企业必须进行AI转型吗?先看看那些失败的公司

在AI盛行的年代，你们公司考虑过AI转型吗？

过去一年，几乎所有企业管理者都被同一个问题追着走：公司要不要进行 AI 转型？

模型能力快速更新，竞争对手开始晒智能体，供应商不断展示降本增效案例。管理者担心的不是错过一个工具，而是错过下一轮竞争。

可另一组数字值得冷静看待。

RAND 在 2024 年发布的 AI 项目失败研究中援引行业估算称，超过 80% 的 AI 项目以失败告终，失败率约为普通信息技术项目的两倍。PwC 对 95 个国家和地区的 4,454 位 CEO 调查则显示，过去一年，56% 的 CEO 尚未看到 AI 带来的收入或成本收益。

两个数字口径不同，不能简单相加，但都说明：买到 AI 能力，与把它变成业务结果，中间隔着很长一段路。

所以，企业 AI 转型是不是必选项？是不是越早、越全面越好？

在回答之前，先要弄清楚企业到底在转什么。

给员工开通AI，不等于完成转型

如果 AI 只是帮员工写文案、整理会议纪要，它更像一个新的办公工具。

真正的转型会改变流程、决策和岗位分工。过去需要人工搬运的信息由系统处理，一周才能交付的工作可能缩短到一天。

工具上线属于部署。业务结果发生改变，才接近转型。

很多企业的问题，是还没想清楚要改变什么，就先开始采购、培训和开发。于是，转型很快撞上六个暗礁。

第一个坑是战略摇摆。

“全面拥抱 AI”听起来像战略，其实只是一种态度。如果没有明确要改善哪条流程、哪个指标，项目就会追着热点跑：今天做知识库，明天做智能体，后天又讨论数字人。

RAND 访谈了 65 名有至少五年经验的 AI 从业者。在 50 名产业界受访者中，84% 提到了一种或多种由业务领导决策和预期造成的主要失败原因，包括选择错误的问题、为了使用 AI 而使用 AI，以及高估技术能力。

这不等于“84% 的项目都是老板造成的”，但管理层判断确实是最集中的失败原因。

第二个坑是数据孤岛。

同一份制度有多个版本，客户资料散落在个人电脑、聊天群和 CRM，同一个指标在不同部门有不同口径。RAND 的 50 名产业受访者中，有 30 人提到了持续存在的数据质量问题。

AI 不会把混乱的数据变成可靠知识，只会更快地读完混乱，再给出一个语气坚定的错误答案。

第三个坑是业务脱节。

麦当劳从 2021 年起与 IBM 在美国超过 100 家汽车餐厅测试 AI 语音点单。2024 年，麦当劳决定结束这轮试点。公开报道记录了错误加单、无法正确理解顾客等情况。

麦当劳没有否定语音 AI 的长期价值，只是认为当时的方案还不能规模化。技术能够演示，不代表它能在嘈杂环境、复杂口音和异常情况中稳定工作。

如果员工必须在原流程之外额外打开 AI、补充背景、检查答案、复制结果，所谓提效很可能只是增加了一道工序。

第四个坑是回报难算。

不少项目把“每人每天节省 30 分钟”乘以员工数和工资，得到一笔可观收益。可时间不会自动进入财务报表，数据整理、系统集成、人工复核和培训也都需要成本。

PwC 调查中，30% 的 CEO 表示 AI 带来收入增长，26% 表示成本下降，但 56% 表示两方面都没有获得收益。只有约 12% 同时实现收入增长和成本下降。

调用量和活跃人数只能证明工具被打开。处理周期、错误率、转化率和客户满意度，才能说明业务是否改变。

第五个坑是人才错配。

企业总想找到一个既懂模型、数据工程，又懂行业、流程和管理的“全能型人才”。现实中，更有效的是一个小队：业务负责人确定问题，流程专家提供规则，技术人员负责实现。

第六个坑是文化与责任。

2022 年，加拿大航空网站的聊天机器人向乘客提供了错误的丧亲票价退款规则。乘客依照提示购票后遭到拒绝。2024 年，加拿大不列颠哥伦比亚省民事解决法庭判令航空公司承担赔偿责任。

法庭没有接受聊天机器人应自行负责的辩解。AI 可以生成答案，责任却不会随自动化转移给机器。企业必须明确知识由谁更新、输出由谁审核、错误由谁承担。

企业不妨先检查四项条件：

四项基本具备，可以从一条流程开始，用真实结果决定是否扩大投入。

如果缺少两项以上，企业并不适合全面转型。更合理的动作，是继续调研、做低成本试验，或者先补数据和流程基础。

模型误差如果只影响一份文案，代价有限；如果直接连接大规模资产决策，误差也会被规模放大。

企业真正需要回答的，不是“转不转”，而是以什么速度、从哪里开始。

我不赞成用“不转型就会被淘汰”制造焦虑，也不认为企业可以长期忽视 AI。最危险的不是慢，而是没有定位地快。

先把一个真实问题解决，再决定下一步。这可能比一场声势浩大的全面转型，更接近 AI 带来的实际价值。

关注我，不只知道 AI 又变强了多少，也知道怎样使用它！