某化工厂 AI 异常检测上线时模型跑得漂亮，误报率 8%，准备签字验收。第 3 个月，供应商把催化剂换了。反应温度基线整体漂移，模型疯狂报警——误报率冲到 35%。车间工人直接把它关停了。

不是模型"错了"——它从数据上讲，确实检测到了"异常"。但它没拿到"催化剂已更换"这个上下文。模型、车间现实之间出现了漂移。

——这是公开材料里反复出现的工业 AI 失败典型场景。

三个数字

S&P Global Market Intelligence 2025《AI Initiative Abandonment Rates》（原报告转引自 HQSoftware 2026《Why Manufacturing AI Pilots Stall — and What Scales》）：

• 42% 的公司在这一年废弃了大部分 AI 项目，前一年只有 17%；
• 平均 46% 的工业 AI PoC 从未进入生产；
• 大多数失败不是模型失败，是"模型以外的事"失败
  ——数据治理不到位、预算倒挂、供应商锁定、概念漂移。

三个数字背后，藏着工业 AI 落地远比互联网 AI 复杂的真相。一年时间，42% 从 17% 翻倍式跳动——不是波动，是结构性失败。三个数字口径不同：42% 是"公司层面废弃比例"，46% 是"项目层面 PoC 死亡比例"，二者指向同一现象的不同切片。

第一种死法：Site 2 没有 Site 1 的数据

最普遍的一种。某全球汽车零部件商在德国做 AI 质检，效果极好。复制到墨西哥、印度、中国——18 个月仍未完成。墨西哥厂至今人工检测。

不是模型不行——是传感器没装、协议不同、数据格式对不齐。模型不是产品，数据基础架构才是。算法工程师不会告诉你这件事，因为他们只关心模型怎么调。但 CIO 和车间主任必须知道——AI 项目的工作量，80% 在水下（数据、集成、变革管理），只有 20% 是模型本身（彭瑜/ARC 共识）。

如果你要复制到第二个工厂，先做"跨站点数据可用性审计"，再谈 AI。

第二种死法：第 3 个月，模型失效

回到开头的故事。AI 模型上线时表现良好——这是工业 AI 项目的常态。第 3 个月，模型失效——这是工业 AI 项目的另一个常态，只是没人愿意公开讨论。

为什么漂移？因为工业现场的"正常"是动态的：催化剂换、新产品上线、设备老化、季节变换、操作员换。这些变化消费互联网里也存在——但消费 AI 漂移以月、年为单位（用户行为变化较慢），工业 AI 漂移以天、周为单位（催化剂换、物料批次、设备老化即时影响数据分布）。这是典型情况而非绝对规律——消费 AI 也有推荐系统热点、风控欺诈等高频漂移场景；工业 AI 也有成熟产线的稳态工况。程度差异决定两种 AI 的运维策略不同。

技术上要做分层漂移监测：第一层输入分布（便宜但易误报）、第二层预测-实际偏差（准确但需延迟标签，工业场景延迟从分钟级到 24 小时不等）、第三层按产品/物料/设备分组切片（精确但样本量骤降）。只看第一层会掉进"狼来了"陷阱——每次换 SKU、换班、换季都会触发告警。只有第二或第三层确认是"概念漂移"（不是临时扰动），才值得重训模型。

第三种死法：预算倒挂，平台有了没数据

这一种，是中国本土最常见的。某央企 2021 年投 ¥2 亿建"集团级工业互联网平台"覆盖 12 子厂。钱怎么花？1.4 亿平台软件、0.5 亿数据治理。2 年后评估，只有 2 个厂数据接入——其余 5 个在清洗，5 个根本没人接（数据治理人力不足）。

平台上线，没数据可用。领导层才意识到"先有数据再谈平台"——但为时已晚。

这种"预算倒挂"是中国工业 AI 项目的通病：钱花在看得见的地方（平台软件），不花在最难的地方（数据治理）。业内反复推荐的阈值是：数据治理预算应占总预算 40% 以上——依据来自 HQSoftware 2026 AI Readiness Audit 与 ARC Advisory Group 2026 调研（作者整理，规模不同需调整：小项目 < ¥500 万可放宽至 20%，大项目 > ¥1 亿需严格 40%）。

第四种死法：政绩驱动型 PoC

讲完前三种通用死法，第四种中国本土特有——政绩驱动型 PoC。

某中部装备企业，地方政府推"灯塔工厂"建设，给 ¥1500 万补贴，要求 6 个月验收。但真实工业 AI 场景验证需 12–24 个月——6 个月根本做不到。

结果是 PoC 用脱敏数据集、真实产线是另一回事、上线后误报率 35%+ 工人关停、领导换届政策变动、项目"包装式验收"。

政绩驱动型 PoC 背后是激励结构错配，不是动机问题——地方政府要就业税收与汇报材料，企业要补贴与政企关系。当补贴、验收、领导任期三者叠加形成"政治交付窗口"，模型连最基础的真实场景验证都没机会走完。识别这种激励错配有三个特征：

1. 验收周期 < 12 个月；
2. 项目主管预期任期 < 项目交付期；
3. 补贴占项目总预算 > 50%。

三条命中两条，项目应推迟发布或重新谈判。

立项五条（硬门槛）

立项时每条都必须过，不通过不开项目：

1. 验收周期 ≥ 12 个月；
2. 项目主管预期任期覆盖项目交付期；
3. 补贴占总预算 ≤ 50%；
4. 数据治理预算占总预算 ≥ 40%；
5. 合同里有"数据可迁移"和"退出迁移"条款。

自检四问（软自检，每问对应一种死法）

1. 跨站点
   ——你的数据基础，能跨工厂复用吗？
2. 漂移
   ——你的模型，能拿到"催化剂已更换"这种上下文吗？
3. 预算倒挂
   ——你的平台上线时，数据能就位吗？
4. 激励错配
   ——你的项目，能扛住领导换届吗？

42% 废弃 + 46% PoC 死在试点——大多数项目卡在 PoC 阶段之后。

最后

工业 AI 不是互联网 AI。互联网 AI 训练数据稳、可以反复"重试"、失败成本低；工业 AI 训练数据漂移、不能"重试"、失败是真金白银的停机和返工。

工业 AI 死在 PoC 里，而 PoC 死在模型以外的事：数据漂移、预算倒挂、激励错配。

四个问题答不好，项目大概率会踩中本文四种死法中的至少一种。