人工智能（AI）已然颠覆全局，为各行各业许下效率、产能与创新的飞跃。然而，潜力虽好，许多公司在落地AI项目时却困难重重，结果往往未及预期。

对于期望有效利用AI的组织而言，探究失败的根源至关重要。

本文将探讨企业中AI项目失败的常见原因，并提供克服障碍的实用策略，以确保AI技术的成功整合与优化。

AI项目为何折戟

AI项目之路，关卡重重，常常阻碍其进展与实效。其结果是，多数项目最终半途而废。那么，失败率究竟有多高？

据《华尔街日报》近期一篇文章指出，AI项目的失败率高达50%。

此外，IBM在其《2023年全球AI采用指数》报告中提到，导致AI项目失败的首要原因包括：AI专业知识有限（33%）、数据复杂性（25%）和伦理问题（23%）。

让我们来看几个AI失败的实例，探究其为何没能达成积极的成果。

AI失败实例

Meta的GalacticaAI

2022年11月，Meta发布了名为Galactica的大型语言模型（LLM），并将其誉为一款能生成和总结科学内容的开创性工具。

然而，Meta这款被寄予厚望的AI，其首次亮相很快就因缺陷毕露而演变成一场灾难。

Galactica的设想是成为一个精密的AI，通过对复杂课题生成准确简洁的摘要，从而革新科学研究。Meta旨在为科研人员和教育者提供一个获取和传播科学知识的强大工具。

尽管目标宏大，Galactica的表现却远未达到预期。它没有提供可靠、信息丰富的内容，反而输出了大量充斥着不准确、偏见和无稽之谈的文本。

研究人员和用户很快发现，该AI生成的摘要常常具有误导性且缺乏可信度，这使得Galactica作为一个科学信息来源完全不可靠。

人们担忧，这款AI可能会传播错误信息，损害科学言论的严肃性。顶尖的研究者和机构纷纷发声批评，警告世人依赖Galactica获取准确信息的危险。

面对日益高涨的公众抵制和声誉受损的威胁，Meta别无选择，在Galactica发布数天后便叫停了该项目，等同于承认了这次雄心勃勃的AI探索以失败告终。

Galactica的失败是一个警示，告诫我们AI技术固有的风险与局限，尤其是在科学研究等敏感领域。这场风波凸显了在开发和部署AI系统时，严格测试、验证和监督的重要性。

加拿大航空的AI聊天机器人

2022年，加拿大航空的一名聊天机器人向一位顾客提供了关于丧亲旅行折扣的错误信息，导致该公司面临法律诉讼。

尽管航空公司辩称，应为错误信息负责的是聊天机器人而非公司，但法庭最终裁定加拿大航空败诉。此案开创了美国法庭的先例，并凸显了AI生成内容可能带来的法律影响。

此外，这项裁决也引发了关于在客户互动中使用AI技术的公司，其问责与责任归属的问题。随着AI在商业运营中扮演的角色日益重要，企业建立健全的机制来监控并确保AI生成内容的准确性，已变得至关重要。

此案提醒我们，在部署AI时，透明、准确和问责至关重要，尤其是在客户信任与满意度至上的行业。

纽约市的聊天机器人

纽约市一个旨在协助小企业的聊天机器人，给出了错误的法律建议。该机器人错误地暗示某些行为是合法的，例如解雇举报性骚扰的员工，或拒绝让员工保留其脏辫发型。

此外，它还提供了关于废物和污水处理规定的不准确信息，并暗示餐厅可以提供被老鼠接触过的食物。

为应对争议，该聊天机器人旁边的免责声明现已更新，以强调它不能提供法律建议。

机器学习项目为何失败？

随着企业越来越多地投资于AI驱动的解决方案以获取竞争优势，理解机器学习项目错综复杂的环境在当今技术生态中至关重要。

尽管机器学习前景广阔，但现实是，大多数AI项目都会遇到意想不到的障碍，无法交付预期成果。

在本节中，我们将深入探讨机器学习项目失败的多方面原因，揭示导致其衰落的技术、组织和战略因素之间复杂的相互作用。

1.AI项目的风险与复杂性

尖端的机器学习模型和算法为工业应用提供了广阔天地。从生成复杂内容的简洁摘要，到精细分类客户反馈，再到通过GPT-4等创新技术组织非结构化数据，机器学习在不同领域的应用潜力前所未有。

然而，随着机器学习模型训练所用的数据集日益多样——从传统的电子表格到复杂的音视频记录——风险管理成为一项艰巨的挑战。这种复杂性愈发凸显了制定稳健的风险管理策略以有效应对未知挑战的重要性。

许多期望驾驭AI变革力量的组织，未能主动管理因数据多样且复杂而产生的风险，这正是AI项目失败的原因。实际上，商业AI项目的失败，往往与未能充分预见和减轻部署先进机器学习技术时固有的风险有关。

