AI項目沒落地：該怪工具，還是執行？

一個AI項目停下來後，最容易出現兩個結論：工具不行，或者團隊執行不力。

這兩個結論都可能成立，但在復盤清楚之前，也都可能缺少依據。

要判斷問題出在哪裏，先回答三個問題：

1. 當時有沒有一名明確的負責人持續推進？
2. 項目過程中，有沒有記錄產出、耗時、錯誤等可以比較的數據？
3. 已經驗證有效的做法，換一個人能不能照着重複執行？

只要有一項缺失，就不能急着認定工具無效。因為這次項目可能還沒有完成一次可以核驗的測試。

用上AI，不等於拿到業務結果

開通賬號、組織培訓、讓員工試用，都只能説明企業開始使用AI。它是否帶來了收入增長、成本下降、效率提升，仍要用數據判斷。

MIT Project NANDA發佈的《The GenAI Divide》2025年報告，梳理了300多項公開披露的AI應用，訪談了52家機構，並收集了153名企業高管的問卷。按照報告採用的口徑，95%的受訪機構尚未獲得能夠反映在收入、成本或利潤中的可衡量回報。

報告還顯示，超過80%的機構考察或試用過ChatGPT、Copilot這類通用AI助手；但在圍繞具體業務任務開發或配置的AI系統中，正式投入日常業務並持續產生效果的比例只有約5%。在報告的訪談樣本里，與外部服務商合作的方案約有67%進入部署階段，完全由企業內部開發的方案約為33%。報告同時説明，這些比例部分來自受訪者自述，樣本有限，不能直接套用到所有企業。

國內的情況也説明了“使用”和“見效”之間的差別。新京報貝殼財經發布的《中國企業家人工智能應用調研報告（2025）》覆蓋128家企業，其中89.84%的受訪企業已經在至少一個經營環節使用AI。與此同時，麥肯錫《2025年AI應用現狀全球調研》顯示，達到其“AI高績效企業”標準的受訪者約佔6%。這裏的“高績效”有明確含義：企業認為AI已經產生顯著價值，並把至少5%的息税前利潤歸因於AI應用。

這些報告的樣本和統計口徑並不相同，數字不能簡單橫向比較。但它們共同提示了一件事：企業開始使用AI，並不代表AI已經穩定進入業務流程，更不代表投入已經轉化為可以衡量的結果。

所以，一個項目沒有繼續推進，既不能直接證明“AI不行”，也不能只看結果就給團隊定責。首先要查清楚，項目究竟停在了哪一步。

項目當時是怎樣停止的？

第一種：買了工具，卻沒有人持續使用

賬號開通了，培訓也參加了，但沒有明確由誰每天使用、誰處理問題、誰檢查結果。幾週以後，使用頻率越來越低，項目隨之停止。

這種情況首先要檢查責任安排。工具沒有得到持續使用，企業掌握的資訊還不足以判斷它是否有效。

第二種：有人使用，卻沒有記錄效果

團隊確實用AI生產了內容，或者完成了部分工作，但沒有記錄產出數量、單次任務耗時、錯誤率，以及完成後的內容或方法被再次使用的比例，也就是複用率。

兩三個月後，大家只能憑印象評價效果。有人覺得省了時間，卻説不清省了多少；有人認為問題很多，也拿不出錯誤發生在哪一步的數據。項目最後因為無法説明價值而停止。

這時首先暴露的不是工具好壞，而是評估方式缺失。沒有過程數據，就無法知道AI帶來了多少變化，也無法判斷問題發生在工具、流程還是人員使用上。

第三種：小範圍有效，換人或擴大範圍就失效

項目在少數人手裏效果不錯，但交給其他部門或更多員工以後，原來的做法無法重複執行。

這時要同時檢查兩個方面：一是操作步驟、驗收標準和培訓方式是否清楚；二是工具是否支持多人協作，能否在不同崗位和任務中保持穩定。

三種情況裏，第三種最可能同時涉及工具適配和執行安排，不能只歸咎於其中一方。

什麼情況應當優先檢查工具或服務方案？

工具和服務商當然可能有問題，但要有可以核驗的依據。以下三項，比“感覺不好用”更值得檢查。

一、效果承諾無法書面確認

如果服務商只在溝通中承諾“一個月見效”或“效果肯定好”，卻不願把雙方認可的衡量標準、檢查時間和未達標後的處理方式寫入合同，那麼服務機制本身就缺少結果約束。

重新選擇服務商時，不要只聽效果描述。需要確認的是：結果用什麼數字判斷，什麼時候檢查，由誰提供數據，驗證未通過如何處理。

二、沒有同規模、同行業的可核案例

大型集團和十幾人的小團隊，在人員配置、業務流程和使用需求上差別很大。服務商只有大型項目經驗，不代表同一套方案適合小團隊。

判斷一個案例是否值得參考，不能只看企業名稱，還要看行業、團隊規模、應用場景和實際使用方式是否接近，並確認案例中的結果有沒有材料可以核對。

三、項目過程不透明

部署或陪跑期間，如果企業拿不到產出量、響應時間、錯誤率等中間數據，只能在項目結束時收到一份總結，就很難判斷問題發生在哪裏。

這裏所説的“AI陪跑”，是指服務商在一段時間內持續協助企業選擇場景、培訓人員、開展測試和復盤結果。既然服務過程持續發生，相關數據也應當持續記錄。否則，工具是否有效、團隊是否執行、服務商是否完成約定工作，都缺少判斷依據。

部分服務商宣傳的“30天見效”“訂單增長300%”，如果沒有統計口徑、原始數據或第三方核驗材料，只能作為營銷説法，不能直接拿來評估企業自己的項目。

什麼情況説明內部執行還沒有完成？

判斷執行問題，不是簡單評價員工是否努力，而是檢查項目有沒有形成持續推進的安排。下面四個問題，可以直接用於內部復盤。

一、有沒有明確的負責人？

如果當時的安排只是“大家都可以用”或者“營銷部有空就試一下”，實際上就沒有確定責任人。

負責人不一定必須全職，但要明確由誰持續推進、彙總問題、檢查數據，並對階段結果作出説明。只有方向，沒有具體責任人，項目很容易在日常工作中被擱置。

二、培訓以後有沒有持續跟進？

一次培訓和一份操作手冊，只能解決“員工是否知道怎麼用”的問題，不能保證團隊持續使用，更不能保證結果穩定。

培訓結束後，如果沒有後續練習、問題處理和效果檢查，員工很容易回到原來的工作方式。此時直接更換工具，通常也解決不了持續使用的問題。

三、最初的測試範圍是不是過大？

一開始就要求所有部門同時使用，會讓責任、場景和數據混在一起。不同部門面對的問題不同，最後很難判斷哪種做法有效，哪一步需要調整。

更合適的做法，是先選擇一個任務清楚、數據容易記錄的具體場景，開展小範圍測試。確認結果以後，再決定是否擴大到更多部門和員工。

四、有沒有提前確定量化指標？

量化指標，就是在項目開始前約定、結束後可以直接比較的數字。產出數量、單條內容耗時、錯誤率、複用率，都可以作為依據，具體選擇哪一項，要看項目原本想解決什麼問題。

如果項目開始時沒有設定任何指標，結束時就只能依靠主觀感受判斷成敗。這時不能直接得出“工具無效”的結論，因為判斷效果所需的數據從未被記錄。

如果現在回頭查看，連一份階段數據都找不到，這本身就是重要的復盤結果：當時沒有形成一邊執行、一邊記錄、一邊判斷的安排。

歸因的目的，是確定下一步怎麼改

如果問題主要來自工具或服務商，下一次選型時應重點確認三件事：有沒有同規模、同行業的可核案例；效果指標能不能書面確認；能不能先做小範圍測試，再決定是否長期合作。

這些資訊，比一張功能清單更能説明方案是否適合企業。

如果問題主要來自執行環節，單純更換工具意義不大。應先明確一名負責人，選擇一個具體場景，並在開始前確定量化指標。完成這三項以後，企業才有條件判斷工具是否值得繼續使用。

更多時候，工具適配和內部執行會同時存在問題。這時不必把之前的工作全部否定。可以先補齊負責人、測試範圍和數據記錄，再用現有工具完成一次可核驗的測試；如果結果仍不滿足要求，再根據數據更換工具或服務方案。

一次AI項目沒有獲得結果，不能只用“工具不行”或“團隊不行”概括。真正需要回答的是：誰在負責，數據在哪裏，哪些做法可以換人重複執行，工具和服務商又提供了哪些可以核驗的保障。

把這些問題逐項説明，企業才能知道下一次應該調整工具、調整服務方案，還是調整內部執行安排。