Tại sao 70% dự án AI thất bại?
Tôi đã chứng kiến điều này nhiều lần. Một công ty đầu tư sáu con số trong một nền tảng học tập máy móc. Các nhà khoa học dữ liệu đã xây dựng một mô hình. Bảng điều khiển trông thật phi thường. Vậy thì không có gì thay đổi. Dự án này chết trên cây nho.
Đó là thực tế phũ phàng đằng sauTỷ lệ hỏng dự án AITheo một báo cáo 2023 từName70% sáng kiến của AI không mang lại giá trị kinh doanh. Không phải là “giá trị ”. Giá trị bằng không. HạtTrình khảo sát AI GartnerTừ năm 2021, chỉ có 54% dự án AI chuyển từ phi công sang sản xuất. Những người khác dừng lại. Và aNghiên cứu IDCtiết lộ 28% dự án AI bị bỏ hoang trước khi triển khai, với hàng tỷ đô la bị lãng phí mỗi năm cho những dự án có bằng chứng không bao giờ thấy ánh sáng ban ngày.
Tôi đã làm việc cho cả hai bên của con số thống kê tàn khốc đó. Tôi đã tạo ra AI vận chuyển và AI bị rơi. Trong bài này, tôi sẽ cho bạn biết chính xác tại sao 70% thất bại và 30% thành công sẽ làm gì khác. Quan trọng hơn, tôi sẽ cung cấp cho bạn một khuôn khổ có thể lặp đi lặp lại đã giúp các tổ chức cắt giảm của họTỷ lệ hỏng dự án AItừ mức trung bình của ngành công nghiệp đến dưới 30%, thường là dưới hai phần tư.
Dự án AI thật sự thất bại
Hãy làm rõ các con số. Các cuộc nghiên cứu khác nhau dùng những định nghĩa khác nhau về “sự thỏa hiệp, sự hài lòng, nhưng sự nhất trí là đáng chú ý.
- BCG (2023):70% các công ty không thấy ROI từ AI, ngay cả sau khi đầu tư đáng kể.
- Gartner (2021):Chỉ 54% nguyên mẫu AI được sản xuất. Những người còn lại không bao giờ rời khỏi phòng thí nghiệm.
- IDC (2022):28% sáng kiến của AI thất bại hoàn toàn trước khi triển khai; trong số đó triển khai, 45% không đáp ứng được mong đợi.
- MIT Sloan (2020):70% các công ty báo cáo ít hoặc không có ảnh hưởng từ AI, và khoảng cách giữa tham vọng và hành hình đang mở rộng.
- McKinsey (2023):HạtTình trạng AlNghiên cứu cho thấy việc nhận nuôi AI đã đạt đỉnh cao, và chỉ 21% các công ty nói AI đã tạo ra giá trị đáng kể trong một chức năng kinh doanh duy nhất.
HạtTỷ lệ hỏng dự án AIlượn quanh 60%–70% trên tất cả các nguồn này. Điều đó có nghĩa là cứ mỗi 3 dự án AI mà bạn bắt đầu, thì hai dự án sẽ lãng phí thời gian và tiền bạc của bạn. Để làm rõ điều này, nếu một doanh nghiệp trung bình triển khai 10 sáng kiến của AI mỗi năm với một chi phí trung bình là 5 triệu đô la mỗi năm, nó đốt cháy 35 triệu đô la mỗi năm trên các dự án mang lại ảnh hưởng không đáng kể về kinh doanh. Đó là một cái giá đáng kinh ngạc khi không hành động.
Chúng ta định nghĩa thế nào về “Filure quái vật
Tôi dùng một bài kiểm tra đơn giản: dự án có thay đổi cách kinh doanh hoạt động không? Nếu mô hình ngồi trong một cuốn sổ tay Jupyter và không bao giờ chạm vào một khách hàng, sản phẩm, hoặc chuỗi cung ứng, nó thất bại. Nếu mô hình là sống nhưng không ai tin hoặc sử dụng nó, nó đã thất bại. “ Một dự án AI hữu hiệu đạt được là một dự án gia tăng thu nhập, giảm chi phí, hoặc cải thiện kinh nghiệm khách hàng theo cách mà bạn thấy trong hàng quý. Bất cứ điều gì ngắn ngủi góp phần vàoTỷ lệ hỏng dự án AI.
Đó là định nghĩa thật sự — không phải thất bại kỹ thuật, mà là thất bại trong tổ chức. Ngay cả một mô hình hoàn toàn chính xác cũng không có giá trị gì nếu kinh doanh không chấp nhận.
Lý do thông thường đằng sau dự án AI cao cấp thất bại
Tôi đã phân tích các dự án thất bại qua hàng chục công ty — từ nhà bán lẻ Fortune 500 đến các công ty hậu cần trung bình. Mô hình luôn như nhau. Đây là năm sát thủ lớn nhất, giải thích đủ chi tiết để bạn nhận ra tổ chức của mình trong ít nhất một trong số đó.
