95% 的 AI POC为什么会死

引子

上周我在准备十一后客户的 FDE 课程材料，翻到一期 CXO Talk 的访谈。

受访者是 Patrick Bangard，西方石油公司（Occidental Petroleum，简称 Oxy）的首席 AI 官。这是一家百年历史的传统能源公司，主业是在德克萨斯的沙漠里采油，怎么看都不像 AI 叙事的中心。

但就是这个「传统」公司，正在生产环境里跑着数百个 AI 系统。不是试点，不是演示，是 24 小时不停机、直接控制物理设备的生产系统。

同一期访谈里，Patrick 说了一个行业里都心照不宣的数字：大约 95% 的 AI 项目，最终死在「试点炼狱」（Pilot Purgatory）里，永远没能走向规模化。

一边是数百个生产级系统，一边是 95% 的死亡率。我把它完整看完之后，一个感受越来越清晰：

AI 落地的成败，从来不是一个技术问题。而试点炼狱的存在，恰恰证明了 FDE 这个角色为什么不可替代。

发生了什么

先把 Oxy 在干什么说清楚，因为它和大多数人对「企业 AI」的想象完全不同。

Oxy 在德克萨斯二叠纪盆地的油田，形状像一个巨大的针垫：几十口注入井往地下压注二氧化碳，几十口采出井往外产油气。公司手里的二氧化碳预算有限，AI 系统要做的事，是 24 小时不间断地实时决策：每一口井此刻该注多少，才能让整个油田的总产出最大化。

这不是一道纯数学题。系统要同时考虑地面设备的物理极限、设备偶发故障、大风、沙漠里的高温和严寒，以及现场根本没有移动网络覆盖这件事。

所以 Oxy 的 AI 架构，分工非常清晰：

注意第三层。Patrick 有一句话说得非常直接：

「LLM 不做关键决策，它们只负责沟通层。」

在大模型被捧上神坛的今天，一个真在用 AI 管物理世界的人说：关键决策交给专有模型和物理定律，LLM 的位置是翻译官。

这句话值多少钱，我们后面再算。先看更扎心的部分：95% 的试点，到底是怎么死的。

试点是怎么死的：三个死因

Patrick 把死因拆得很清楚。我整理下来，三条里没有一条是技术问题。

死因一：PoC 是个伪命题

Patrick 直言，「概念验证」（Proof of Concept）这件事本身就是个幻觉。一个科学或技术概念是否可行，花十分钟搜一下论文和已有案例就知道了，根本不需要花几个月去「验证」。

PoC 真正该验证的，是 Competency，是能力：这个供应商、这个团队，到底有没有把东西落地的执行力。

更致命的是试点的运作方式。供应商为了冲业绩，提供免费或重度折扣的试点；客户把它当免费礼物收下；试点只在技术部门之间流转，管理层直到结束才听说，然后撞上预算周期，项目无限期搁置。

这个场景，做过乙方的人太熟悉了。试点从一开始就没有经济承诺，没有业务 owner，没有上线计划。它不是走向生产的第一步，它是一个体面的葬礼流程。

死因二：真正的工作量被严重低估

AI 团队花时间最多的事情是什么？不是调模型，是洗数据。

在物理环境里，传感器会老化，电缆会断，失真数据成吨地产生。清理这些「垃圾数据」毫无高科技光环，但没有它，一切都是空中楼阁。

另一件被低估的事是变革管理。Patrick 的判断是：AI 失败在绝大多数情况下是人类问题，不是技术问题。如果一线用户、领域专家、管理层没有从第一天就进入共同创造的旅程，最后交付的工具一定遭遇抵触。没人用，效益就是零。

死因三：迷信「最先进的通用大模型」

很多企业的第一反应是：要用就用最新、最贵的前沿模型。

但 Patrick 的实践经验是：对于垂直行业的特定任务，用企业自己积累的数据训练专有模型，准确率可以轻松做到 99.9%，成本却只有通用大模型的零头。通用模型在海量公开数据上训练出来的「博学」，在你的具体业务场景里，往往不如一个吃透了你自己数据的小模型。

