为什么你的AI项目做了半年,还是一个漂亮的demo?

你们公司有没有这样的场景：年初立了一个AI项目，找了供应商做了三个月，验收演示的时候效果很好，老板点头说"不错"。然后呢？半年过去了，这个系统静悄悄地躺在那里，没人用，或者只有IT团队偶尔登录看看后台。

如果有，你不孤独。

一组让人不太舒服的数据

根据Bain 2025年的调研：零售行业AI试点项目中，只有约10%最终成功扩展到生产环境。

换句话说，90%的AI项目，做完了就完了。

McKinsey的数据更直接：在零售领域，真正通过AI产生利润贡献的企业，不到12%。

这不是技术不行。2025年的大模型能力已经非常强了——千问、DeepSeek、Claude、GPT，随便拿一个出来都能在demo里表现得很好。

问题不在AI本身，问题在AI落地的起点。

第零个原因：起点就错了

在讲那三个致死原因之前，先说一个更根本的问题——大部分AI项目的起点就错了。

典型的起点是这样的：

"竞对在做AI，我们也得做"
"老板说今年一定要上AI"
"这个供应商的AI产品看着不错"

注意，这些起点里没有用户。

没有人问："我们的用户在哪个环节卡住了？那个卡点能不能用AI解决？"

这就是90%失败的根因——从"我要上AI"开始，而不是从"用户在哪里卡住了"开始。

一个从技术出发的AI项目，验收标准是"系统能跑、功能对"。一个从用户出发的AI项目，验收标准是"用户的某个指标改善了"。前者做完就完了，后者做完了会持续迭代——因为用户指标是活的，你会一直想让它更好。

三个致死原因

起点错了，执行层面还有三个高频致死原因：

1. 场景没有锚定用户指标

最常见的死法。

企业说"我们要上AI"，但追问"上AI解决什么问题"，回答往往是"提效"。再问"提谁的效、提多少、怎么衡量"，就答不上来了。

更关键的是——很少有人把场景定义翻译成一个用户指标。

一个真实的对比：

❌ 企业视角定义	✅ 用户视角定义
"我们要用AI提效"	"我们要把用户从下单到收到第一次跟进的时间从4小时缩到5分钟"
"我们想上AI客服"	"我们要让用户夜间咨询的满意度从60%提到90%"
"我们要做AIGC"	"我们要让用户在信息流里看到的内容相关度提升50%，点击率翻倍"

左边那列，没有用户，也没有明确的指标。项目做完没有办法判断对用户有没有价值。做了三个月，大家觉得"好像有点用"，但说不出具体改善了什么。最终预算到期，项目悄悄下线。

场景模糊的根源：很多AI项目的起点是"别人都在做，我们也得做"，而不是"我的用户在这个环节体验很差，AI可能是解法"。

2. 缺少业务侧的Owner

第二常见的死法。

AI项目通常由IT或数字化部门发起。IT懂技术，知道怎么搭系统、调模型。但问题是——IT不直接面对业务结果。

一个典型的场景：IT部门花了半年做了一个很好的AI推荐引擎，但营销部门不知道怎么把推荐结果嵌入到自己的日常工作流里。系统做好了，没有业务部门来"接"。

更常见的情况是：业务部门甚至不知道这个系统存在，或者知道但觉得"跟我没关系，那是IT的事"。

关键缺失：每个AI项目都需要一个"业务侧的Owner"——这个人不一定懂技术，但他对业务结果负责，他知道AI的输出应该嵌入到哪个业务动作里、谁来用、怎么衡量效果。

没有这个人，AI项目就是IT的自嗨。

3. 数据孤岛未打通

第三个致命伤。

AI的能力上限取决于它能调用多少数据。一个只能读到客服对话记录的AI客服，永远只能做"标准问题的标准回答"。但如果它同时能调用这个客户的购买历史、浏览偏好、生命周期阶段、过往投诉记录——它就能做"千人千面的智能应答"。

现实是什么？大部分企业的数据分散在不同的系统里：

用户数据在CDP
交易数据在商城/ERP
客服记录在工单系统
营销数据在投放平台
门店数据在POS/DMS

这些系统之间不通，AI就只能看到一小片拼图，永远做不出全局判断。

有一位企业负责人在交流时说得很直接："我们花了几百万上了CDP，但全公司用的人不超过10个，决策还是靠拍脑袋。"

CDP有数据，但跟其他系统不通，AI也分析不了什么。不是系统不好，是数据没流动起来。

那些跑出来的企业，做对了什么？

反过来看那10%成功的：

它们有一个共同点——起点不是"上AI"，而是"用户在哪里卡住了"。 AI只是修复那个卡点的手段。

具体来说，跑出来的企业通常做对了四件事：

从用户旅程出发：不是问"市场上有什么AI工具"，而是拆解用户从认知→购买→复购的完整旅程，找到体验断裂的环节
数据通了：AI能读到完整的用户画像和行为数据，不是只看到一个切面
AI出策略，运营能执行：AI的分析结果不是一份报告，而是直接触发一个对用户有感的动作（推荐、跟进、优惠、内容推送）
结果用用户指标衡量：转化率动了没有？复购率提了没有？NPS改善了没有？有反馈就有迭代

这四件事缺一不可。没从用户出发，方向就是歪的。有了方向但数据不通，AI看不到完整的用户。数据通了但没人执行，AI的判断到不了用户面前。有执行但不用用户指标衡量，跑不起闭环。

一句话总结：成功的AI项目，不是一个技术项目，是一个以用户为中心的业务变革项目。

自检：你的AI项目踩了哪个坑？

回去看看你公司正在推的AI项目，对照四个问题：

问题零：起点对不对？

你的AI项目是从"用户在哪里体验断了"开始的，还是从"供应商推荐了什么工具"开始的？
如果是后者，停下来重新想想起点

问题一：场景锚定用户指标了吗？

你能用一句话说出这个AI项目要改善的用户体验指标吗？
"转化率提升X%""响应时间缩短到X秒""用户满意度达到X分"——有没有这样的锚？

问题二：谁来接？

这个项目有业务侧的Owner吗？
业务团队知道AI的输出要嵌入用户旅程的哪个触点吗？
还是只有IT在推，业务在旁观？

问题三：数据通了几个系统？

AI能读到的是完整的用户画像，还是只有某一个系统的单点数据？
如果AI只能看到客服对话记录，它永远只能做客服——想让它理解用户、服务用户，先把用户数据喂全

四个问题里，如果有两个答案是否定的，大概率你的AI项目正在走向那90%。

回到第一性原理

说到底，AI项目失败率90%这件事，根因不是技术问题，是起点问题。

大部分企业的AI项目起点是"上工具"，而不是"解决用户问题"。这导致了后面所有的连锁失败——场景不清、没人接、数据不通。

换一个起点，一切都会不同：

从"用户在哪里卡住了"开始 → 自然能定义清晰的场景（那个卡点就是场景）→ 自然有业务Owner（那个环节的负责人就是Owner）→ 自然知道需要打通什么数据（解决那个卡点需要什么数据就通什么）。

这就是"以用户为中心的AI战略"——不是先选工具再找场景，是先找到用户旅程上最痛的那个断裂点，然后所有资源围绕它来组织。

这也是有赞K100一直在做的事：帮企业从用户增长的视角出发，找到AI应该切入的那个点，然后把技术底座、业务系统和运营执行三层拉通，让AI从"验收通过"走到"用户指标持续改善"。

最后一个问题留给你：你的AI项目，起点是技术，还是用户？

如果答案让你犹豫，也许是时候重新看一眼你的用户旅程了。那上面一定有一个断裂点，正在等AI来修复。

欢迎你带着问题，来一起聊聊

“AI如何解决增长难题”。