2.不合格的数据模型

Gartner指出，85%的AI项目之所以失败，主要原因是数据不准确和带有偏见。准确的数据收集是成功部署AI项目的两大障碍。

数据的敏感性也可能是原因之一，尤其是在医疗等受到严格监管的领域。不准确的数据会损害AI模型的完整性，削弱其生成可靠见解和建议的能力。

此外，数据中的偏见可能固化系统性的不平等，并无意中导致歧视性结果，给组织带来重大的道德和法律问题。

再者，除了数据准确性和偏见的挑战，AI项目的成功部署还取决于有效的数据收集实践。确保高质量、相关数据集的可用性，对于训练能够准确反映真实世界场景并提供可行见解的AI模型至关重要。然而，数据收集工作常常受到数据孤岛、互操作性问题和隐私考量等实际复杂性的阻碍。

你可能拥有海量数据，但其中有用的却寥寥无几。大量数据与可用相关数据短缺的悖论并存，导致了大多数AI项目的失败。

3.缺乏明确的目标和期望

许多项目源于IT部门对前沿技术的迷恋，并获得了可能缺乏深度理解、无法提出切身问题的业务高管的批准。因此，这类项目往往缺乏焦点，起步模糊，范围界定不清。

根据REXERAnalytics在2023年的一项调查，仅34%的数据科学家表示，项目目标在工作开始前通常有明确的定义。

此外，这些项目通常产生的商业成果也不确定，尤其是在试图量化诸如“提升品牌价值”或“改善运营效率”这类模糊目标时。客观评估这些无形目标的影响极具挑战性，这使得成功与否难以衡量，也阻碍了展示可观投资回报的能力。

4.模型“套”用，而非“定”制

导致AI项目失败的一个关键陷阱，在于未能根据企业独特的业务需求和情境定制AI模型。现成的AI解决方案或许方便，但往往缺乏解决个别组织复杂问题所需的针对性。若未能根据具体的业务需求调整AI模型，可能导致性能不佳，因为这些通用模型可能无法准确捕捉数据中的细微差别或问题领域的复杂性。

此外，不定制AI模型可能导致技术能力与项目预期成果之间的错配。

没有定制，AI系统可能无法与组织的目标和限制对齐，最终阻碍其交付有意义的价值。

定制化能让组织针对特定用例优化AI模型，确保技术有效应对其独特的挑战和目标。因此，忽视对AI模型的量身定制会严重损害AI项目的成功，阻碍其推动积极成果和实现可观商业效益的能力。

5.缺乏监督与治理

企业高管普遍存在一个误解，认为生成式AI是一种即插即用、立竿见影的技术。事实是，对许多AI项目而言，将AI与现有流程整合、用组织自身数据执行机器学习模型、以及协调AI项目与业务目标，都是艰巨的任务。

若使用机器学习模型来创建与业务相关的内容，却几乎没有个性化或微调，那么得到的响应将会过于笼统，或与品牌产品、客户需求无关。

由于市场压力，团队常常未能在上线前建立必要的流程，导致部署仓促，既无明确计划也无充分监督。他们发现，要区分失败的项目和能创造公司价值的项目已是难事，更不用说推动后者前进了。

公司如何提高AI项目的成功率？

1.明确公司的价值

企业常常拥有必要的数据，也建立了一个可行的模型，并确定了模型能达到的准确度，但团队却往往忽略了考虑模型可能与人产生的互动。结果，公司对项目预期的投资回报缺乏清晰的理解。

例如，一个旨在预测医院再入院情况的模型，或许能正确识别70%的潜在病例；然而，只有在同时考虑到服务提供方外展工作的成效后，才能确定该项目的成功率。

在制定AI计划时，最好考虑你的团队将如何解读和使用AI的建议。你如何确保团队中的每个人都能有效且信任地使用这些信息？在考虑所有相关数据后，一个可观的成功率是多少？

为采纳AI驱动的见解进行决策制定协议和指导方针，有助于在团队内部培养信任与协作的文化。

此外，关于如何解读AI系统建议并采取行动的清晰沟通和培训，有助于建立信任，并确保AI见解得到有效利用。

2.构建稳健的模型

在构建人工智能时，建立其韧性是关键一步。真实世界的数据有时可能与用于构建模型的训练数据集有所不同。此外，你可能还会发现，决策者或其他终端用户对模型不够放心，不愿投入使用。

那些能够应对这些挑战并创建出可靠、稳健模型的公司，将比那些低估AI过程复杂性的公司取得更高的成功率。

通过预先设定明确的成功标准，并对照这些基准持续监控进展，组织可以衡量其AI计划的有效性，并对未来的投资和战略做出明智的决策。

此外，为AI项目定义何为“可观的成功率”，对于设定切合实际的期望和评估项目绩效至关重要。这不仅涉及考虑准确率和效率等量化指标，还包括评估AI对业务成果的质化影响。