1 Không giải quyết vấn đề kinh doanh
Hầu hết các dự án AI bắt đầu với một tư duy công nghệ đầu tiên. Một nhóm hứng thú với trí tưởng tượng của AI hoặc máy vi tính và hỏi: “Chúng ta có thể làm gì với điều này? Thay vì hỏi: “Chỉ một vấn đề hoạt động tốn kém nhất của chúng ta là gì?Học McKinseytìm thấy rằng các công ty liên kết AI với các kết quả kinh doanh cụ thể là 1,7 lần khả năng thành công. Tôi đã chứng kiến cảnh đảo ngược một cách đau đớn. Một công ty hàng hóa tiêu tốn 80 000 USD để xây dựng một mô hình dự báo nhu cầu mà chưa bao giờ được sử dụng bởi vì đội ngũ cung ứng có những quy tắc đơn giản hơn và hiệu quả. Người mẫu trả lời một câu hỏi mà không ai hỏi.
Khi bạn không định nghĩa thành công bằng ngôn ngữ thương mại, bạn trở nên ghê tởm. Dự án này cố gắng giải quyết ba vấn đề cùng một lúc hoặc đuổi theo một quan điểm mơ hồ của một khách hàng. Kết quả là một mô hình quá phức tạp để hoạt động. HạtTỷ lệ hỏng dự án AISự gia tăng khi lời tuyên bố đầu tiên về vấn đề không rõ ràng. Theo một cuộc thăm dò năm 2024 của O’Reilly, chỉ 38% các tổ chức nói rằng họ đã có một tuyên bố vấn đề rõ ràng trước khi bắt đầu công việc AI. Còn lại chỉ là thử nghiệm.
Ví dụ thật:Một ngân hàng ở Âu Châu muốn “được chứng minh là khách hàng đã đính hôn với Al. Sáu tháng sau, dự án đã thất bại bởi vì tiếp thị muốn có dự đoán lớn, các hoạt động muốn phát hiện gian lận, và tuân theo yêu cầu tự động hóa KYC. Mỗi người kéo theo những hướng khác nhau. Một mục tiêu tập trung — làm giảm lượng thẻ tín dụng mà 80% — đã cứu được dự án.
Dữ liệu xấu 2.
Mô hình AI đang thèm khát dữ liệu sạch, có nhãn hiệu, liên quan. Đa số các công ty có dữ liệu rải rác khắp mười hệ thống di sản, mỗi công ty có định nghĩa riêng về “người quen hoặc người chuyển nhượng. HạtBáo cáo IDCnói chất lượng dữ liệu nghèo là rào cản lớn thứ hai cho việc nhận nuôi AI trên toàn cầu. Tôi cho đó là cái lớn nhất. Rác thải, rác thải không chỉ là một câu sáo rỗng; đó là lý do kỹ thuật số mộtTỷ lệ hỏng dự án AIcứng đầu.
Một dự án AI tiêu tốn 80% thời gian vào việc chuẩn bị dữ liệu — nhưng nhiều đội đi tắt giai đoạn này. Họ cho rằng dữ liệu “cũng đủ tốt. Không bao giờ. Tôi từng làm việc với một nhà cung cấp chăm sóc sức khỏe mà mô hình dự đoán của bệnh nhân có 40% giá trị bị mất tích trong lĩnh vực quan trọng. Đội khoa học dữ liệu đã gán cho chúng bằng người da đỏ, và mô hình đã đạt được 88% độ chính xác trong việc kiểm tra. Nhưng trong quá trình sản xuất, những lời tiên đoán này không có ý nghĩa vì những giá trị còn thiếu không ngẫu nhiên — họ thiếu những bệnh nhân có biến chứng đặc biệt không được ghi lại. Dự án đã bị đình chỉ sau ba tháng tranh luận.
“ Dữ liệu xấu có vẻ như:
- Tài liệu không đầy đủ:30% hồ sơ bán hàng thiếu sân phân khúc khách hàng.
- Nhãn không nhất quán:“ Người dân địa phương và “California trong các cánh đồng địa chỉ được dùng lần lượt.
- Lặp lại:Cùng một khách hàng xuất hiện bốn lần với chứng minh thư khác nhau.
- Dữ liệu mật mã:Dữ liệu phát minh được cập nhật hàng tuần, nhưng cần phải có quyết định thực tế.
- Dữ liệu Siloed:Dữ liệu tương tác khách hàng nằm trong CRM, dữ liệu giao dịch trong phòng cấp cứu, và vé hỗ trợ trong một trợ lý riêng biệt.
Nếu dữ liệu của bạn không thống nhất, phức tạp và xác thực, AI của bạn sẽ bị ảo giác ngay cả khi nó không phải là một mô hình ngôn ngữ. HạtTỷ lệ hỏng dự án AIĐối với các tổ chức không có một khuôn khổ quản lý dữ liệu gần như gấp đôi so với những người có một, theo một cuộc khảo sát Experian.
