企业AI扭转困局：修复失败的项目

企业AI的扭转通常始于一场没人愿意安排的会议。试点在技术上已经完成，高管发起人不再提及它，用户已经找到了变通方案，而仪表盘仍在报告各项活动，仿佛活动本身就是一种业务成果。所有人都认同公司需要AI，但没人能解释为什么这套特定的系统未能在运营模式中赢得一席之地。

这并不是AI的问题。这是一个披着AI外衣的产品、运营和资本配置问题。

惯常的应对方式反而更糟：更换供应商、招聘一名创新负责人、宣布第二次试点，并称之为对转型的重新承诺。这只会带来更多的演示画面和更多的内部作秀。真正的扭转要从把失败的项目当作证据开始。这次部署已经告诉了你假设在哪里崩塌了。倾听它。

企业AI的扭转不是重新上线

重新上线保留了原有的故事，只更换了包装。而扭转则是对故事本身发起挑战。

大多数陷入停滞的企业AI项目都遭遇了一个或多个基本失败。工作流从来没有痛到足以证明改变行为的必要性。可用的数据太不完整、不稳定，或在政治上受限，无法支撑所承诺的输出。模型在受控测试中表现尚可，但在生产环境中产生了足够多的例外情况，以致于人们不再信任它。或者没有一个业务负责人拥有足够的权限、激励或对工作的贴近度，能在系统产生不便结果时强制做出决策。

这些问题没有一个能靠一场更生动的演示来解决。

企业采购中有一种代价特别高昂的自我欺骗：把模型表面上的智能当作运营实用性的证明。一套系统可以令人印象深刻地进行总结、分类、起草、预测和对话，却在唯一重要的测试上失败：它是否以业务能够接受的成本和可靠性水平，改善了某个决策或完成了某项任务？

这个区别听起来显而易见，但它常常被忽视，因为演示成本低廉，而部署则暴露出真实的组织。采购部门看到的是精致的界面。安全部门看到的是一个数据访问例外。运营部门看到的是又一个需要监控的队列。财务部门看到的是一条没有可信节省或收入路径的预算项。用户看到的是额外的步骤。猜猜当高管的兴奋消退之后，谁的评估会胜出。

从失败入手，而非从供应商名单入手

扭转中的第一个问题不是“我们应该用哪个平台？”而是“这个项目未能证明的具体运营主张是什么？”

用平实的语言写下那个主张。例如：在不增加返工的前提下缩短准备一份信贷审查所需的时间；在客户流失之前识别需要升级处理的支持案例；帮助理赔团队产出专家能够快速核实的初稿文档。如果这个主张离不开诸如转型、智能、生产力或创新之类的词才能表述，那它还没有准备好接受资金投入。

然后审视证据，不要维护任何人此前的决定。看各角色的采用情况，而不是登录总数。看已完成的工作、例外率、覆盖率、周期时间和下游质量。访谈那些本应使用该系统的人，尤其是那些悄悄放弃它的人。他们抵制变化并不仅仅因为享受痛苦。他们往往是在保护吞吐量、问责性或自身声誉，免受一个让这三者都变糟的工具的损害。

一个有用的诊断方法是将四个经常被混为一谈的问题区分开来：

• 模型是否产出了足够好的输出？
• 产品是否自然地契合了现有的工作流？
• 组织能否治理数据、风险和升级路径？
• 经济效益是否证明了实施和持续运营负担的合理性？

一个项目可能通过了第一个问题，却在其余每一个问题上失败。这很常见。这也正是为什么技术团队可以确信自己构建了有价值的东西，而业务方却拒绝续约。

围绕一个有负责人的决策重建

最有力的复原举措通常是缩小范围。这并非因为小格局思维值得推崇，而是因为一个有边界的工作流能创造一个可问责的测试。

选择一个有明确负责人、可重复的输入、可观察的输出，以及延迟或错误代价重大的决策或任务。负责人必须能够改变工作流、分配员工时间，并承担新流程的后果。一个喜欢听人谈论AI的高管发起人是不够的。可问责的负责人需要在周二早上直面结果。

这正是许多企业项目暴露真正缺陷的地方。它们是围绕技术能演示什么来设计的，而不是围绕业务准备改变什么来设计的。项目团队选择了一个宽泛、显眼的用例，因为它在内部更容易推销。然后它遭遇了碎片化的数据、相互竞争的流程负责人，以及一条把每次调整都变成委员会事件的审批链。

扭转应当在重建之前先建立起商业和运营的基线。当前流程成本几何？时间消失在哪里？错误率是多少？什么会被升级处理，谁承担风险？如果没人能建立基线，那日后也没人能可信地宣称价值。部署之后才编造出来的节省目标，不过是套着KPI外衣的东西。

