略可以帮助企业释放人工智能的真正潜力。.
2.人工智能的应用规模
诸如 ChatGPT、Midjourney 或 Copilot 等生成式人工智能工具已经家喻户晓。全球数百万员工每天都在试用它们。银行、医疗保健和零售等行业的采用率很高。然而，采用并不等于转型。.
虽然试点项目很容易启动，但要将它们转化为可投入生产、产生价值的系统则要困难得多。许多组织都陷入了试点炼狱（pilot purgatory），运行着多个人工智能实验，却从未将其扩展到对业务至关重要的流程中。.
3.解释 GenAI 的分歧
“生成式人工智能鸿沟”（GenAI Divide）指的是人工智能应用与人工智能转型之间的差距。一方面，有些组织将人工智能视为一项新奇的尝试，开展彼此孤立的试点项目，却未能对核心工作流程产生影响；另一方面，则有少数约5%的组织成功整合了具有自适应和学习能力的系统，从而实现了运营转型。.
这种鸿沟与获取技术无关。如今，每个组织都可以使用功能强大的模型。真正的区别在于方法和整合。.
4.人工智能项目失败的常见原因
为什么大多数人工智能项目都会失败？这其中有几个反复出现的主题：
- 缺乏明确的目标：许多项目在开始时都没有明确的业务目标。.
- 不切实际的期望：企业高估了人工智能的短期潜力。.
- 数据质量差：数据质量差会导致人工智能模型产生有偏差或不正确的结果，当模型在有偏差、不完整或不相关的数据集上进行训练时，就会导致项目失败。.
- 集成差距：试点项目孤立运行，无法扩展到实际系统中。.
- 文化阻力：员工往往缺乏培训或不信任人工智能产出。.
麻省理工学院和麦肯锡的研究表明，多达 80% 的人工智能试点项目从未投入生产，这凸显了执行力而非雄心壮志才是主要瓶颈。.
5.数据的作用：垃圾进，垃圾出
人工智能的好坏取决于它所消耗的数据。高质量、管理良好的数据是成功的关键，但许多组织却低估了这一要求。标注不清的数据集、缺失值以及训练样本缺乏多样性往往会削弱人工智能计划。在现实世界的部署中，不良的数据实践是人工智能失败的主要原因。.
涵盖收集、治理、清洗和标注的强大数据管理实践绝非可有可无的附加项。没有它们，AI项目就会在不良输入的重压下崩溃。.
6.不具规模的试点
人工智能试点之所以诱人，是因为它们启动迅速，易于展示。但是，没有扩展战略的试点是注定要失败的。许多高管都在庆祝概念验证演示，但这些演示却从未过渡到企业工作流程中。.
关键问题应该是 “这一试点将如何融入我们的日常运营、系统和关键绩效指标？” 如果答案不明确，项目就已经走向失败。有效的项目管理对于确保试点项目成功扩展到生产系统至关重要。.
7.错位的使用案例
人工智能计划往往是追逐炒作，而不是解决紧迫问题。例如，50% 的人工智能生成预算被分配给了销售和市场营销。 市场营销 项目，主要是因为它们能产生可见的产出。然而，研究表明，后台自动化往往能带来更好的投资回报率。.
成功的项目始于真实的痛点——即那些通过自动化、预测或洞察可以显著提高效率或客户体验的流程。识别出实际的使用场景有助于选择最有效的解决方案，确保所选的方法真正解决潜在的业务问题。.
8.人类与人工智能的合作：不是替代，而是合作
与人们普遍担心的相反，人工智能并不是要完全取代人类。相反，最成功的项目设计的是 "人在回路中 "的系统，人工智能可以增强而不是取代人类决策。.
例如，人工智能可以分流客户查询，将简单的问题标记为自动化问题，将复杂的问题升级为人工代理问题。这种混合模式可以建立信任、降低风险，并取得比人工智能或人类单打独斗更好的结果。建立一支技术熟练的团队来管理和监督人类与人工智能的合作，对于确保这些系统有效运行并取得最佳结果至关重要。.
9.人工智能影子经济
一个显著的趋势是“影子AI员工”的兴起，即员工非正式地使用生成式工具来提高生产力。无论是撰写报告、总结会议还是自动处理电子表格，这些个人的AI小技巧往往比正式的计划带来更好的投资回报率。通常正是为任务选择了正确的工具，才促成了这些非正式的成功。.
具有前瞻性思维的组织不会忽视或惩罚影子人工智能，而是对其进行研究和学习。非官方使用的模式可以为官方战略提供参考，帮助领导者了解人工智能真正的增值点。.
10.人工智能系统适应性的重要性
通用、静态的模型很快就会达到其局限性。能够适应反馈和环境的学习型系统才是未来。缺乏适应性，人工智能就会变得脆弱——在演示中很有用，但在复杂、多变的工作流程中却毫无用处。.
跨越生成式AI鸿沟的初创公司往往倾向于构建范围狭窄但高度自适应的系统。它们优先考虑领域流畅度——即对特定行业或流程的深入了解——而非广泛的通用能力。这些自适应系统被视为活的产品：即动态的、可运营的实体，它们通过实时反馈和人工监督不断受到监控、版本迭代和改进，从而确保持续的业务影响并无缝集成到企业工作流中。.