3 Thiếu khả năng quản lý thay đổi
Bạn xây dựng một mô hình dự đoán sẽ đánh dấu với 95% độ chính xác. Đội bán hàng đã bỏ qua nó. Tại sao? Vì họ chưa bao giờ được huấn luyện sử dụng và không tin cậy. Đây là kẻ giết người thầm lặng của sáng kiến AI. HạtTỷ lệ hỏng dự án AINhững thay đổi khi các nhà lãnh đạo quên rằng AI không tồn tại trong chân không — nó thay đổi cách làm việc của con người.
McKinsey nhận thấy rằng 70% sự biến đổi kỹ thuật số thất bại là do văn hóa và quản lý thay đổi, chứ không phải công nghệ. Một mô hình AI tự động hóa quyết định trước đây của một quản lý cao cấp là mối đe dọa cho địa vị của người quản lý đó. Nếu bạn không đối phó với nỗi sợ hãi của con người, dự án này sẽ bị phá hoại — một cách tinh vi hoặc công khai. Tôi thấy nó ở một chuỗi bán lẻ nơi mà một mô hình tối ưu hóa hàng tồn kho đã được cuộn lại với những cánh quạt tuyệt vời. Tuy nhiên, người quản lý cửa hàng tiếp tục đặt hàng cổ phiếu bằng tay vì họ “làm mới thị trường địa phương tốt hơn. Những lời khuyên của người mẫu bị lờ đi trong sáu tháng cho đến khi công ty buộc một phần nhỏ tiền thưởng của người quản lý vào việc nhận con nuôi. Trong vòng 1/4 chi phí hàng tồn kho giảm 14%.
Tại sao thay đổi quản lý thất bại đối với AI:
- Không có nhà tài trợ ngoài IT.
- Người dùng cuối không bao giờ được tham khảo ý kiến trong thời gian thiết kế.
- Huấn luyện chỉ gồm một giờ học binh, chứ không phải luyện tay.
- Không có cơ chế phản hồi để báo cáo lỗi mô hình, vì vậy lòng tin bị xói mòn.
- “ Vấn đề về khung đen: Người dùng không hiểu tại sao AI đưa ra quyết định, vì thế họ bác bỏ.
ATrình báo Gartnerphát hiện ra rằng các tổ chức với ngân sách quản lý thay đổi tận tâm cho sáng kiến AI có tỉ lệ thành công cao hơn 45%. Tuy nhiên, chưa tới 20% các công ty phân phát ngân sách cho nó.
4 Sự trông đợi thiếu thực tế
AI không phải là ma thuật. Đó không phải là một viên đạn bạc. Và nó chắc chắn không sinh được 10x ROI trong tháng thứ nhất. Những nhà lãnh đạo tin vào chu kỳ này — những người đã chứng kiến quá nhiều cuộc biểu tình ChatGPT — thường mong đợi sự biến đổi ngay lập tức và lớn lao. Khi thực tế xảy ra, họ giết chết dự án trước khi nó có cơ hội trưởng thành, thổi phồngTỷ lệ hỏng dự án AI.
HạtBài báo MIT Sloanghi chú rằng các công ty đánh giá quá cao những gì AI có thể làm trong ngắn hạn và đánh giá thấp công việc lâu dài cần thiết để nhúng nó. Tôi đã thấy một công nghệ bắt đầu sử dụng 300 nghìn đô la cho một hệ thống phát hiện gian lận dựa trên AI, mong đợi nó sẽ cắt giảm 50% trong 30 ngày. Khi tiền phí giảm chỉ 12%, CFO đã rút máy — mặc dù 12% tiền tiết kiệm mỗi tháng là 1,2 triệu đô la mỗi năm. Khoảng cách chờ đợi đã giết chết một dự án hoàn toàn khả thi.
Cơ quan Hy Lạp của Gartner về trí thông minh nhân tạo thường đặt những công nghệ như nghiên cứu sâu và cạnh AI tại “sự mong đợi quá đáng, và tiếp theo là“ khu vực vỡ mộng. Nhiều dự án AI chết trong máng cỏ đó vì các nhà tài trợ không có kế hoạch cho việc học. HạtTỷ lệ hỏng dự án AIlà một thất bại của sự kiên nhẫn nhiều như công nghệ.
Comment
Bạn không thể cải thiện những gì mình không đánh giá được. Tuy nhiên, một số lượng đáng kinh ngạc của AI khởi động xảy ra mà không rõ ràng KPIs. Có phải mục tiêu giảm 10% chi phí? Tăng thêm 5% cải đạo? Thời gian chu kỳ ngắn từ 3 ngày đến 4 giờ? Nếu không có mục tiêu cụ thể, theo thời gian, bất kỳ kết quả nào có thể được biến thành chiến thắng - hoặc, thông thường hơn, không ai có thể chứng minh AI đã làm gì. Sự mơ hồ đó sinh ra sự lãnh đạm trong tổ chức, và dự án từ từ chết đi.
