现有的AI 项目成功率 0%

寂静回声

Ludic与全球 300 多个机构聊完 AI，写了篇博客。
标题有点长，大意是：AI 热潮正在把全世界决策层变成一群傻子。
在 Hacker News 上火了一把。他扔出来的数据就一个。
过去一年半，他见过的所有 AI 项目，成功率 0%。
10%？想多了。5%？没有。干干净净，一个都没成。
三菱搞了个 AI 语音客服，系统温柔地承诺"我们会尽快给您回电"。六周过去了，电话没响过。
某大企业的内部聊天机器人，花了几百万上线。每天的活跃用户数，跟公司前台那盆绿萝的浇水频率差不多。
Ludic 的原话是："这些项目失败的原因跟大模型能力半毛钱关系都没有，是这些企业本来就连普通软件项目都跑不明白。"
你连 Excel 都用不利索，上来就要搞 AI 中台。翻车这件事，从一开始就写好了。
见过最离谱的一个案例，是某公司花了八个月上了套 AI 客服系统，上线第一天就被用户问了一句"你们这个 AI 是真人吗"，系统回答："是的，我是真人。"然后用户追问"那你帮我查一下我的订单号"，系统说"请您稍等。"等了四十分钟，用户放弃了。
后来发现，那个"真人"的剧本，是产品经理在需求文档里写的。但他忘了写后续。


Ludic 描述的那个场景，你大概率见过。
会议室里，老板眼神炯炯地问"我们的 AI 战略是什么？"，底下一圈人，要么低头研究指甲，要么现场编一个听起来很厉害的 PPT。
满屋子人，硬是没一个敢说"老板，咱先把你那套 2003 年的 OA 换了吧。"
说这话的人，下个季度就不在这间屋子里了。
这种时候你就能理解，为什么一个行业能同时做到"万亿市值"和"零成功率"。


当前所有大模型的底层逻辑是概率性文本生成，而非确定性逻辑推理。它擅长的是信息整合、文案生成、思路启发这类 “容错率高、对错边界模糊” 的场景；但企业决策流程，从订单审核、生产排程到供应商选型，核心诉求是可追溯、可复现、可问责、结果稳定。
这不是 “模型再大一点、参数再多一点” 就能解决的问题，而是架构本质的差异：
ERP 系统的逻辑是 “规则固定，输入确定则输出唯一”，出了问题可以定位到某条配置、某个字段；
大模型的输出是 “概率最优解”，同一句话两次提问结果可能不同，出错了无法精准回溯到某条 “规则”，只能笼统归为 “幻觉”。
因此所谓 “AI 辅助决策”，至今绝大多数停留在 “生成分析报告”“总结会议纪要” 这类外围信息处理环节，一旦进入 “驱动流程、拍板结果” 的核心链路，企业立刻会面临合规、风控、问责的死结。这也是为什么很多项目上线即闲置。它只能当 “高级秘书”，当不了 “决策节点”，而老板最初的预期却是 “用 AI 重构业务”。



即使AI进化到长脑子的程度了，但AI 能跑通的前提是数据标准化、流程线上化、系统互联互通。但大量制造业、传统企业至今仍是 “系统孤岛”：
ERP、MES、PLM、CRM 各玩各的，数据格式不统一，主数据混乱，甚至大量流程还靠 Excel、微信传递。连数据都喂不进 AI，谈何 “AI 驱动决策”？
而上一套 AI 的预算，远不足以支撑先把全公司的底层系统和数据治理重做一遍，这就注定大多数项目从根上就注定失败的原因。



AI 要嵌入决策流程，就意味着规则透明化、流程标准化，而很多企业的管理本身就建立在 “人治” 和 “灵活度” 之上。
更现实的是中层AI 提效意味着岗位缩减、权力稀释，执行层天然有动力让项目 “看起来在推进，实际上没效果”。最后就变成 “老板拍板上 AI，中层敷衍做 PPT，基层没人真的用”，几百万砸进去，只剩一个前台绿萝级活跃度的内部机器人。




传统工业软件时代：CAD 厂商卖工具，代理商商做定制开发、现场实施、人员培训；ERP 厂商卖平台，实施顾问花几个月驻场，梳理流程、配置系统、对接数据、陪跑上线。企业买的不是软件本身，是 “一套能落地的业务方案”。
当下大模型厂商：普遍带着互联网思维做 To B，主打 “API 即服务”“开箱即用”，把 “赋能” 挂在嘴边，实则只输出底层模型或通用应用，把落地难题全甩给客户自己。



结果就是出现了明显的生态断层：
上游：大模型厂商只做通用能力，不懂行业流程，也不愿做重交付；
中游：没有成熟的实施服务商群体，传统 IT 集成商不懂大模型的微调、RAG、提示工程；AI 创业公司又不懂制造业、金融业的具体业务逻辑；
下游：企业客户自己没有 AI 团队，拿到模型根本不知道怎么嵌到现有流程里。



美国企业可以接受纯云端 SaaS 模式，是因为其数字化成熟度高、数据合规体系清晰、产业链分工明确。
但中国制造业的 AI 落地有两个绕不开的硬约束：
1. 数据安全与本地化部署
工厂的生产数据、工艺参数、供应链信息属于核心机密，绝大多数中大型制造企业都要求本地私有化部署。但大模型厂商的核心能力集中在云端迭代，私有化部署意味着模型固化、运维成本陡增，且无法持续享受模型升级的红利，双方需求天然错位。
2. 场景碎片化，通用模型水土不服
制造业的 AI 落地不是 “一个大模型包打天下”，而是质检、排产、工艺优化、设备运维等几十个细分场景，每个都需要行业数据微调、业务流程适配。通用大模型不懂工艺、不懂产线逻辑，直接拿来用必然 “答非所问”，而定制化的成本又高到企业无法承受。


它本质上是新一轮技术炒作周期里的集体非理性：决策层为了不落后于风口，为了市值和故事，在没搞清楚 AI 能做什么、自己缺什么的情况下，盲目砸钱立项，最后只能用 PPT 维持泡沫。
行业真正的拐点，从来不是模型参数再翻几倍，而是当热潮退去，大家终于愿意承认：AI 不是万能解药，它只是一个工具。
它的落地，必须从 “老板的战略口号” 回归到 “具体的业务痛点”，从 “追求高大上的全链路重构” 回归到 “小切口、深嵌入、能算账的单点优化”，再配套上成熟的实施服务生态。这条路，ERP 走了三十年，CAD 走了四十年，AI 不可能跳过。