三个死因放在一起，能看到一个共同的形状：

全是商业问题、心理问题、认知问题。技术排最后。

这三个死因，恰恰是 FDE 的主场

看到这里的读者，应该已经反应过来我要说什么了。

过去两年我在甲方乙方之间来回跑，看到的企业 AI 失败案例，几乎都能装进这三口棺材。而这三件事，没有一件是靠「更强的模型」能解决的，它们需要的是一种特定的角色：既懂技术边界，又懂业务现场，还能在组织里推动人和流程的改变。

这个角色就是 FDE（Forward Deployed Engineer，前置部署工程师）。

把 Oxy 的做法拆开，你会发现它每一步都踩在 FDE 方法论上，尽管 Patrick 本人可能根本没用过这个词：

这就是我反复强调的一个判断：AI 落地的瓶颈，不在模型层，在「翻译层」。把业务问题翻译成技术问题，把技术能力翻译成业务价值，把组织的抵触翻译成共创机制。这三层翻译，任何一层断了，项目就进了试点炼狱。

一个让我印象最深的细节

整期访谈里，我个人最在意的不是油田，也不是架构图，而是 Patrick 对「采纳度」（Adoption）的定位。

他说：采纳率不是「要不要做 AI」的决策标准，而是实现经济效益的唯一机制。

这句话值得停下来想三秒。

很多企业的逻辑是反的：先立项，先采购，先开发，最后发现没人用，再补做「推广运营」。采纳度被当成项目尾声的一个运营动作。

而 Oxy 的逻辑是：如果一线不会用、不愿用，这个系统在立项那一刻就不该存在。所以变革管理不是项目的最后一道工序，而是从第一天就开始的主线任务，用敏捷冲刺的方式，让最终用户每两周就看到、摸到、骂到最新版本。

把这两套逻辑摆在一起对比：

最后一行是最扎心的。同一个结果，两种归因方式，决定了企业下一次是继续撞墙，还是开始修路。

反思：为什么 FDE 在中国企业更难，也更值钱

把 Oxy 的案例搬回国内语境，有几件事需要泼点冷水。

第一，Patrick 能做这些事，前提是他是首席 AI 官，手里有横跨业务和技术的授权。国内大部分企业里，这个角色是缺位的。AI 的事挂在 IT 部门下面，IT 挂在行政或财务下面，离业务的 P&L 隔着好几层。没有授权位置，FDE 的整套动作都无处发力。

第二，「业务部门做经济评估」这一条，在国内会撞上 SOP 缺失的现实。流程没梳理、口径没统一、数据没人管，业务部门连「现在的成本是多少」都算不清楚，拿什么评估 AI 的收益。这不是 AI 的问题，这是管理基本功的问题，但它会直接决定 AI 项目的生死。

第三，恰恰因为难，这件事才值钱。如果企业 AI 落地只是买个模型接上 API，那它早就是红海了。真正的壁垒在数据清洗的脏活里，在护栏设计的工程判断里，在推动一线员工参与共创的组织功夫里。这些事无法被模型升级替代，反而随着模型能力的普惠变得越来越稀缺。

模型会越来越便宜，越来越聪明。但「让 AI 在一家真实的企业里真正跑起来」这件事，反而会成为更稀缺的竞争力。这就是 FDE 的时间窗口。

结语

访谈的最后，Patrick 泼了两盆冷水，我觉得值得作为这篇的结尾：

第一，破除「几天就能搞定」的迷思。真正的 AI 落地，需要几个月甚至数年的扎实工程积累。

第二，认清 AI 的本质。它不会一夜之间取代所有人，它是人类极其强大的日常秘书、助手与能力延伸。

95% 的试点死在炼狱里，不是因为 AI 不行，而是因为企业把 AI 当成了一个可以采购的「东西」，而不是一场需要陪跑的「变革」。

概念是免费的，十天就能验证。落地是有代价的，需要有人既站在技术的边界上，又站在业务的泥地里，把两边焊在一起。

那个人，就是 FDE。

参考来源：CXO Talk 访谈，Why Most AI Pilots Fail (And How to Fix It)，受访者 Patrick Bangard，Occidental Petroleum 首席 AI 官。