AI项目失败率高,问题何在? 多数人工智能计划未达预期,实现企业转型目标常遇战略偏差、投资回报率不明及运营陷阱等问题。研究显示,70 -80%的AI项目未实现预期价值,问题多源于领导力和战略缺失。
领导力和战略问题突出。其一,缺乏明确业务协调和高管支持,许多项目将AI视为IT实验,致85%项目无法扩大规模。其二,投资回报率预期不切实际,过度承诺易导致交付不足。其三,问题陈述定义不明,如IBM的WatsonforOncology,匆忙进入AI领域却未明确用例,结果不佳。最佳实践是设定实际可衡量目标,从试点项目量化投资回报;明确问题陈述,将项目与业务痛点结合并设定目标和路线图。
组织和文化障碍待解。员工抵制和恐惧工作被取代,源于对失业和工作改变的担忧,且员工和中层管理人员缺乏人工智能素养。领导层缺乏AI知识也会影响项目决策。业务与技术团队协作不佳,常因缺乏沟通和明确所有权。克服方法包括主动变革管理和教育,让员工参与;投资AI教育培养领导层和团队,设AI“翻译”;打破组织孤岛,建立跨职能团队,设共同目标和KPi。
运营障碍不容忽视。人工智能治理和风险管理不足,51%的IT领导者担忧治理和合规问题,缺乏治理易引发风险。监管和合规障碍方面,AI处理敏感数据,常遇数据隐私等法规限制。低估AI规模化复杂性,多数项目在部署和扩展阶段失败。最佳实践是早期建立治理结构,结合风险管理与企业流程;整合法律合规团队,关注法规动态;试点时考虑最终结果,在现实环境试点,设标准并保障投资。
技术和实施障碍需重视。数据质量和可用性问题常见,70%的项目因数据问题未达目标,数据不足、不可靠或难获取都会影响模型。与遗留系统集成挑战大,遗留系统难与现代AI工具配合。模型可靠性、可解释性和道德风险也很关键,如亚马逊招聘工具因偏见放弃项目。基础设施成本高且计算效率低,生成式AI项目成本估算偏差大。应对策略是重视数据准备和治理,从数据审计开始;为集成设计架构,协调开发与基础设施团队;融入“负责任的AI”实践,建立升级流程;规划可扩展性和成本效益,合理利用云服务。
AI项目成功需综合考量。AI项目不仅需数据和算法,更需组织领导和协调。战略清晰度、支持性组织文化、强大运营规划及解决技术基础问题至关重要。将其视为综合商业计划,高管发挥关键作用,许多公司应用最佳实践取得成果,AI高失败率并非不可改变。