近期行业调研显示，当前近7成企业级AI项目未能实现预期业务价值，多数企业将失败原因归咎于大模型性能不足，但科技行业分析指出，核心问题出在企业自身的底层数据质量不达标、业务流程适配性差、AI治理体系缺位，与大模型本身的技术能力关联度极低。
某制造企业去年斥资百万上线生成式AI生产故障预测系统，上线后误报率高达70%，不仅没有降低运维成本，反而要安排专人每天核对AI发出的预警信息，上线3个月后便被管理层叫停。类似的案例正在全球企业的AI落地过程中密集发生。
2023年生成式AI爆发以来，全球超6成中型以上企业已启动至少一项AI落地项目，覆盖客服、生产、研发、供应链等多个业务场景，企业级AI市场规模年增速超过40%。但光鲜的市场数据背后，是极高的项目失败率：第三方调研机构Gartner最新发布的报告显示，2023年已上线的企业AI项目中，仅28%最终为企业带来了可量化的业务收益，剩余项目要么长期停留在POC测试阶段，要么上线后因效果远低于预期被迫下线。
多数遭遇项目失败的企业，第一反应是追责大模型供应商，认为是模型参数不足、能力不够导致效果不佳，不少企业甚至接连更换了3-4个不同厂商的大模型，却始终没能解决核心问题。
针对这一普遍现象，科技行业分析师指出，绝大多数企业都陷入了“唯模型论”的认知误区：AI模型的输出质量本质上由输入数据的质量决定，大模型更像是处理数据的“加工厂”，如果企业提供的“原材料”本身存在问题，再好的加工厂也生产不出合格的产品。
目前国内多数企业的数字化基础仍然薄弱，内部业务数据普遍存在碎片化、标准不统一、关键字段缺失甚至大量错误数据的问题，不少企业甚至连最基础的主数据治理都没有完成，就急于上线AI项目。除此之外，很多企业把AI当成提升效率的“外挂”，直接套在原有业务流程上，没有做任何流程适配，反而增加了一线员工的操作负担，最终导致项目被一线弃用。
要提升AI项目的成功率，企业首先要扭转“重模型、轻基础”的投入思路，在上线AI项目之前先完成底层数据的梳理治理：统一不同业务系统的数据口径，清洗冗余、错误的历史数据，搭建统一的数据中台作为AI项目的支撑。
除此之外，企业还要对原有业务流程做适配性调整，明确AI在业务流程中的定位，配套建立AI全生命周期治理体系，涵盖数据安全管控、输出内容审核、效果迭代优化等全套机制。某头部快消企业的实践显示，其上线AI智能选品系统之前，先投入了3个月时间梳理过去5年的销售、库存、用户反馈数据，统一数据标准，最终上线的AI系统选品准确率比传统人工团队高出42%，库存周转效率提升27%。
过去两年是企业级AI的试水期，多数企业的投入都集中在大模型采购、应用快速搭建层面，比拼的是上线速度和模型参数规模。随着行业逐渐回归理性，接下来企业级AI将进入精细化运营阶段，项目的考核标准将从“有没有上线”转向“有没有产生实际价值”，企业的数字化基础能力、数据治理水平、流程适配能力将成为决定AI项目成败的核心因素。
本文基于公开信息分析整理，仅供参考。更多AI工具动态与行业解读，请持续关注本站更新。
滇公网安备 53252802528133号