Có lần tôi xem lại một dự án cho rằng “70 phần trăm sự cải tiến về năng suất. Khi tôi tìm hiểu, “số lượng dữ liệu được định nghĩa là số lượng các dữ liệu được điều chỉnh mỗi ngày, nhưng toàn bộ quá trình không thay đổi. AI đã xáo trộn công việc, chứ không giảm nó. Đó là một thất bại điển hình. HạtTỷ lệ hỏng dự án AIrơi đáng kể khi bạn xác định một tập hợp nhỏ hoạt động KPIs phía trước, gắn trực tiếp vào tuyên bố vấn đề.
Ví dụ KPIs làm việc:
- Giảm thời gian cấp bậc trung bình 20% trong 6 tháng.
- Tăng tốc độ chuyển đổi tăng từ 4,2% lên 6.0% đến cuối Q3.
- Chi phí xử lý hóa đơn thủ công là 35% trong năm qua.
- Tăng độ chính xác dự báo (MAPE) từ 22% đến 12% trong vòng một phần tư.
Nếu không có những con số này, bạn sẽ bị mù — và bạn sẽ gia nhập 70%.
Làm thế nào để giảm tỉ lệ thất bại trong dự án AI
Tôi đã giúp các tổ chức cắt giảmTỷ lệ hỏng dự án AITừ 70% đến dưới 30%. Cách tiếp cận không hấp dẫn. Nó có hệ thống. Nó được xây dựng trên nền tảng của sự ưu tiên tàn nhẫn, vệ sinh dữ liệu, sản xuất nhanh chóng, và đầu tư vào con người. Đây là bản thiết kế chính xác.
Bảng so sánh: bị lỗi khi so sánh với các dự án AI thành công
| Kích thước | Dự án thất bại (70%) | Dự án thành công (30%) |
|---|---|---|
| Name | Name | Vấn đề kinh doanh có thể đo lường được |
| Sẵn sàng dữ liệu | Không có kiểm tra dữ liệu sẵn | Độ chính xác và nhãn 90%+ |
| Người giữ cửa mua vào | Chỉ ủy nhiệm | Đội qua chức năng tham gia từ ngày một |
| Đo lường ROI | Không xác định KPIs | 3–5 cụ thể, đo thời gian |
| Tiếp cận triển khai | Name | Name |
| Đổi bộ quản lý | Không có kế hoạch huấn luyện | Sự huấn luyện người dùng, thí nghiệm phi công và vòng phản hồi |
Chọn một vấn đề cần giải quyết trước
Đừng cố đun sôi đại dương nữa. Tôi đã chứng kiến 2 triệu USD thất bại vì họ cố gắng chuyển đổi toàn bộ cuộc hành trình của khách hàng. Những tổ chức đánh bạiTỷ lệ hỏng dự án AIChọn một quá trình nhỏ, đau đớn, tốn kém và tấn công nó liên tục.
Bắt đầu với một xưởng tìm vấn đề. Kết hợp các đầu mối kinh doanh, quản lý và phân tích dữ liệu. Hãy đặt câu hỏi: “Nếu bạn có thể vẫy một cây đũa thần và sửa chữa một việc lặp đi lặp lại dữ liệu khiến bạn phải ngủ, thì nó sẽ là gì? Sau đó xếp những ý tưởng trên ba trục: tác động kinh doanh tiềm năng, có sẵn dữ liệu, và khả năng triển khai. Chọn ý tưởng cao nhất. Đừng bao giờ chọn một căn cứ trên “Đây là một AI tuyệt vời.
Các vụ án có quyền cao, hạn hẹp cần xem xét:
- Lời tiên đoán của khách hàng (làm tăng lãi suất 5%)
- Việc dự báo trước nhu cầu phát minh (đang sản xuất cổ phiếu đến 30%).
- Xử lý hóa đơn tự động (tự động cắt chi phí nhập dữ liệu bằng tay bằng 50%).
- Bảo trì dự đoán cho một lớp máy đặc biệt.
- Giá động cho một loại sản phẩm.
APhân tích BCGTìm thấy rằng các công ty tập trung vào một trường hợp sử dụng giá trị cao nhất là 2,3 lần nhiều khả năng nhìn thấy ROI trong năm đầu tiên. Điều đó cũng làm cho việc chuẩn bị dữ liệu và thay đổi quản lý dễ dàng hơn bởi vì mọi người đều biết thành công trông như thế nào.
Làm sạch dữ liệu trước khi chạm vào Al
Tôi dành 80% thời gian chuẩn bị dữ liệu. Anh cũng nên vậy. Nếu bỏ qua bước này, bạn đang xây nhà trên cát. HạtTỷ lệ hỏng dự án AIđược liên kết trực tiếp với sự lộn xộn của bất động sản dữ liệu của bạn.
Trước khi bất kỳ mô hình nào bắt đầu, hãy kiểm tra cẩn thận dữ liệu. Ghi lại nguồn dữ liệu của bạn, đánh giá sự toàn vẹn, độ chính xác và thống nhất. Dùng một công cụ phân tích dữ liệu hoặc thậm chí một văn lệnh Python đơn giản để tóm tắt các giá trị còn thiếu, tối ưu và bản sao. Sau đó sửa chữa các vấn đề ở nguồn, không phải trong đường ống.
Danh sách kiểm tra dữ liệu tôi sử dụng với mọi khách hàng:
- Trung tâm:Dữ liệu cần thiết cho trường hợp sử dụng có nằm trong hơn hai hệ thống không? Nếu có, hãy tạo một nguồn sự thật duy nhất (một kho dữ liệu hoặc một hồ dữ liệu có danh mục). Nếu không có điều này, đầu vào của mô hình sẽ bị phân tán và không đáng tin cậy.
- Nhãn đúng:Đối với giám sát học tập, chất lượng nhãn là tạo ra-hoặc-cho-chia. Tôi đã thấy các mô hình thất bại vì “cái nhãn đỏ được định nghĩa một cách không nhất quán (một nhóm được xem là một khách hàng đã được đánh dấu sau 60 ngày, sau 90 ngày. Định nghĩa nhãn hiệu với chủ doanh nghiệp, không phải kỹ sư dữ liệu.
- Chắc chắn những giá trị thiếu suy nghĩ:Đừng chỉ xếp hàng hoặc điền vào chỗ trống. HiểuTại saocòn thiếu dữ liệu. Nó là ngẫu nhiên, hay nó chỉ ra một vấn đề hệ thống? Tôi từng làm việc với một công ty hậu cần nơi mà 20% hồ sơ trọng lượng bị mất; hóa ra đó là những chuyến hàng giá trị cao vượt qua quy mô. Làm rơi những hàng này sẽ có định kiến mô hình.
- @ info/ richXác định danh tính khách hàng, sản phẩm SKUs và định dạng ngày tháng nhất quán trên các bảng. Một nỗ lực vô tính nhỏ có thể cải thiện hiệu suất mô hình 5-10%.
- Dòng dõi dữ liệu:Vì vậy, khi một tháng sau một cái gì đó phá vỡ, bạn biết những dữ liệu đến từ đâu.
HạtNghiên cứu IDCcho thấy rằng các tổ chức với một đội kỹ thuật dữ liệu tận tụy giảm bớt của họTỷ lệ hỏng dự án AI40%. Theo kinh nghiệm của tôi, các công ty đầu tư vào việc dọn dẹp dữ liệu 4-6 tuần trước khi mô hình hóa tỷ lệ thất bại ít nhất 60%.
Xây dựng một mô hình tối thiểu có thể làm được
Sự hoàn hảo là kẻ thù của AI triển khai. Đừng nhắm đến 99% chính xác vào ngày thứ nhất. Hãy nhắm vào “một mô hình tốt đủ để bạn có thể vận chuyển trong 4–6 tuần. Nhận được phản hồi thực sự người dùng. Sau đó lặp lại.
Mô hình MVP không nhất thiết phải có sức mạnh mạng thần kinh. Tôi đã thấy các mô hình hồi quy đăng nhập giải quyết các vấn đề tốt hơn so với các cây mọc dốc vì chúng đơn giản hơn để giải thích và triển khai. Mục tiêu là để thử nghiệm một giả thuyết: nếu chúng ta sử dụng mô hình này để hỗ trợ một quyết định, nó sẽ di chuyển cây kim? Nếu giả thuyết chứng minh đúng, bạn luôn có thể tăng sự phức tạp sau này.
Một dòng thời gian MVP thực:
- Tuần 1- 2: Dữ liệu thống nhất và nhãn (80% nỗ lực).
- Tuần 3: Xây dựng một mô hình đơn giản (sự hồi quy tuyến tính, cây quyết định, hoặc XG Boost).
- Tuần 4: Ngắt mô hình này trong một hệ điều hành cơ bản và cắm nó vào một bảng điều khiển đã có hoặc một ứng dụng web đơn giản.
- Phi công với 3-5 người dùng thân thiện, thu hồi thông tin phản hồi, đo lường sơ bộ của KPIs.
Tôi thấy các đội đã dành sáu tháng để hoàn thiện một mô hình mà không ai cần. MVP cho phép bạn thất bại về giá rẻ — và nếu nó sẽ thất bại, bạn muốn biết trước khi bạn chi 200.000 đô la. HạtTỷ lệ hỏng dự án AIlà cao nhất trong số các đội mà không bao giờ vận chuyển một MVP; họ chỉ là thợ hàn không ngừng.
Đầu tư vào việc quản lý thay đổi
AI của bạn vô dụng nếu người dùng cuối cùng không tin. Đây là phía con ngườiTỷ lệ hỏng dự án AIĐó là nơi hầu hết các đội kỹ thuật ngã xuống. Anh cần một kế hoạch có chủ tâm để chuyển từ phi công sang nhận nuôi hoàn toàn.
Ít nhất, hãy làm như sau:
- Những nhà vô địch nhận diện:Hãy tuyển 2-3 người dùng có ảnh hưởng từ phía kinh doanh những người sẽ thử nghiệm MVP và truyền bá tin mừng. Cho họ truy cập sớm và lắng nghe phản hồi của họ.
- Thiết kế dòng công việc:Đừng dùng dụng cụ mới. Liên kết đầu ra của AI vào dòng chảy quyết định hiện có. Chẳng hạn, thay vì phân biệt bảng điều khiển riêng, hãy cho thấy điểm rủi ro của mô hình ngay cạnh tên của khách hàng.
- Huấn luyện theo nhóm nhỏ:Chạy 30 phút đồng hồ mà người dùng có thể đặt câu hỏi và xem những ví dụ thực sự về dự đoán của mô hình so với kết quả thực tế. Giải thíchTại saomẫu này đưa ra một số lời khuyên, ngay cả khi đó là lời giải thích đơn giản.
- Tạo một vòng phản hồi:Cho người dùng một cách dễ dàng để đánh dấu trường hợp AI sai. Điều này phục vụ hai mục đích: nó cải thiện mô hình theo thời gian, và nó làm cho người dùng cảm thấy được lắng nghe. Lòng tin xây dựng dần dần.
- Mối liên kết khuyến khích nhận con nuôi:Nếu có thể, điều chỉnh số đo hiệu suất để bao gồm cách sử dụng AI. Nó không nhất thiết phải là trừng phạt; nó có thể được công nhận. Tại một nhà sản xuất mà tôi làm việc, người quản lý nhà máy đã nhận nuôi 90% người mẫu đã nổi tiếng khi xem xét hàng quý — việc nhận con nuôi lan rộng nhanh chóng.
ATrình báo Gartnerphát hiện ra rằng các tổ chức với ngân sách quản lý thay đổi tận tâm cho sáng kiến AI có tỉ lệ thành công cao hơn 45%. Đó không phải là trùng hợp ngẫu nhiên. HạtTỷ lệ hỏng dự án AIlà vấn đề của người dân.
Những gương mẫu thật của thế giới về sự gia tăng thành công
Tôi đã thấy khung bên trên biến các nhà máy thất bại thành những câu chuyện thành công. Đây là ba trường hợp nghiên cứu chứng minh bạn có thể đánh bại cácTỷ lệ hỏng dự án AI.
Nghiên cứu 1: Công ty hậu cần tiết kiệm được 12% trong việc vận chuyển
- Vấn đề:Chi phí vận chuyển quá thời gian là ăn 15% lề cho một công ty hậu cần trung bình.
- Dữ liệu:Họ có 3 năm hồ sơ vận chuyển ở Salesforce, bao gồm nguồn gốc, đích đến, trọng lượng, mẫu hạm và chi phí cuối cùng. Dữ liệu đã hoàn thành 90% sau một tuần dọn dẹp.
- Mô hình:Một mô hình tăng vọt dự đoán các mẫu nhỏ nhất trên mỗi tuyến đường, xem xét yêu cầu cấp độ dịch vụ.
- Triển khai:Kết quả của mô hình này được đóng vào bảng điều khiển hiện có. Nhân viên được huấn luyện trong 2 phút 45.
- Kết quả:12% chi phí giảm trong 6 tháng. Trả thù trong 4 tháng. Dự án thành công vì nó hẹp, sẵn sàng dữ liệu, và tập trung vào người dùng. HạtTỷ lệ hỏng dự án AIVì công ty này bây giờ là số không.
Nghiên cứu 2: E-Commerce Retailts Conversion 18%
- Vấn đề:Một người bán lẻ trên mạng muốn tăng giá trị thứ tự trung bình thông qua các đề nghị cá nhân.
- Dữ liệu:Danh mục sản xuất và dữ liệu clickstream được xây dựng trên 3 cơ sở dữ liệu. Họ mất 3 tháng để xây dựng một bảng tương tác với khách hàng.
- Mô hình:Hợp tác lọc với sự tương đồng dựa trên mục, sau đó tăng cường với mạng lưới thần kinh nhẹ.
- Triển khai:Các dụng cụ khuyến khích thay thế phần “Các sản phẩm được phân phối trong các trang sản phẩm. A/B đã kiểm tra hệ thống dựa trên quy tắc cũ.
- Kết quả:Tỷ lệ đảo ngược tăng 18% và giá trị thứ tự trung bình là 11%. HạtTỷ lệ hỏng dự án AINếu không cố định dữ liệu thì dự án này đã bị tiêu diệt. Mô hình ban đầu được xây dựng trên dữ liệu phân mảnh có tỷ lệ truy cập thấp hơn nhóm kiểm soát.
Nghiên cứu 3: Nhà sản xuất cắt giảm thời gian xuống 22%
- Vấn đề:Một nhà sản xuất bao bì trải qua thời gian không dự tính trước trên đường dây sản xuất chủ yếu, tốn 50.000 đô la mỗi giờ.
- Dữ liệu:Hai năm của dữ liệu cảm biến (động cơ, nhiệt độ, tốc độ) từ 50 máy, cộng với nhật ký bảo trì.
- Mô hình:Một máy quét rừng ngẫu nhiên dự đoán sẽ bị hư hỏng với 48 giờ trước. Mô hình được cố tình giữ đơn giản để nhân viên bảo trì có thể hiểu được các tín hiệu hàng đầu.
- Triển khai:Cảnh báo được gửi đến các nhà quản lý dịch chuyển điện thoại qua tin nhắn và kết hợp với hệ thống quản lý nhà máy. Các công nhân được huấn luyện về cách giải thích và cảnh báo ba phần.
- Kết quả:Thời gian không lên kế hoạch giảm 22% trong quý đầu tiên, tiết kiệm 1,3 triệu đô la. Sau đó, nhóm đã thêm vào một lớp giải thích khả thi để xây dựng lòng tin. HạtTỷ lệ hỏng dự án AIĐối với sáng kiến này là zero bởi vì họ liên quan đến các nhà điều hành từ ngày đầu tiên.
Những nghiên cứu này chia sẻ những đặc điểm chung: một vấn đề tập trung laser, dữ liệu sạch, tư duy MVP, và đầu tư nặng nề vào quản lý thay đổi. Đó là cuốn sách.
Kết luận: Ở trong 30%
HạtTỷ lệ hỏng dự án AIkhông phải là quy luật tự nhiên. Đó là triệu chứng của việc lập kế hoạch kém, dữ liệu tồi và sự thay đổi yếu kém. Anh có thể đánh bại nó. Các tổ chức trong 30% không có những nhà khoa học thông minh hơn — họ có kỷ luật tốt hơn. Họ chọn một vấn đề, làm sạch dữ liệu, tàu nhanh, và đưa người của họ theo.
Đây là những gì tôi muốn bạn làm tiếp theo — một kế hoạch hành động 5 bước bạn có thể bắt đầu vào ngày mai:
- Kiểm tra dữ liệu.Dành một tuần phân tích dữ liệu quan trọng cho trường hợp sử dụng hàng đầu của bạn. Xác định giá trị bị mất, bản sao và sự mâu thuẫn. Nếu chưa có dữ liệu, hãy trì hoãn làm người mẫu cho đến khi có dữ liệu.
- Chọn một vấn đề.Viết ra một tuyên bố duy nhất về vấn đề và điều mà ROI mong đợi. Lấy thông tin từ cả nhà tài trợ kinh doanh và chủ sở hữu dữ liệu.
- Xây dựng MVP.Sử dụng mô hình đơn giản nhất có thể làm việc. Tàu sẽ đến trong 4 tuần nữa, dù nó không hoàn hảo. Bạn đã xác định kết quả đầu tiên là KPIs.
- Huấn luyện người của anh.Chạy các phiên họp, thu thập phản hồi, và bổ nhiệm các nhà vô địch nội bộ. Địa chỉ sợ hãi công khai.
- Vòng lặp và đo đạc.Thiết lập vòng kiểm tra 30 ngày. Nếu MVP có triển vọng, đầu tư vào việc cải thiện chất lượng dữ liệu và sự tinh vi mô hình. Nếu không, hãy giết nó thật nhanh và học hỏi.
Nếu bạn theo khuôn khổ đó, bạn sẽ gia nhập con số 30%. Tôi biết vì tôi đã làm thế. Tôi đã giúp hàng chục công ty — từ chăm sóc sức khỏe đến ngành công nghiệp lớn — chém giết họTỷ lệ hỏng dự án AIvà cuối cùng lấy được giá trị thực từ dữ liệu của họ.
Sự khác biệt giữa 70% và 30% không phải là ảo thuật. Đó là phương pháp.
Comment
Chính xác thì tỷ lệ thất bại của dự án AI là bao nhiêu?
HạtTỷ lệ hỏng dự án AINói về tỷ lệ phần trăm các sáng kiến trí tuệ nhân tạo không mang lại giá trị kinh doanh hoặc thất bại trong việc chuyển từ phi công sang sản xuất. Theo BCG (2023), 70% các công ty không thấy ROI từ Al.(Chúng tôi như được viện dẫn; thương hiệu thất bại kiểm tra lại ngày 2026 — xác nhận phiên bản hiện tại trước khi trích dẫn).Gartner (2021) báo cáo rằng chỉ 54% nguyên mẫu AI đạt đến sản xuất, nghĩa là tỷ lệ thất bại theo định nghĩa đó là 46%. IDC (2022) đã tìm thấy 28% thất bại trước khi triển khai và nhiều hình ảnh phụ khác. Thỏa thuận là 60% các dự án AI thất bại một cách có ý nghĩa.
Tại sao 70% dự án AI thất bại?
