为什么70%的AI项目失败:理解AI项目失败率(以及如何成为30%)
我见过数十次。 一公司投资6位数字进入机器学习平台. 数据科学家们建立了一个模型. 仪表板看起来不可思议 那没什么变化 工程死在藤条上.
这就是背后的严峻现实AI 项目故障率根据2023年的一份来自卡介苗70%的人工智能举措未能提供任何可衡量的商业价值。 不是“某种价值”。 无值. 那个Gartner AI调查从2021年开始发现只有54%的AI项目曾经从飞行员转向生产. 其他的都停了下来 一个IDC研究28 %的AI项目在部署前就被放弃了,每年有数十亿美元浪费在从未看到光明的观念证明上.
我曾经为这个毁灭性统计的两面工作。 我建造了运货的AI和坠毁的AI. 在文章中, 我会向各位展示这70%失败的原因, 更重要的是,我给大家一个可以重复的框架,AI 项目故障率从工业平均到30%以下,往往不到四分之一。
True AI 项目失败率
让数字直截了当。 不同的研究使用不同的“失败”定义,但共识是清醒的。
- 卡介苗(2023年):70%的公司没有从AI那里看到ROI,即使在大量投资之后.
- 加特纳(2021):只有54%的AI原型机完成生产. 其余的从不离开实验室.
- 国际数据中心(2022年):28%的人工智能倡议在部署前完全失败;在部署者中,45%没有达到预期。
- 麻省理工学院斯隆(2020年):70%的公司报告AI的影响很小或没有影响,野心与执行之间的差距正在扩大.
- 麦肯锡(2023年):那个大赦国际调查显示,AI的采用已经稳定下来,只有21%的公司说AI在一个单一的商业功能中产生了显著的价值.
那个AI 项目故障率在所有这些来源中徘徊在60-70%左右。 这意味着你开始的每三个AI项目,有两个会浪费你的时间和金钱. 如果一个中型企业每年部署10项人工智能举措, 平均成本为50万美元, 这是无所作为的惊人代价。
我们如何定义“失败”
我用一个简单的测试:项目是否改变了企业的运作方式? 如果模型坐落在一个Jupyter笔记本中,而从未触及客户,产品,或供应链,则失败. 如果这个模型是活的 但没人相信它或使用它,它失败了。 “成功”AI项目要么增加收入,降低成本,要么以季度数字显示的方式改善客户经验。 任何差错都有助于AI 项目故障率.
这是真正的定义,不是技术失败,而是组织失败。 如果企业不采用这个模式,
AI项目高失败率背后的共同原因
我分析了数十家公司的失败项目, 规律始终不变. 这五个最大的杀手,
1. 无明确的商业问题
大多数AI项目从技术第一思维开始. 一个团队对基因AI或电脑视觉感到兴奋, 而不是问,“我们唯一的最昂贵的业务问题是什么?”麦肯锡研究发现将AI与具体商业结果挂钩的公司成功的可能性是1.7倍。 我亲眼目睹了反面剧情, 一家消费品公司花费80万美元建造了一个需求预测模型,但这一模型从未使用过,因为供应链团队有更简单的规则,运行得足够好. 模特儿回答了一个没人问的问题
当您不从商业角度定义成功时, 您就会发现范围蠕动。 该项目试图同时解决三个问题,或追求模糊的“360度客户观点”。 结果是模式过于复杂,无法运作。 那个AI 项目故障率当初始问题语句模棱两可时会飞升。 根据奥赖利2024年的一项调查,只有38%的组织在开始AI工作前表示有明确的问题说明. 其他的只是实验
实际实例 :一家欧洲银行希望“改善客户与大赦国际的接触”。 六个月后,由于市场营销想要churn预测,业务想要发现欺诈,遵义则想要KYC自动化,该项目宣告失败. 每个人都往不同方向走 一个重点突出的目标——将信用卡减少8%——本来可以挽救该项目。
2. 不良数据
AI模型对清洁,标签,相关数据感到饥渴. 大多数公司的数据分散在10个遗留系统,每个系统都有自己的“客户”或“交易”的定义。 那个IDC 报告说数据质量差是全球第二大障碍, 我认为这是最大的。 垃圾倒入,垃圾倒出不仅仅是陈词滥调,AI 项目故障率坚持住
一个典型的AI项目将80%的时间花在了数据准备上——但许多团队都快捷这个阶段. 他们认为数据“足够好”。 从来没有 我曾经与一个保健提供者合作过, 其病人重新接纳的预测模型 在关键领域有40%的缺失值。 数据科学团队用中位数来估算它们,模型在测试中实现了88%的精度. 但是在生产中,这些预测是非理智的,因为缺失的数值并不是随机的,对于有具体并发症但没有记录的病人来说,这些预测是缺失的。 该项目经过三个月的争论后被搁置.
