企业AI试点为什么95%失败？三道墙解释清楚

麻省理工的一项研究给出了一个刺眼的数字：企业生成式 AI 试点项目中，约 95% 没有产生可衡量的业务回报，而全球在这上面已经投入了三四百亿美元。技术不是主因——同样的模型，有人做成了。真正挡路的是三道墙。

一、第一道墙：语言墙

业务方说的和技术方听到的，经常不是同一件事。业务说「我要智能排产」，技术理解成一个优化算法问题，实际上业务真正的痛点可能只是「插单太频繁导致计划天天推翻」——这需要的是流程规则，不是算法。

语言墙的危险在于它不会立刻暴露。双方在会议室里频频点头，各自带着不同的理解回去干活，三个月后交付时才发现做的是两件事。此时预算已经花掉大半。

破墙的办法只有一个：把抽象需求逼到具体场景。谁在做、多久做一次、做错了什么后果、现在怎么绕过去——把这四个问题问完，语言墙基本就塌了。

二、第二道墙：隐性知识墙

企业里最值钱的知识往往没有文档。老师傅听声音就知道轴承要坏，老业务员看一眼客户就知道这单能不能成，老会计凭手感就知道哪张单据有问题。这些判断准确率极高，但没人写下来过。

AI 需要的恰恰是这些。可你去问老师傅「你是怎么判断的」，他大概率答不上来——不是藏私，是真的说不清。这类知识只能通过长时间的现场观察和大量的对话反推出来。

这就是为什么会议室里做不出好的 AI 应用。必须有人蹲在现场，看几十遍同样的操作，才能把「凭经验」拆成可编码的规则。这一步偷不了懒，也是 FDE 这套方法真正的价值所在。

三、第三道墙：人的墙

调研显示约 29% 的员工会暗中抵制公司推行的 AI 工具。注意「暗中」两个字——他们不会在会上反对，而是继续用老办法，把新系统的数据随便填填应付。

抵触的理由都很实在：怕被替代、怕被监控效率、怕自己的经验优势归零、或者单纯觉得多一套系统就是多一份活。这些顾虑在项目立项书上一个字都不会出现。

破这道墙不能靠行政命令。有效的做法是先给减负后要提效：第一个上线的功能，一定要是让一线明确少干活的那个，让他们尝到甜头，后面的推进阻力会小得多。

AI 项目失败很少败在模型上，多半败在没人愿意用，或者根本没人说清该干什么。

四、阿优至简的视角

我们复盘过的失败项目，几乎都能对应到这三道墙里的一道或几道。也正因为如此，阿优的做法很固定：先蹲现场再动键盘，先跑通一个场景再谈平台，先让一线少加班再谈老板要的看板。

节奏上以四周为一轮：第一周体检数据和蹲现场，第二三周搭原型跑真实数据，第四周复盘出数并决定要不要扩面。四周出不了结果，就说明选题选错了，及时止损比硬撑好。

落地前的三条至简建议

1. 逼到场景：所有需求都要回答谁做、多久、做错什么后果这三个问题。
2. 蹲够现场：隐性知识只能靠观察获得，把这部分时间明确写进项目排期。
3. 先减负后提效：首个上线功能务必让一线直接受益，用体感换配合。

95% 这个数字不该让人退缩，它只是在提醒：这件事的难点从来不在技术侧。把三道墙一道道拆掉，剩下的部分反而是最简单的。