# AI项目没达预期，复盘汇报别写成检讨书

> AI项目复盘汇报的核心不是"哪里做错了"，而是"下一步该换哪个变量"——把结论分成"归因"和"决策"两部分分开写，归因写清楚是工具问题还是落地问题，决策部分给出可执行的下一步，不要写成一份认错的检讨书。

来源：https://www.starbox.work/insights/ai-adoption/fde093/（星盒AI 知识中心，更新于 2026-09-26）

先给关键事实：

- MIT Project NANDA 2025年的研究显示，95%的企业投入生成式AI后没拿到可衡量的业务回报，定制化试点能真正进入生产环节的只有5%。这意味着"项目没达预期"在企业AI落地里是大概率事件，不是你运气差或者能力不行。
- 同一份研究里有个关键对比：企业通过采购加合作方式落地AI，成功率约67%；纯靠内部自己摸索搭建，成功率只有前者的三分之一左右。落地路径的选择，本身就是决定成败的大变量。
- 中国企业家人工智能应用调研报告（2025）显示，国内已经用上AI的企业比例高达89.84%，但麦肯锡2025年大中华区的调研显示，真正跑成"高绩效赢家"的企业只占6%。用了不等于用出来了，这个落差就是大多数复盘要面对的现实。

看完这三个数字你会发现，一份好的复盘汇报，第一步不是道歉，是把自己的项目摆进这个行业基准里，让老板看清楚"没达预期"到底是个例外还是常态。

## 复盘汇报最常踩的坑：把"没达预期"直接归因成"AI不行"

**这个坑最容易踩，也最容易被拆穿。**

行业里一个反复被验证的共识是：企业AI落地失败，根因几乎从来不是模型能力不够。真正拖后腿的是数据没准备好、工作流没理顺、目标定得太模糊、组织配合跟不上、人才和治理机制缺位——这六类问题占了绝大多数案例。

把锅甩给"AI技术还不成熟"，短期内听起来省事，但有个致命问题：老板下次翻旧账的时候，这个归因经不起追问。你说"AI不行"，老板会问"那别的公司怎么就跑成了"，你答不上来，复盘的可信度就塌了。

比归因更重要的是拆解链路：AI价值等于"理论生产力"乘以"落地转化率"。落地转化率这个变量，长期被大多数人忽视，但恰恰是决定成败的关键——MIT的研究把这个环节称为"学习鸿沟"，指的是人、流程、组织文化没有跟着技术一起升级。你复盘的时候，如果只盯着"模型输出好不好"，其实是在盯错变量。

![AI项目没达预期，复盘汇报别写成检讨书](/static/img/insights/ai-adoption/fde093-2.jpg)

## 归因要按清单过一遍，别凭感觉下判断

一份站得住的复盘，归因部分要对照下面这份清单逐项排查，而不是凭印象写一段"我们觉得可能是……"：

- **只买了工具，没人真正用起来。** 这是最常见的第一层坑——工具部署完了，团队没有跟进机制，慢慢就搁置了。
- **培训完了没有承接动作。** 讲完课、开完会，团队"学会了"，但回到岗位上没有配套的流程和SOP接住这些方法，很快打回原样。
- **切口铺得太大。** 一上来想覆盖全部门甚至全公司，而不是先在一个小场景里跑通，风险和复杂度直接放大。
- **没有量化指标。** "用起来感觉不错"不是指标，投入前没定清楚"什么叫达标"，复盘的时候自然说不清"到底差多少"。
- **核心能力没有内化到企业内部。** 服务商或者顾问一撤场，团队发现自己什么都接不住，说明这轮投入留下的只是一次性产出，没有留下能力。

把这五条挨个对照一遍，你会发现大部分"没达预期"能定位到其中一到两条，而不是笼统的"AI效果不好"。归因写清楚是第一步，也是决定这份复盘能不能被老板信服的关键一步。

![AI项目没达预期，复盘汇报别写成检讨书](/static/img/insights/ai-adoption/fde093-3.jpg)

## 试点没达标，问题往往出在指标设计上

如果归因排查下来，工具和团队都没大问题，那大概率是试点本身的设计有问题。

行业里公认的试点方法论是"小切口、可量化指标、短周期"。选一个能快速看到数据的小场景，定明确的达标线，通常在3到6个月内拿出可对账的结果——这个时间窗口不是随便定的，是因为决策层只认数据，超过这个周期还拿不出可验证的结果，项目大概率会被叫停。

复盘的时候可以对照这三个问题自查：

**指标定得是不是太模糊？** "提升效率""增强竞争力"这类描述不是指标，是愿望。真正的指标要能被追踪、能对账，比如内容产能变化、单场景人力成本变化、响应时长变化。

**周期是不是定得不合理？** 有些场景天然见效快（比如内容生产类），有些场景需要更长的验证周期（比如预测性维护类）。用错周期去衡量，会得出错误的"没达预期"结论。

**达标线是投入前定的，还是投入后现补的？** 这一条最容易被忽略，也最容易被老板追问。如果达标线是项目跑完之后才拿出来的，这份复盘的可信度会大打折扣。

![AI项目没达预期，复盘汇报别写成检讨书](/static/img/insights/ai-adoption/fde093-4.jpg)

## 决策部分：给出可执行的下一步，不是给一个态度

归因写完之后，复盘汇报最容易烂尾的地方是结尾——很多人写到"我们会加强重视、持续优化"就收了。这种结尾等于没写。

决策部分要回答一个具体问题：下一步要换哪个变量，换成什么。常见的换法有这几种：

**换落地路径。** 如果之前是纯内部摸索，参考MIT的数据，换成采购加合作的路径，理论上能把成功率从三分之一左右提到67%左右这个区间。这个数字是行业整体研究口径，不是对具体项目的保证，但作为决策依据，比"我们再努力一把"更有说服力。

**换切入点。** 如果之前切口铺得太大，下一步应该收窄到一个能在3到6个月内看到数据的小场景，先打穿一个点，再考虑复制。

**换验证机制。** 引入"先小范围验证、达标再签约或者扩大投入"的机制，把"能不能出结果"这个问题挪到大规模投入之前去回答，而不是投入完了才发现不行。验证期内要明确写清达标线和不达标的处理方式，比如调整方案或者暂停。

**换能力沉淀方式。** 如果这轮投入结束后团队什么都没留下，下一步要明确要求：无论是服务商还是内部主导，都要留下可核查的交付物——标准操作流程文档、知识库或者素材资产、可复用的培训记录。这些是"能力有没有留在企业里"的证据，不是一句"团队已经学会了"能替代的。

## 一张对照表：复盘写检讨书 vs 复盘写决策书

| 维度 | 检讨书式复盘（常见误区） | 决策书式复盘（应该写成的样子） |
|---|---|---|
| 归因方式 | 笼统归咎"AI效果不好"或"团队执行不力" | 对照清单逐项排查：工具/培训/切口/指标/能力内化 |
| 数据引用 | 只讲主观感受，不带数字 | 引用可核数据做行业基准对照（如MIT NANDA等），标清楚出处 |
| 指标复盘 | 不检查试点指标设计本身 | 检查指标是否模糊、周期是否合理、达标线是否投入前定的 |
| 结尾结构 | "我们会持续优化、加强重视" | 明确下一步换哪个变量：路径/切口/验证机制/能力沉淀方式 |
| 给老板的信号 | 传递"我们失败了，抱歉" | 传递"我们定位到问题、有具体可执行的下一步" |

## 常见问题

**AI项目复盘一定要引用行业数据吗？**
不是必须，但强烈建议。只讲主观判断，老板很难判断"没达预期"是普遍现象还是团队独有的问题。引用带机构和年份的可核数据（比如MIT NANDA的研究），能把个案放进行业基准里，让判断更站得住。没有确凿数据支撑的判断，要明确标注这是团队自己的经验判断，不要包装成行业共识。

**复盘里该不该承认"选错了服务商或工具"？**
如果排查下来确实是这个原因，应该承认，但要讲清楚"错在哪个具体环节"，而不是笼统一句"选错了"。比如是没有可核实的同行业案例、报价说不清具体构成、还是不给先验证再签约的空间——具体到环节，才能变成下一次选型的可执行标准。

**试点周期到底该定多长？**
没有统一答案，取决于场景本身的复杂度。多数场景的合理观察窗口在3到6个月，个别见效快的场景（比如内容生产类）可能更短，个别复杂场景（比如涉及设备预测维护类）通常需要更长周期。关键是这个周期要在项目启动前就定好，不能等结果不理想了再往后拖延观察期。

**没达预期是不是意味着这条路走错了，应该放弃AI投入？**
不一定。行业数据显示，95%企业没拿到可衡量回报是当前的普遍状态，这说明"第一次没达预期"本身不构成"AI这条路不通"的证据。真正需要判断的是：问题出在工具、落地方式，还是组织没跟上——这三类问题分别对应完全不同的下一步动作，笼统放弃反而可能是错误决策。

**复盘汇报该给谁看，写作角度要不要变？**
给老板看的版本，重点在"决策"部分要清晰、可执行，少用术语，多用可对账的数字和结论；给团队内部看的版本，可以适当展开归因细节和过程记录，帮助后续执行时对照检查。核心结论应该保持一致，不能对老板说一套、对内部说另一套。

**怎么判断这次复盘的归因是不是找对了？**
一个简单的检验方法：把归因结论讲给一个没参与这个项目的人听，如果对方追问"那具体是哪个环节"你答得上来、有可核的细节支撑，说明归因基本站得住；如果只能重复"AI效果不好""团队执行力不够"这类笼统说法，说明还需要再往下拆一层。