“坏数据”是什么样子的:
- 不完整记录 :30%的销售记录缺乏客户部分领域.
- 标签不一致 :“CA”和“加利福尼亚”在地址领域可互换使用。
- 复制件 :同一客户有4次有不同的身份证出现.
- 存储数据 :每周更新清单数据,但需要实时决定。
- 仓储数据 :客户互动数据存在于客户关系管理、企业资源规划系统中的交易数据以及单独的服务台支持罚单。
如果你的数据不是统一、破译和验证的, 你的人工智能即使不是一个语言模型也会产生幻觉。 那个AI 项目故障率对没有数据管理框架的组织来说,根据一项专家调查,几乎是有数据管理框架的组织两倍。
3. 缺乏改革管理
你用95%的精度 建了一个模型 销售团队对此视而不见. 为什么? 因为他们从未受过使用训练, 这是AI倡议的无声杀手. 那个AI 项目故障率当领导人忘记AI不存在真空时,
麦肯锡发现,70%的数字转型失败是由于文化和变革管理,而不是技术. AI模式使高级主管以前作出的决定自动化,是对该主管地位的威胁。 若不解决人类的恐惧, 我在一个零售链上看到这个, 一个库存优化的模型被推出 一个巨大的风扇。 但是,库存管理人员继续手工订购股票,因为他们“更了解本地市场”。 该模型的建议被忽略了六个月,直到公司将经理奖金的一小部分与收养挂钩. 在四分之一之内,库存成本下降了14%。
更改管理为何失败 AI:
- IT之外没有执行赞助商.
- 在设计过程中从未咨询过终端用户.
- 培训包括一小时的网络练习,而不是实际练习。
- 没有反馈机制来报告模型错误,所以信任被侵蚀.
- “黑盒”问题:用户不明白AI为何作出决定,
页:1Gartner 报告发现有AI倡议专项改革管理预算的组织成功率提高45%。 然而,不到20%的公司为此划拨预算。
4. 不现实的期望
AI不是魔术。 这不是银弹。 在第一个月, 买入杂耍循环的领导人 — — 他们看过太多的ChatGPT演示 — — 往往期待立即大规模转型。 当现实降临时,他们在项目未成熟之前就杀死了它,夸大了它AI 项目故障率.
那个麻省理工学院斯隆文章注意到一些公司高估了AI在短期内所能做的事情,低估了嵌入它所需的长期工作。 我见过一个Fintech创业公司在基于AI的欺诈侦测系统上花费30万美元, 当回扣只减少12%时,首席财务干事就拔掉了这个插头——尽管12%的月储蓄是每年120万美元. 期望差距使一个完全可行的项目落空。
Gartner的人工智能假循环经常将深层学习和边缘AI等技术置于“膨胀预期的顶峰 ” , 接着是“幻灭” 。 许多人工智能项目因为赞助商没有计划学习曲线而死。 那个AI 项目故障率与技术一样,经常是耐心的失败。
5. 无计量框架
你无法改善你无法衡量的东西。 然而,在没有明确的KPI的情况下,出现了惊人数量的AI发射。 将成本降低10%的目标吗? 转换增加5%? 周期从三天缩短到四小时? 没有具体、有时限的目标,任何结果都可以作为胜利而出现,或者,更常见的是,没有人能够证明大赦国际做了什么。 这种模棱两可的态度滋生了组织上的冷漠,项目慢慢地消亡.
我曾经审查过一个声称“效率提高70%”的项目。 “效率”被定义为每天更正的数据条目数量, 人工智能洗牌了,没有减少。 这是典型的测量失败。 那个AI 项目故障率当您在前面定义一小组可操作的 KPI 时会大幅下降, 直接与问题语句绑定 。
工作 KPI 示例:
- 在6个月内将平均订单到船时间减少20%.
- 到问题3结束时,将销售换算率从4.2%提高到6.0%。
- 斜拉式人工发票处理费用逐年增加35%.
- 在四分之一之内提高预测准确度,从22%提高到12%。
没有这些数字,你就会盲目飞行,你会加入70%。
如何降低您的AI项目失败率
我帮助组织削减AI 项目故障率从70%到30%以下。 这样做不性感。 这是系统性的。 它建立在无情优先、数据卫生、快速原型和以人为本的推出的基础上。 以下是确切的蓝图。
比较表:失败与成功的AI项目
| 尺寸 | 项目失败(70%) | 成功项目(30%) |
|---|---|---|
| 问题澄清 | 模糊或多重目标 | 单一、可计量的商业问题 |
| 数据准备 | 无项目前数据审计 | 完成数据精确度和标签 |
| 利益攸关方买入 | 只执行任务 | 从第一天起参与的跨职能小组 |
| ROI 测量 | 没有定义 KPI | 3-5 具体、有时限的衡量标准 |
| 部署办法 | 大爆炸发射 | 基于MVP的迭代推出 |
| 改革管理 | 无培训计划 | 用户培训、试点测试和反馈循环 |
选择一个问题先解决
别再煮海了 我见过200万美元的AI计划失败, 击败AI 项目故障率选择一个小的,痛苦的,昂贵的过程,并无情地攻击它.
从问题调查研讨会开始。 集合业务领导,业务经理,数据分析员. 问:“如果你能挥动魔杖,并修正一个重复的、由数据驱动的任务,让你失眠,那会是什么?” 然后将这些想法分为三个轴心:潜在的商业影响、数据的可用性和部署的可行性。 选择最高等级的主意. 永远不要根据“这是很酷的AI”来选择。
高潜力、狭义的使用案例,以考虑:
- 客户churn预测(将churn减少5%可以将利润提高25-85%).
- 库存需求预测(减少30%)。
- 自动发票处理(人工数据输入费用减少50%)。
- 特定机型的预测维护.
- 单一产品类别的动态定价。
页:1卡介苗分析发现专注于单一高价值使用案例的公司在第一年见到ROI的可能性为2.3倍. 这一重点还使数据编制和变革管理更加容易,因为大家都知道成功是什么样子。
在触摸AI前清除您的数据
我80%的时间都花在数据准备上 你也一样。 若你跳过这个步骤, 那个AI 项目故障率与您数据产业的混乱直接相关。
在开始任何建模之前,要进行彻底的数据审核. 绘制您的数据源, 评估完整性、 准确性和一致性 。 使用数据剖析工具,甚至简单的Python脚本来总结缺失的值,外部值,以及重复的记录. 然后在源头而不是在管道中解决问题。
我与每个客户使用的数据准备清单:
- 集中化 :使用个案所需的数据是否存在于两个以上系统? 如果是,请创建单一的真言源(一个数据仓库或一个带有目录的数据湖). 否则,你的模型投入将支离破碎,不可靠。
- 标记正确 :对于有监督的学习,标签质量是制作或破损的. 我看过模型失败, 因为“churn”标签的定义不一致(一个团队计算一个客户在60天之后, 另一个在90天之后) 。 定义与企业所有者而不是数据工程师的标签.
- 深思熟虑地暗示缺失的值 :也不要放一排, 明白吗为什么缺少数据。 是随机的,还是表明一个系统性的问题? 我曾经在一家物流公司工作过 20%的体重记录都不见了, 结果发现这些是高价值货物 绕过规模。 丢掉那些排,会给模型带来偏见
- 避免重复和标准化:确保各表的客户身份、产品SKU和日期格式一致。 小小的分解努力可以使模型性能提高5-10%.
- 文档数据行 :所以一个月后,当某件事中断, 你知道数据来自哪里。
那个IDC研究表明拥有专门数据工程小组的组织减少AI 项目故障率以40%的速度 在我的经验中,投资4-6周数据清理冲刺的公司在建模前至少看到60%的失败率.
构建最低可行模式
完美主义是AI部署的敌人. 在第一天, 以“足够好”的模式为目标,你可以在4-6周内运送。 获得真正的用户反馈. 礛 it
MVP模型不需要神经网络驱动. 我看过物流回归模型比渐变树更能解决问题, 目标是测试一个假设:如果我们使用这个模型来帮助一个决定,它会移动针头吗? 如果假说被证明是真实的,那么以后总是可以增加复杂性.
真实世界的MVP时间表:
- 第1-2周:数据合并和标签(80%的努力)。
- 第3周:构建一个简单的模型(线性回归,决策树,或XGBoost).
