夜雨聆风
- 01 -
一个质检大模型的"实验室陷阱"
某面板厂的质检大模型项目，测试集准确率99.2%。
技术团队交付时信心满满——实验室标准光照下的高清图像，各种缺陷类型识别得一清二楚，报告漂漂亮亮。
上线第一天就崩了。
产线的光照不是实验室那种均匀分布，有反光、有粉尘、有传送带抖动。模型对外观相似的缺陷分类准确率直接掉到不到70%。更要命的是，产线传送带要求200毫秒内出结果，模型推理一次要800毫秒。工人看着屏幕上迟到了半秒的检测结果，只能自己上手判断。
项目在试运行阶段被叫停。技术团队交付了"完美模型"，产线得到的是一个无法使用的科学玩具。
这不是孤例。星巴克在北美1.1万家门店推广AI视觉库存盘点，宣称效率是人工的8倍。上线后发现，货架角度、光线变化、促销贴纸遮挡都会引发大规模数据偏差。门店员工没有减少工作量，反而花更多时间核对修正AI的错误输出。9个月后全面停用。麦当劳和IBM合作的AI语音点餐系统，在汽车餐厅的引擎噪声和口语化点餐面前溃不成军，加错餐品频发，客诉飙升，最终全面终止。
模型没问题。测试集没问题。实验室没问题。
出了实验室，全是问题。
- 02 -
技术在涨，ROI纹丝不动
2026年7月，Domino Data Lab发布第五年度企业AI报告，639位AI领导者参与调研。数据呈现出一个令人困惑的悖论：
93%的企业说自己的AI生产能力比去年提升了。57%的企业说AI的投资回报仍然跑不赢投入——和2025年一模一样，连续两年纹丝不动。
技术在涨，ROI没涨。
MIT的NANDA研究发现，95%的企业AI试点项目无法产生可衡量的财务回报。PwC 2026年CEO调查显示，56%的CEO认为AI投资没有带来任何财务影响。RAND Corporation的数据更直白：80%的AI项目失败，是非AI IT项目失败率的两倍。IDC说，88%的AI概念验证永远到不了生产环境。
全球在AI上砸了2.5万亿美元，只有14%的CFO说看到了可衡量的回报。
钱花了，模型跑了，试点过了。然后呢？
65%的企业卡在"试点炼狱"里——模型在隔离环境下能跑通，但无法扩展到生产环境。这个差距，不是"模型不够好"能解释的。
- 03 -
问题不在模型，在模型和你业务之间那段路
一家研究机构对2444个机构做了分析，画了一张"失败原因金字塔"：
70%的失败是组织和治理问题——项目各自为政、没有跨部门归属权、预算碎片化、没有问责机制。20%是执行和流程问题——数据没准备好、部署靠手工、没有监控。只有10%是技术和人才问题。
所有人都在盯那10%，但杀死项目的，是那70%。
三星电子投入巨资构建供应链优化大模型，确实预测到了芯片短缺危机——但比采购部门凭经验判断晚了整整两周。模型每次预测要跑6个小时，结果出来时采购总监已经开完三轮会下完单了。参与项目的工程师自嘲："这就像用卫星导航去找楼下便利店。"技术很先进，但跑在错误的节奏上。
问题从来不是"AI能不能做这件事"，而是"AI做的这件事，能不能被组织接住"。
模型可以生成一份合同初稿，但法务还是得逐字审核。AI可以预测客户流失，但没人跟进、没人挽留，预测了也白搭。Zillow的AI房价评估模型一直正常运行，但没人在风险信号出现时踩刹车，单季度巨亏4.21亿美元。
AI完成的是任务，不是工作。任务跑通了，工作没跑通。
- 04 -
那段路怎么修？
方向不复杂，但得舍得花笨功夫。
第一，先改流程，再上AI。 麦肯锡的数据：提前重构端到端业务流程的企业，AI成功率是只搞技术企业的5.3倍。如果AI上线后团队的工作方式没变——还是同样的审批流、同样的交接节点、同样的决策路径——那AI只是屏幕上多了个提示框。问自己一句：如果明天把AI撤掉，团队的日常会不一样吗？如果答案是"不会"，说明你还没真正改变工作。
第二，把成功标准从"模型指标"切到"业务结果"。 技术团队庆祝准确率95%，业务部门发现那5%的误检让每条产线多招了两个复检工。这不算成功。别用F1值定义胜利，用"每月减少多少复检工时"来定义。
第三，给AI的落地找个人负责。 试点到生产之间那段路，必须有人负责走完。不是IT的活，不是业务的活，是专门一个人的活。HP能成为罕见的成功案例，不是因为模型更好，而是因为有人把路修通了——一个工程师在43个项目里推进了122个PR，安全团队释放出每周82小时产能。从2026年2月试点到6月全面部署，四个月走完全程。
第四，把钱从台前挪到幕后。 企业AI预算优先流向销售和营销——容易被看见、好讲故事。但回报率最高的场景藏在后台：发票处理、报销审核、档案管理。规则明确、重复性高、人力成本直接可省。别急着让AI面向客户，先让它在后台帮你省钱。
- 05 -
模型能做任务，但做不了工作
回到那个面板厂。
99.2%的测试准确率没有错。错的是把"模型在实验室跑通"等同于"业务问题被解决了"。
一位放射科医生说过一句话，很适合放在这里：AI把读片时间压缩了80%，但我的工作量只减轻了20%——因为读片只是我工作的一小部分，写报告、做判断、带实习生，AI都碰不了。
AI优化的是"做事"的速度。但企业里真正吃时间的，是"等审批""等反馈""等数据从另一个系统导出来"。这些环节，AI今天碰不到。
所以你看到一个拧巴的状态：员工说"AI挺好用"，部门说"效率提升了"，财务看一圈说"报表上什么都看不到"。每个人说的都是实话，但拼不成一个能算清楚的ROI。
模型跑通了。业务没跑通。这中间的距离，就是AI落地的全部真相。
文中观点仅为个人从业观察与思考，不构成任何投资建议。