Năm lý do hàng đầu là: không có vấn đề kinh doanh rõ ràng (trước tiên là công nghệ), dữ liệu tồi (không đầy đủ, chưa đóng dấu), thiếu quản lý thay đổi (kết thúc người dùng không bao giờ chấp nhận), những mong đợi không thực tế ( mong đợi trong ngắn hạn ROI yêu cầu), và không có khuôn khổ đo lường (không có KPIs để chứng minh giá trị). Văn hóa và dữ liệu gây ra hầu hết thất bại, chứ không phải những thiếu sót kỹ thuật.
Làm thế nào tôi có thể giảm tỷ lệ thất bại của dự án AI trong công ty?
Bắt đầu từ một vụ án sử dụng cao cấp. Đầu tư vào chất lượng dữ liệu và tích hợp trước khi xây dựng mô hình. Xây dựng một mô hình khả thi tối thiểu và lặp lại dựa trên phản hồi của người dùng. Hãy phân chia rõ ràng ngân sách cho việc thay đổi quản lý — huấn luyện, giao tiếp và kiểm tra người dùng. Định nghĩa cụ thể 3-5, hạn chế thời gian KPIs gắn liền với kết quả kinh doanh. Những bước này được chỉ ra để giảm tỷ lệ thất bại từ 70% xuống dưới 30% trong công việc của thân chủ tôi.
Tỷ lệ thành công của AI trong sản xuất là bao nhiêu?
Gartner nhận thấy chỉ 54% dự án AI chuyển từ phi công sang sản xuất. Trong số những người triển khai, chỉ một phần nhỏ mang lại kết quả là ROI — tỷ lệ thành công 30% của BCG tương đương với điều đó. Vì vậy, khoảng một nửa không bao giờ rời khỏi phòng thí nghiệm, và trong số đó, khoảng một nửa của những người làm, khoảng một nửa dưới thời gian.
Một dự án AI thất bại giá bao nhiêu?
Chi phí rất khác nhau. Một dự án AI tầm trung có thể trị giá 300.000 đô-la chi phí cho việc chuẩn bị dữ liệu, phần mềm và tài năng. Những sáng kiến lớn hơn về doanh nghiệp có thể đạt đến $2-5 triệu. Nếu 70% thất bại, một công ty điều hành năm dự án một năm có thể lãng phí 1,5 triệu đô la mỗi năm.
Có phải dự án AI thất bại cao hơn so với một số ngành công nghiệp?
HạtTỷ lệ hỏng dự án AIlà cao hơn trong các ngành công nghiệp với những hạn chế nghiêm trọng về điều hành (sự chăm sóc sức khỏe, tài chính) hoặc môi trường dữ liệu bị phân rã (được sản xuất, bán lẻ) bởi vì quản lý dữ liệu và thay đổi quản lý khó khăn hơn. Tuy nhiên, con số 70% khá nhất quán trên các lĩnh vực. Các công ty kỹ thuật có xu hướng có tỉ lệ thất bại thấp hơn một chút vì họ thường có cơ sở hạ tầng dữ liệu tốt hơn và sự sẵn sàng của văn hóa.
Liệu AI tạo ra có một tỷ lệ thất bại khác không?
Dự án AI sinh học vẫn còn mới, nhưng các dấu hiệu ban đầu cho thấy tỷ lệ thất bại cao hơn do sự mong đợi, rủi ro đạo đức, và khó khăn trong việc đo lường ROI vượt quá mức nội dung. Một cuộc khảo sát 2024 của Delotte cho thấy chỉ 22% các công ty đã chuyển GenAI từ phi công sang sản xuất, có nghĩa là thất bại 78% bởi hệ số đo lường phi công.
Một dự án AI thất bại có thể được giải cứu không?
Chắc chắn rồi. Phần lớn “các dự án về phương diện tổ chức đã thất bại. Tôi phục hồi những dự án đã chết bằng cách khởi động lại một định nghĩa rõ ràng, làm sạch dữ liệu và thiết lập một quá trình quản lý thay đổi thích đáng. Bản thân mô hình này thường dễ sử dụng; nó chỉ cần môi trường thích hợp để phát triển.
Sẵn sàng đánh bại dự án Al thất bại chưa?
Đừng phí tiền cho Al mà không bao giờ có tàu. VàoCơ quan DG10Chúng tôi giúp các công ty thiết kế, xây dựng và triển khai AI thực sự hoạt động — không phải trong phòng thí nghiệm, mà trong thế giới thực nơi các lề quan trọng.
Chúng tôi đã cắt giảmTỷ lệ hỏng dự án AIcho khách hàng của chúng tôi trung bình trên 40%. Chúng tôi bắt đầu với dữ liệu của anh. Chúng tôi xác định số đo rõ ràng. Chúng tôi xây dựng mô hình mà đội của bạn sẽ sử dụng. Và chúng tôi sẽ ở lại với anh cho đến khi RRI xuất hiện trong báo cáo thu nhập của anh.
Hôm nay hãy nói chuyện với chúng tôiVề các mục tiêu của AI. Hãy đưa bạn vào 30%.
Tiếp tục đọc
Nếu hướng dẫn này giúp ích, chúng đi sâu hơn vào hệ thống đằng sau nó: