AI项目没落地：该怪工具，还是执行？

一个AI项目停下来后，最容易出现两个结论：工具不行，或者团队执行不力。

这两个结论都可能成立，但在复盘清楚之前，也都可能缺少依据。

要判断问题出在哪里，先回答三个问题：

1. 当时有没有一名明确的负责人持续推进？
2. 项目过程中，有没有记录产出、耗时、错误等可以比较的数据？
3. 已经验证有效的做法，换一个人能不能照着重复执行？

只要有一项缺失，就不能急着认定工具无效。因为这次项目可能还没有完成一次可以核验的测试。

用上AI，不等于拿到业务结果

开通账号、组织培训、让员工试用，都只能说明企业开始使用AI。它是否带来了收入增长、成本下降、效率提升，仍要用数据判断。

MIT Project NANDA发布的《The GenAI Divide》2025年报告，梳理了300多项公开披露的AI应用，访谈了52家机构，并收集了153名企业高管的问卷。按照报告采用的口径，95%的受访机构尚未获得能够反映在收入、成本或利润中的可衡量回报。

报告还显示，超过80%的机构考察或试用过ChatGPT、Copilot这类通用AI助手；但在围绕具体业务任务开发或配置的AI系统中，正式投入日常业务并持续产生效果的比例只有约5%。在报告的访谈样本里，与外部服务商合作的方案约有67%进入部署阶段，完全由企业内部开发的方案约为33%。报告同时说明，这些比例部分来自受访者自述，样本有限，不能直接套用到所有企业。

国内的情况也说明了“使用”和“见效”之间的差别。新京报贝壳财经发布的《中国企业家人工智能应用调研报告（2025）》覆盖128家企业，其中89.84%的受访企业已经在至少一个经营环节使用AI。与此同时，麦肯锡《2025年AI应用现状全球调研》显示，达到其“AI高绩效企业”标准的受访者约占6%。这里的“高绩效”有明确含义：企业认为AI已经产生显著价值，并把至少5%的息税前利润归因于AI应用。

这些报告的样本和统计口径并不相同，数字不能简单横向比较。但它们共同提示了一件事：企业开始使用AI，并不代表AI已经稳定进入业务流程，更不代表投入已经转化为可以衡量的结果。

所以，一个项目没有继续推进，既不能直接证明“AI不行”，也不能只看结果就给团队定责。首先要查清楚，项目究竟停在了哪一步。

项目当时是怎样停止的？

第一种：买了工具，却没有人持续使用

账号开通了，培训也参加了，但没有明确由谁每天使用、谁处理问题、谁检查结果。几周以后，使用频率越来越低，项目随之停止。

这种情况首先要检查责任安排。工具没有得到持续使用，企业掌握的信息还不足以判断它是否有效。

第二种：有人使用，却没有记录效果

团队确实用AI生产了内容，或者完成了部分工作，但没有记录产出数量、单次任务耗时、错误率，以及完成后的内容或方法被再次使用的比例，也就是复用率。

两三个月后，大家只能凭印象评价效果。有人觉得省了时间，却说不清省了多少；有人认为问题很多，也拿不出错误发生在哪一步的数据。项目最后因为无法说明价值而停止。

这时首先暴露的不是工具好坏，而是评估方式缺失。没有过程数据，就无法知道AI带来了多少变化，也无法判断问题发生在工具、流程还是人员使用上。

第三种：小范围有效，换人或扩大范围就失效

项目在少数人手里效果不错，但交给其他部门或更多员工以后，原来的做法无法重复执行。

这时要同时检查两个方面：一是操作步骤、验收标准和培训方式是否清楚；二是工具是否支持多人协作，能否在不同岗位和任务中保持稳定。

三种情况里，第三种最可能同时涉及工具适配和执行安排，不能只归咎于其中一方。

什么情况应当优先检查工具或服务方案？

工具和服务商当然可能有问题，但要有可以核验的依据。以下三项，比“感觉不好用”更值得检查。

一、效果承诺无法书面确认

如果服务商只在沟通中承诺“一个月见效”或“效果肯定好”，却不愿把双方认可的衡量标准、检查时间和未达标后的处理方式写入合同，那么服务机制本身就缺少结果约束。

重新选择服务商时，不要只听效果描述。需要确认的是：结果用什么数字判断，什么时候检查，由谁提供数据，验证未通过如何处理。

二、没有同规模、同行业的可核案例

大型集团和十几人的小团队，在人员配置、业务流程和使用需求上差别很大。服务商只有大型项目经验，不代表同一套方案适合小团队。

判断一个案例是否值得参考，不能只看企业名称，还要看行业、团队规模、应用场景和实际使用方式是否接近，并确认案例中的结果有没有材料可以核对。

三、项目过程不透明

部署或陪跑期间，如果企业拿不到产出量、响应时间、错误率等中间数据，只能在项目结束时收到一份总结，就很难判断问题发生在哪里。

这里所说的“AI陪跑”，是指服务商在一段时间内持续协助企业选择场景、培训人员、开展测试和复盘结果。既然服务过程持续发生，相关数据也应当持续记录。否则，工具是否有效、团队是否执行、服务商是否完成约定工作，都缺少判断依据。

部分服务商宣传的“30天见效”“订单增长300%”，如果没有统计口径、原始数据或第三方核验材料，只能作为营销说法，不能直接拿来评估企业自己的项目。

什么情况说明内部执行还没有完成？

判断执行问题，不是简单评价员工是否努力，而是检查项目有没有形成持续推进的安排。下面四个问题，可以直接用于内部复盘。

一、有没有明确的负责人？

如果当时的安排只是“大家都可以用”或者“营销部有空就试一下”，实际上就没有确定责任人。

负责人不一定必须全职，但要明确由谁持续推进、汇总问题、检查数据，并对阶段结果作出说明。只有方向，没有具体责任人，项目很容易在日常工作中被搁置。

二、培训以后有没有持续跟进？

一次培训和一份操作手册，只能解决“员工是否知道怎么用”的问题，不能保证团队持续使用，更不能保证结果稳定。

培训结束后，如果没有后续练习、问题处理和效果检查，员工很容易回到原来的工作方式。此时直接更换工具，通常也解决不了持续使用的问题。

三、最初的测试范围是不是过大？

一开始就要求所有部门同时使用，会让责任、场景和数据混在一起。不同部门面对的问题不同，最后很难判断哪种做法有效，哪一步需要调整。

更合适的做法，是先选择一个任务清楚、数据容易记录的具体场景，开展小范围测试。确认结果以后，再决定是否扩大到更多部门和员工。

四、有没有提前确定量化指标？

量化指标，就是在项目开始前约定、结束后可以直接比较的数字。产出数量、单条内容耗时、错误率、复用率，都可以作为依据，具体选择哪一项，要看项目原本想解决什么问题。

如果项目开始时没有设定任何指标，结束时就只能依靠主观感受判断成败。这时不能直接得出“工具无效”的结论，因为判断效果所需的数据从未被记录。

如果现在回头查看，连一份阶段数据都找不到，这本身就是重要的复盘结果：当时没有形成一边执行、一边记录、一边判断的安排。

归因的目的，是确定下一步怎么改

如果问题主要来自工具或服务商，下一次选型时应重点确认三件事：有没有同规模、同行业的可核案例；效果指标能不能书面确认；能不能先做小范围测试，再决定是否长期合作。

这些信息，比一张功能清单更能说明方案是否适合企业。

如果问题主要来自执行环节，单纯更换工具意义不大。应先明确一名负责人，选择一个具体场景，并在开始前确定量化指标。完成这三项以后，企业才有条件判断工具是否值得继续使用。

更多时候，工具适配和内部执行会同时存在问题。这时不必把之前的工作全部否定。可以先补齐负责人、测试范围和数据记录，再用现有工具完成一次可核验的测试；如果结果仍不满足要求，再根据数据更换工具或服务方案。

一次AI项目没有获得结果，不能只用“工具不行”或“团队不行”概括。真正需要回答的是：谁在负责，数据在哪里，哪些做法可以换人重复执行，工具和服务商又提供了哪些可以核验的保障。

把这些问题逐项说明，企业才能知道下一次应该调整工具、调整服务方案，还是调整内部执行安排。