ARTICLE · 1140452
AI项目停摆的5个瞬间,都不是模型问题
所有人都在讨论模型能力。
但真正让 AI 项目死掉的事情，一件都没发生在模型上。
01 / 五个现场瞬间
做前沿部署这一年，我们目睹 AI 项目停摆，几乎从不在模型本身。停摆不是意外，而是一种规律。
瞬间一。业务规则从来没被写下来过。
现场原话：“这个价格是这么定的，但为什么这么定，只有老张知道。”
我们的动作：先把规则从老张嘴里一条条问出来，落到文档，再谈能不能让 AI 接手。规则锁在脑子里，AI 就接不进流程，因为没人能把规则翻译成它能执行的指令。
瞬间二。同一份数据躺在 4 个系统里，口径还不一样。
我们的动作：不急着接 AI，先定一个“统一定义的真值来源”，让四个系统的数据先对齐，再喂给模型。口径不一致，AI 学到的是混在一起的脏数据，输出自然没人敢用。
瞬间三。原型用干净的样本跑通了，真实数据首日就崩。
我们的动作：上线前用真实数据做一次压力跑，不拿演示样本当验收样本，丑话写在前面。演示样本是挑过的，真实数据有缺失、有乱格式、有例外，模型一碰就露馅。
瞬间四。一线不愿意用，因为 AI 让他多干了一步。
我们的动作：把这一步并回原流程，AI 的产出直接进他本来要填的那张表，不增加任何新动作。一线用户，他多一步，使用率就掉，项目就停在汇报材料里。
瞬间五。验收时没人说得清什么叫“成功”。
我们的动作：启动前先写明白，哪几个指标达标算成功，由谁签字，避免上线后各说各话。没有验收标准，双方都能说自己赢了，问题被掩盖到预算花完。这五个瞬间，没有一个需要更聪明的模型，每一个都只需要更清楚的工程与组织动作。
02 / 五个瞬间背后的同一件事
把五个瞬间放在一起看，它们没有一个出在模型能力上。共同点是：把模糊需求翻译成“可开发、可验证、可持续迭代”的任务，这件事没有人负责。
业务规则在老张脑子里，数据口径没人定，真实数据没人跑，一线动作没人理，成功标准没人写——这些都不是算法问题，是工程与组织问题。这正是前沿部署工程师（FDE）存在的理由：他不是来调模型的，是来把上面五件事补上的。
很多公司把这件事默认交给厂商，厂商交付的是功能，不是你公司的任务，中间这层没人管。结果往往是厂商交付了，业务用不起来，预算花了，问题回到老板桌上。FDE 的价值，正在于站在你这一侧，把模糊需求接住、拆开、落到可开发的任务上。需求翻译这件事，看似软，实则是项目里关键的一关。
03 / 外部数据也指向同一结论
海外机构调研了覆盖 150 位年营收 5 亿美元以上企业决策者，2026 年 5 月进行：83% 的企业，过去一年 AI 试点转化到生产的比例不到一半；其中 35% 的企业转化率不到四分之一。
另一组来自 S&P Global Market Intelligence 的调研（样本为1006 位北美与欧洲 IT 与业务线专业人士）显示：生产前放弃多数 AI 计划的企业比例，从 17% 升至 42%（同比）。
04 / 启动会之前，先回答这 8 问
项目启动会之前，必须有人把这 8 个问题回答完。答不上来的，先别急着买系统、别急着立 flag。我们把这 8 问整理成了一张表：
1. 流程：这个场景现在靠谁、靠什么步骤完成？有没有书面流程？
2. 角色：谁是关键执行人？谁有决策权？谁会因此改变工作方式？
3. 数据来源：AI 要用的数据现在在哪？是否结构化、可取到？
4. 耗时环节：当前哪个环节占用工时明显偏多、重复操作频繁？期望改善到什么程度？
5. 权限边界：AI 能读哪些数据、能写哪些系统？越权红线在哪？
6. 验收指标：什么叫“成功”？用哪几个可量化指标验收？谁签字？
7. 责任归属：上线后指标看板谁盯？出问题谁负责、找谁？
8. 失败兜底：AI 拿不准时，由谁、按什么规则接手？
卡在第几问，留言告诉我们。