11.了解人工智能模型和解决方案
区分您的AI项目成功与彻底失败的关键因素是什么？是对AI模型和解决方案的深入、务实的理解。在您盲目追赶采用人工智能的浪潮时，您忽视了驱动高效AI项目的复杂性。这种疏忽正是导致您AI项目失败的主要原因——您低估了高质量数据、稳健的训练数据以及机器学习模型细微差别的重要性。.
在当今的商业世界中，你的AI领航员未能带来可衡量的回报。这种“生成式AI鸿沟”不仅仅在于你是否能获取最新的AI工具或最近的软件更新，而在于你是否真正理解AI系统的工作原理、它们的局限性是什么，以及如何将它们与你的实际业务需求相契合。在炒作驱使下，你过高的期望导致你投资于那些在演示中令人印象深刻但在实际生产中却差强人意的AI功能，特别是当你忽视了边缘情况和集成挑战时更是如此。.
数据科学和数据科学家的专业知识是每个人工智能项目取得成功的核心。这些专业人员可确保您的人工智能模型在优质数据的基础上进行训练，经过严格测试，并能保留反馈信息和适应新情况。如果没有这个基础，即使是最先进的人工智能技术也会产生不可靠的结果，导致可衡量的零回报和投资浪费。.
麻省理工学院的研究和人工智能事故数据库等资源突显了你们反复出现的问题：人工智能项目失败的最常见原因是对底层模型理解不足、测试不充分以及缺乏对解决实际问题的关注。对于中端市场公司和大型企业而言，经验教训是很明确的：你们的成功不仅仅取决于部署人工智能工具。你们需要致力于理解这些工具如何运作、它们如何与你们的现有系统集成，以及你们如何调整它们以交付真正的价值。.
将这种理解放在首位的企业能够更好地驾驭人工智能计划的复杂性。你们认识到解决集成难题、规划边缘案例以及确保人工智能模型随着业务需求变化而发展的重要性。这种方法不仅能降低人工智能项目失败的风险，还能最大限度地提高投资回报，将人工智能从成本中心转变为业务增长的真正驱动力。.
在一个向人工智能项目投资数百万美元、且成败一线之隔的商业环境中，理解并控制人工智能模型与解决方案的能力至关重要。那些专注于这种理解、而不是单纯依赖炒作或最新技术的团队和领导者，更有可能交付能够规模化成功、提供可衡量回报并解决实际业务问题的项目。.
最后，从过去的错误中吸取教训至关重要。人工智能事件数据库为您提供了宝贵的见解，让您了解人工智能项目失败的原因，从而加强您对严格研究、专注和持续教育的需求。通过将理解作为您发起的每项人工智能计划的基石，您可以弥合 GenAI 鸿沟，并确保您在人工智能方面的投资能够带来持久、变革性的价值。.
11.成功建设者的经验教训
如今蓬勃发展的人工智能公司都遵循一个共同的模式：
- 他们建立的适应性系统会随着时间的推移而不断改进。.
- 它们专注于特定的高价值用例，而不是庞大的功能集。.
- 他们优先考虑工作流程整合，将人工智能嵌入日常业务流程。.
这与那些只制作华而不实的演示而不将其嵌入员工实际使用的工具中的公司形成了鲜明对比。.
12.成功买家的经验教训
在买方方面，最有效的组织对待人工智能采购更像是业务流程外包（BPO），而不是传统的软件即服务（SaaS）。他们要求
- 根据他们的工作流程量身定制。.
- 基于成果，而不仅仅是功能。.
- 与供应商合作，共同开发解决方案。.
这种思维方式将人工智能从 “你安装的产品 ”转变为你发展的合作伙伴关系。.
13.下一个前沿：代理网络
展望未来，人工智能正朝着具身智能网络（agentic web）发展——这是一个无需人类不断干预就能进行通信和协调任务的自主系统网络。这些变化已经在某些行业中发生，自主系统正被整合到工作流程中，并重塑着工作的组织方式。诸如 MCP（模型上下文协议）和 A2A（智能体到智能体）等新兴协议正在为此铺平道路。.
在未来，系统将不仅仅是生成文本或图像，它们还将记忆、计划和行动，在最小的监督下适应各种工作流程。现在就为这一转变做好准备的公司将最有可能获得未来的价值。.
14.跨越 GenAI 鸿沟的战略
组织如何才能弥合试点采用与有意义的转型之间的差距？主要策略包括
- 确定明确的目标：将每项人工智能计划与可衡量的业务成果挂钩。.
- 投资数据：优先考虑治理、多样性和相关性。.
- 专注于投资回报率高的用例：切勿盲目跟风，要在关键领域实现自动化。.
- 支持人类与人工智能的合作：让人们参与监督和信任。.
- 从影子人工智能中学习：研究非官方采用模式，为正式战略提供指导。.
- 战略合作：将人工智能供应商视为合作者，而不仅仅是供应商。.
- 选择适应性强的系统：优先选择具有学习能力的工具，这些工具会随着使用而不断发展。.
如果没有这些战略，企业的人工智能投资将面临零回报的风险。.
15.结论：从失败到转变
当今人工智能的故事是潜力与实践的较量。尽管投资达数十亿美元，但只有极小一部分项目能够带来有意义的回报。生成式AI鸿沟表明，问题并非出在技术本身，而是出在方法、集成和执行上。.
通过从失败中吸取教训、接受适应性和优先考虑整合，企业可以将人工智能从成本中心转变为增长动力。未来不在于试点，而在于能够学习、协作并改变工作方式的系统。.
