人工智能落地失败，通常卡在哪3个地方?

前年冬天参加过一次复盘会，一家做家电售后的公司，上了套AI工单分派系统，想让派单从人工调度变成自动推荐。上线第一个月，报表上的分派准确率是87%，会上人人点头。半年后我再去问，对接的人笑了一下，说现在主要靠调度组的老张扫一眼再改，系统还在跑，但改单比例超过一半。老张的原话是：它不知道哪个师傅今天车限号，也不知道哪个客户上次为上门时间投诉过。 这类故事我听过太多遍，行业不一样，骨架惊人地相似。项目黄了以后，复盘报告里出现频率最高的词是“模型精度不足”。这个结论最省事，因为不用追任何人的责，但它几乎从来没说到点子上。真正让项目停住的东西，大多在模型外面。 一、喂进去的数据，不是从业务里长出来的 很多企业心里有个默认顺序：先上CRM、再上ERP、再补HCM，把流程规范了，数据沉淀了，最后才轮到AI。这个顺序听着很正，实际走一遍就知道问题在哪。选型半年，实施半年，等数据勉强能看，业务侧的耐心和预算已经耗得差不多。AI项目永远排在待办清单第九、第十位，永远轮不到。 还有一条路，是让AI直接贴着现有的干法跑。万达宝LAIDFU（来福）有个特点值得注意：它在没有任何CRM、ERP或HCM系统的情况下也能工作。这句话真正的价值不在于“不需要系统”，而在于它承认了一个大家不愿明说的现实——大量企业的真实流程，本来就散在Excel表、微信群里、几张手写单据和几个老员工的脑子里。如果AI非得等流程被彻底规范化才肯上岗，那它大概率等不到那一天。 但这里有个前提，很多人一激动就忘了：AI读到的东西，得是真实发生过的业务动作，不是为了喂模型临时补录的数据。补录的数据有两个毛病，一是滞后，事后填的东西永远比现场慢半拍；二是被美化，一线清楚这个字段要考核，填的时候自然往好看的方向靠。拿美化过的数据训出来的判断，上线一定走样。这跟大模型“幻觉”是同一种病：生成的内容看着像那么回事，一核对全是空的，根子不在模型爱编，而在源头本来就不真。企业AI的“幻觉”很少是模型自己造的，多半是喂进去的东西先假了。 所以第一个卡点真正要问的不是“有没有系统”，而是“这条数据能不能追回到某一个具体动作”。能追到，Excel也够用；追不到，上了大系统也只是个更贵的空壳。 二、选了演示好看、交付难看的场景 演示环境和真实业务环境，差得比一般人想象中远。演示环境有三个特征：样本干净、边界清楚、错了没人追责。真实业务正好反着来：样本脏、边界糊、错了要有人签字。 我现在判断一个场景值不值得先做，习惯问三句话：这个痛点一周发生几次？做错了谁承担后果？结果能不能在两周内被验证？三句里有两句答不上来，这项目八成会变成汇报材料。 AI真正擅长的任务有个共同点：历史样本足够多、判断标准相对客观、错误能被快速发现。反过来，凡是涉及跨部门协调、责任认定、客户情绪的活儿，AI最多做辅助，做不了决定。这个界限跟内容创作里的“辅助”和“代写”是一码事。观点是你自己想的，例子是你自己攒的，最后拍板是你自己拍的，AI帮你检索、帮你顺句子，这叫辅助；从观点到成稿全丢给AI，你只负责复制粘贴，那交出去的东西就不是你的。企业里也一样，AI可以给建议，但“这个客户要不要给账期”“这批货要不要放行”，得有人签字。把决定权整个让出去，出了事没人讲得清为什么。 还有一个更隐蔽的坑：把AI生成的“完整”当成“正确”。有期刊在审稿时发现，AI参与过的稿件常常内容空泛、逻辑脱节，严重的还会篡改引文、虚构文献。企业里的对应版本是，AI出的报告结构齐整、措辞得体，但引用的数据源没人核过，结论直接拿去排产、拿去采购。问题不在用AI，在放弃了核实这一环。一份看着严丝合缝的报告，比一份漏洞明显的报告更危险，因为它让人放松了警惕。 三、组织没有重新分工，人就绕着系统走 系统上线只是开场。真正决定成败的是上线之后那三个月：谁在用、用多久、卡住了找谁、用得好有没有好处、不用有没有代价。 一线心里最实在的两个顾虑，一是“这玩意儿是不是要替我”，二是“AI判错了，算谁头上”。这两个问题没人给答案，员工就会挑最省力的应对方式：把系统当摆设，重要判断照样靠经验，检查的时候点几下交差。这不是态度问题，是理性选择。 有学术出版机构在规范AI使用时写得很清楚：AI工具只能做辅助，不能替代作者的独立思考、专业判断和原创创作，使用者要对真实性、原创性、专业性承担主体责任。这条原则搬到企业里一字不用改。AI可以提建议，责任必须落到具体岗位、具体人。责任一模糊，就会长出另一种话术：汇报时讲“AI驱动”，出了事讲“系统自动判断的”。这种模糊地带一旦形成，下一次就没人愿意替AI的结果背书。 还有个经常被忽略的角色是中层。AI让数据更透明，透明会改变权力分布。有些项目推不动，不是技术不过关，是某个环节的人发现，系统跑顺之后，自己手里那点信息优势就没了。这不是道德问题，是激励问题。流程和考核上不给人安排新位置，阻力就会一直躺在那里。 三个卡点，其实是一根线 数据是不是真的、场景是不是真的痛、人是不是真的愿意接，这三件事串起来，才是落地的完整链条。模型能力反而排在最后面。 回头看每一次工具换代，焦虑都准时出现过。打字机换掉手写、文档换掉纸笔、搜索换掉翻书，每一回都有人说这么干不行。真正留住人的从来不是载体，是内容本身。企业里也一样，AI只是工具，业务结果才是内容。工具越便宜，同质化越严重，你上质检我也上质检，你做客服机器人我也做一个，最后谁都没解决自己的具体问题。门槛降下来之后，被看见反而更难，这句话放到企业项目上同样成立。 如果只留一张清单，我会写三条： 数据来源能不能追回到某个具体的业务动作，而不是一份事后补的表； 这个场景错了以后，成本谁扛、多久能发现； AI给出判断时，有没有一个明确的人负责复核、负责签字。 三条都能答上来，再谈上线；答不上来，先别急着挑模型。 AI落地失败，很少是因为AI太笨。更多时候，是我们把它放到一个没准备好的地方干活，然后回过头怪它不够聪明。