- 第4周:将模型包在一个基本的API中,并插入到现有的仪表板或简单的网络应用中.
- 第5-6周:3-5个友好用户的飞行员,收集反馈,测量早期的KPI.
我见过团队花了六个月时间来完善一个没人需要的模型。 MVP允许你低廉的失败——如果它失败了,你想知道, 那个AI 项目故障率在从未运送过MVP的队伍中最高;他们只是无休止的工匠。
投资改革管理
如果最终用户不相信, 这是人类的一面AI 项目故障率大部分技术团队都倒下了。 你需要精心制定计划,从飞行员过渡到完全收养。
起码做到以下几点:
- 识别冠军 :从商业方面招募2-3名有影响力的用户,他们将测试MVP并传福音工具. 让他们早日进入,并听取他们的反馈.
- 共同设计工作流程 :不要强迫新的工具。 将AI的输出嵌入到现有的决策流中. 例如,与其单独设置一个仪表板,不如直接在客户姓名旁边的客户关系管理系统中显示模型的churn风险分数。
- 分组培训:运行30分钟的实践会话,用户可以提问,并看到模型预测相对于实际结果的真实例子. 解释为什么即使只是简单的解释,
- 创建反馈循环 :给用户一个方便的方式标记AI错误的案件. 这有两个目的:它随着时间的推移来改进模型,让用户感到有耳闻. 信任逐步建立。
- 与收养有关的激励措施:如果可能的话,调整性能衡量标准以包括AI的使用. 这不一定是惩罚性的, 在一家我与之合作的制造商中,实现了90%的模型收养的工厂经理在季度审查中大喊——收养迅速普及。
页:1Gartner 报告发现有AI倡议专项改革管理预算的组织成功率提高45%。 这不是巧合。 那个AI 项目故障率是一个伪装的民族问题。
AI部署成功实例
我看过上述框架, 这里有三个案例 证明你可以打败AI 项目故障率.
案例研究1:物流公司节省12%的航运费用
- 问题:一家中型第三方物流公司的超时运输费用占15%。
- 数据 :他们在销售部队公司有3年的航运记录,包括原产地、目的地、重量、承运人和最后成本。 经过一周的清理,数据完成90%。
- 型号 :梯度提升模型预测每条航线最便宜的航母,同时考虑到服务级别要求.
- 部署:该模型的输出直接装入调度员现有的仪表板。 工作人员接受了两次45分钟的培训。
- 结果 :6个月内成本降低12%. 4个月后报答. 该项目之所以成功,是因为其范围狭窄、有数据准备和以用户为重点。 那个AI 项目故障率现在这家公司是零。
案例研究2:电子商务零售商促销品转换18%
- 问题:中市在线零售商希望通过个性化建议提高平均订单价值.
- 数据 :产品目录和点击流数据被分成三个数据库。 他们花了3个月时间打造一个统一的客户-产品互动表.
- 型号 :与基于物品的相似性合作过滤,后来通过轻量级神经网络增强.
- 部署:建议部分取代了产品页上的“相关产品”部分。 A/B对照旧规则制进行测试.
- 结果 :换算率增加18%,平均订单值增加11%。 那个AI 项目故障率若不是他们先修好数据整合, 以零散数据为基础的初始模型的点击率低于控制组。
案例研究3:制造商减少22%
- 问题:一个包装制造商在关键生产线上经历了计划外的停产时间,每小时耗资5万美元.
- 数据 :50台机的2年传感器数据(振动,温度,吞吐量)加上维护记录.
- 型号 :一个随机的森林分类器预测了48小时的间隔时间。 该型号被刻意保持简单,以便维护人员能够理解顶级信号.