3.定义短期和长期目标

在启动AI项目之前，你必须定义短期和长期的成功标准，并描述清楚业务问题。

在确定了期望成果后，管理层需要规划用于衡量业务价值的指标，并将其作为项目设置的一部分。他们必须与数据科学家和技术团队合作，将AI计划的绩效转化为业务团队可以追踪的关键绩效指标（KPIs）。

许多专家建议，从一个定义清晰、有明确商业指标来证明其价值的小型内部项目开始。这些行动将有助于确定AI项目的可行性和风险水平。

4.视AI为数据驱动的项目

大多数企业将AI项目视为功能驱动或应用开发项目。实际上，他们需要将其视为数据项目或数据产品。

一个数据项目，始于理解需要从现有数据中提取何种见解或行动，而不是聚焦于需要实现何种功能。

AI项目是数据项目，这一点对许多人来说似乎显而易见，但或许需要更深的理解才能解释AI的失败。

驱动一个AI系统的，是数据，而非特定的代码。功能是由训练数据和系统设置定义的；相同的算法和相同的代码，可以用来写文本、识别图像或进行对话。因此，一个AI项目必须优先考虑数据迭代和以数据为中心的方法论，而不是聚焦于以编码为中心的方法，才能产生预期的结果。

公司必须投资于数据管理技术和策略，以保证AI和预测分析模型能获得可靠、高质量的数据。他们必须建立维护和更新数据库的规则、程序、政策和标准，以确保结果无偏见且准确。

5.创建协作模式

建立协作文化至关重要，同样重要的是促进开放沟通，打破数据科学家和业务干系人之间的组织壁垒。管理层应根据优先考虑的AI用例，确定所需技能，同时考虑技术和业务活动。

其次，通过投资于教育和培训，增进对AI的理解并发展内部能力。这种全方位的策略可以帮助你克服障碍，享受AI和分析在改善客户体验方面带来的好处。

此外，公司需要建立一个由业务、IT和分析领域高管组成的治理委员会，以确保AI的成功应用。这个小组应共同负责贵组织对AI和分析技术的使用。

该小组需要制定明确的道德准则和防止偏见的屏障。团队必须讨论AI的偏见、隐私、安全和法规问题，这些问题常常会导致法律后果和声誉损害。

Achievion如何助力提升AI成功率

Achievion开发了自己名为ACHIEVE的方法论，以确保AI项目的成功交付。让我们分解每一步，探索它如何为项目的整体成功做出贡献：

1.分析业务模型并整合系统需求

Achievion认识到透彻理解业务背景并整合详细系统需求的重要性。通过将AI项目与组织目标挂钩，Achievion确保了方向一致，并提高了实现预期投资回报的可能性。

2.通过未来的交付阶段，持续优化产品路线图

为了定义短期和长期目标，我们采用前瞻性的方法，持续优化产品路线图。通过融入新功能和增强功能，Achievion确保AI解决方案能够适应不断变化的业务需求，降低被淘汰的风险，增强长期成功。

3.运用数据探索专业知识，准备技术规范

通过深入数据探索和准备技术规范，我们为开发能够提供可靠见解和建议的AI模型奠定基础，降低因数据缺陷导致结果不准确的风险。

4.将智能与优雅融入UI/UX设计

Achievion优先打造能够提升用户信任和满意度的产品UI/UX设计。通过精心塑造界面视觉效果和开发可点击的UI原型，我们确保AI解决方案能营造积极的用户体验，增强利益相关者的采纳度和接受度。

5.在产品开发和机器学习模型训练中追求卓越

Achievion专注于产品开发和训练高质量的机器学习模型。利用在机器学习模型训练方面的专业知识，我们最大化AI解决方案的性能和可靠性，降低结果欠佳的风险，并确保其在交付可观商业效益方面的有效性。

6.通过广泛测试进行验证与确认

Achievion优先考虑数据治理和代码质量验证。通过广泛测试确保数据质量、安全性和合规性，Achievion增强了AI解决方案的可靠性和稳健性，降低了部署错误的风险，并确保其在真实世界场景中的有效性。

7.通过持续的维护与支持，确保产品成功

我们的承诺不止于部署。通过提供持续的更新和维护，Achievion确保AI解决方案保持有效和与时俱进，满足不断变化的业务需求，并降低随时间推移性能下降的风险。

结语

AI有潜力彻底改变我们的职业和个人生活。机器学习项目可以在推动创新和优化流程方面发挥关键作用，最终在各行各业提升决策能力和效率。

然而，AI并非没有缺陷。承认其不足至关重要，因为这为建设性地利用AI潜力、减轻风险以确保AI项目成功铺平了道路。

全文|工信部等八部门印发《汽车行业稳增长工作方案（2025—2026年）》　　炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！　　工业和信息化部等八部门关于印发《汽车行业稳增长工作方案（2025—2026年）》的通知　　工业和信息化部等八部门关于印发《汽车行业稳增长工作方案（2025—2026年）》的通知　　各省、自治区、直辖市及计划单列市、新疆生