目标不一定是裁减人力。在许多真实的部署中，价值在于更快的响应、更好的一致性、更低的风险暴露，或释放出可用于更高价值工作的产能。但要选定一个主要的经济机制。“提升生产力”不是一个机制。那是人们在不愿算账时会说的话。

在调优模型之前先修复数据契约

创始人常常接手一个企业买家，对方要求一个能力更强的模型，而真正的问题却在于数据的规范性。投资者在尽职调查中看到同样的模式：亮眼的技术主张，附着在无法可靠提供这些主张所需输入的客户环境之上。

模型只是产品中的一个组件。要定义哪些数据进入系统、谁拥有它、它的时效性如何、适用哪些权限、如何验证，以及当数据缺失或相互矛盾时会发生什么。这就是数据契约。没有它，每一次模型改进都会变得脆弱，因为生产条件始终未被定义。

这并不意味着要等待完美的数据。完美的数据是那些从不打算上线的组织的一个便利借口。它意味着针对现有的数据进行设计，让不确定性可见，并在置信度低的地方限制自动化。人工审查不是暂时的难堪。在高后果的工作流中，它可能是永久性的正确产品设计。

这个权衡很直白。更多的自动化可以降低单位成本，但它也可能增加例外、监督和补救的成本。恰当的阈值取决于任务。由受过训练的分析师使用的起草助手，与一个无需审查就改变客户资格、付款或访问权限的系统，其风险特征截然不同。把二者都当作通用的AI采用来对待，正是治理要么变得毫无用处地严苛，要么变得危险地随意的原因。

把采用作为一项产品要求

员工不会因为领导层称某个系统具有战略意义就去采用它。他们采用的是那些能消除摩擦、又不会把隐藏风险转嫁到自己身上的系统。

这需要产品层面的工作，而不是变革管理的花架子。输出必须出现在工作本来发生的地方。用户必须理解系统做了什么、它不知道什么，以及如何纠正它。升级路径必须足够快，以至于使用该工具不会制造出一个新的瓶颈。而且组织必须决定，当系统出错时由谁来负责。

衡量能证明价值的行为。如果目标是更快地解决案例，那就衡量带质量控制的解决情况，而不是提交的提示词数量。如果目标是改善销售准备，那就衡量准备工作是否改变了客户行动和转化率，而不是销售代表是否打开了助手。使用量是诊断性的。它不是商业论证。

这也是高管们需要停止把判断委托给仪表盘的地方。一个高采用率数字可能意味着人们确实获得了价值。它也可能意味着该工具是强制使用的、好奇心高涨，或者用户别无选择。证据存在于工作流和经济效益之中，而不在为指导委员会准备的一张色彩鲜艳的图表里。

创始人和资本配置者应当要求什么

对创始人而言，扭转是一个契机，让你停止把能力当作产品来售卖，仿佛能力本身就是产品。一个可信的企业级方案会说明所需的输入、工作流的边界、人工审查的设计、实施负担，以及决定扩展的指标。这听起来也许不如一个通用智能的叙事那么激动人心。但它要卖第二次容易得多。

对投资者和家族办公室而言，尽职调查应当检验一家公司是否拥有改变了客户行为的部署，而不仅仅是愿意参与试点的客户。问问当数据延迟、嘈杂或不可用时会发生什么。问问由谁批准输出。问问公司如何处理例外情况。问问买方是否有一个与可衡量结果挂钩的预算负责人。然后问问，如果模型成本上升、客户安全要求收紧，或者系统被拒绝访问某个便利的数据源，什么会崩溃。

这些不是充满敌意的问题。它们是把深厚的技术能力与一个在实施时就会过期的销售故事区分开来的问题。沃创（SproutVest）的观点很简单：一家能经受住这些问题的企业，更有机会把深科技转化为可信、能产生收入的基础设施。而回答不了这些问题的企业，还没有准备好接受更多资本或更大规模的企业推广。

把下一阶段当作赢得的扩展

扭转赢得了扩展的权利。它不假设这种权利。

设定一个有限的运营周期，配备一位指定的负责人、一个固定的工作流、一个共识的基线，以及关于质量、采用和经济效益的明确阈值。事先决定什么样的结果值得扩展，什么样的结果需要重新设计，什么样的结果意味着项目应当停止。当证据表明用例不足以证明成本的合理性时，停止并不是失败。因为预算已经花掉就继续下去，才是让一次实验变成永久性干扰的原因。

把企业AI做对的公司，未必是那些技术主张喊得最响的公司。它们是那些愿意把一个诱人的承诺简化为一个可测试的运营承诺，然后让结果来决定接下来会发生什么的公司。

您的领导方式在哪里有效，又在哪里正在消耗公司？

这个博客讨论的多数问题，最终都回到创始人如何经营公司这一点上。藤架领导力诊断把它拆成六个维度共24道行为锚定题：约12分钟，即时出结果，自助版免费。

开始藤架领导力诊断 →

想了解兼职高管或顾问合作？预约探索性通话 →