- 部署:通过短信系统向上司的手机发出警报,并将其纳入工厂管理系统。 工人接受了如何解释和区分警报的培训。
- 结果 :计划外停工时间在第一季度下降了22%,节省了130万美元. 团队后来增加了可解释性层以建立信任. 那个AI 项目故障率对于这一举措来说,是零,因为它们从第一天起就涉及到操作人员。
这些案例研究具有共同的特点:一个以激光为重点的问题、干净的数据、MVP的心态以及对变革管理的大量投资。 这是游戏本。
底线: 位于30%
那个AI 项目故障率这不是自然法则 这是规划不当、数据差、改革管理不力的症状。 你可以打败它。 30 % 的组织没有更聪明的数据科学家, 他们选择一个问题, 清理他们的数据,快船, 并带他们的人一起。
下面我要你们做的是,
- 检查你的数据。为您的顶级用户配置关键数据源 。 识别缺失值、重复和不一致之处。 如果您的数据还没有准备好, 请将模拟延迟到它完成 。
- 挑一个问题写下单一的问题声明和预期的ROI. 向商业赞助商和数据所有人申请签收。
- 构建MVP.使用最简单的模型可以工作。 船在4周内, 用您定义的商业 KPI 测量早期结果 。
- 训练你们的人主持实践会话,收集反馈,任命内部冠军. 公开解决恐惧问题。
- 结和度量.设定30天审查周期。 如果MVP显示有希望,则投资提高数据质量和模型精密度. 如果它不这样做,
如果你遵循这个框架,你会加入成功率的30%。 我知道是因为我做到了。 我帮助了数十家公司,AI 项目故障率最后从他们的数据中提取出真正的价值。
70%和30%之间的差别不是魔术。 这是方法。
关于AI项目失败率的FAQs
AI项目故障率是多少?
那个AI 项目故障率指不能提供可衡量的业务价值或未能从试点转向生产的人工智能举措的百分比。 根据BCG(2023),70%的公司没有看到AI的ROI.(引用来源;失败率基准于2026年9月重新检查——在引用前确认当前版本. )Gartner (2021)报道称,AI原型机只有54%达到生产,即该定义的故障率为46%. IDC(2022年)发现在部署前有28%失败,还有更多表现不佳. 共识是60-70%的AI项目以某种有意义的方式失败.
为什么70%的AI项目失败?
前五个原因是:没有明确的商业问题(技术第一方法),数据差(分散、不完整或贴错标签),缺乏变革管理(最终用户从未采用),不切实际的期望(短期ROI要求),以及没有计量框架(没有KPI来证明价值). 文化和数据问题造成大多数失败,而不是技术缺陷。
我如何降低公司AI项目故障率?.
以单一的高效使用案例开始小化. 在建立模型之前投资于数据质量和整合。 建立最低限度可行的模型,并根据用户的反馈进行迭代. 明确分配预算用于改革管理——培训、通信和用户测试。 定义与业务成果挂钩的3-5个具体、有时限的KPI。 这些步骤表明,在我自己的客户工作中,失败率从70%降至30%以下。
AI在生产中的部署成功率是多少?
Gartner发现只有54%的AI项目从飞行员转向生产. 在部署的国家中,只有一小部分提供了有意义的ROI — — 卡介苗30%的成功率与之一致。 大约一半的人从不离开实验室, 其中一半的人没有完成。
一个失败的AI项目平均花费多少?
费用差别很大。 一个中程人工智能项目可能花费30万至80万美元,包括数据准备、软件和人才。 较大的企业倡议可达到200万至500万美元。 如果70%失败,一年经营5个项目的公司每年可能浪费150-3百万美元。
某些行业AI项目故障率是否较高?
那个AI 项目故障率由于数据治理和变革管理较为困难,因此在监管制约很重(保健、金融)或数据环境支离破碎(制造、零售)的行业中较高。 然而,70%的数字在各部门之间相当一致。 技术本土公司往往故障率略低,因为它们往往有更好的数据基础设施和文化准备。
基因AI有不同的失败率吗?
基因AI项目仍然是新的,但早期迹象显示,由于期望过高、道德风险以及衡量ROI超出内容生成范围的困难,故障率更高。 德勤公司2024年的一项调查显示,只有22%的公司将GenAI从飞行员转向生产,这意味着试制到生产计量的失败率达到78%.
一个失败的AI项目能否被挽救?
当然 大多数“失败”项目在组织上而不是在技术上都失败。 我通过明确问题定义、清理数据、建立恰当的改革管理程序, 模式本身往往仍然有用;它只需要适当的环境才能蓬勃发展。
准备好击败AI计划失败率了吗?
别把钱浪费在从未上船的AI上 时DG10 机构我们帮助公司设计、建造和部署真正起作用的AI——不是在实验室,而是在边缘重要的现实世界。
我们剪掉了AI 项目故障率对于我们的客户,平均超过40%。 我们从你的数据开始 我们确定了明确的衡量标准。 我们造出你们团队会使用的模型 在收入表上显示之前 我们一直和你们在一起
今天跟我们谈谈关于你的AI部署目标。 让我们进入30%。
继续阅读
如果这个指南有所帮助,这些内容将更深入于其背后的系统: