为何CIO的AI项目频频停滞：速度失控只会让规模化成为空谈

近年来，关于AI项目高失败率的讨论已有不少。在一个日益敏捷的时代，CIO及其团队自然希望践行"快速失败、快速学习"的理念——换言之，迅速行动，边试边学。然而，太多组织在尚未打好基础的情况下就仓促推进AI。

在启动任何AI项目之前，CIO需要像经验丰富的登山者一样：与业务团队建立稳固的"大本营"，就核心业务问题和机会达成共识，并让组织为接下来的攀登做好准备。

原因很简单：从AI中实现价值（与任何重大举措一样）需要的是纪律，而不仅仅是速度。这种纪律体现在：制定与明确业务成果挂钩的清晰战略，并从一开始就定义成功标准、治理机制与合规要求。在此基础上，优先级排序至关重要。AI应用场景永远多于可用资源，因此CIO必须聚焦于最有可能带来可衡量业务影响的项目——尤其是在软件定价日益与成本节约和劳动力替代比例挂钩的背景下。

同样重要的是，CIO需要避免陷入"无休止试点"的陷阱，确保所选AI项目具备可信的规模化路径，否则试点项目只会不断堆积，却与实际业务脱节。

一旦这些基础工作就位，组织就可以开展经过审慎评估的试点，不仅用于测试技术，还可以重新思考业务能力与流程，乃至像未来学家琳达·叶茨所建议的那样，"释放内部的独角兽潜能"。

从试点到落地，差距究竟在哪里？

让我们深入分析项目成功的结构要素，以及项目高失败率背后的根本原因。

在德雷斯纳咨询服务公司的研究中，我发现了三个关键特质，能够区分已从试点阶段走向规模化落地的项目。这些特质并非锦上添花，而是决定项目能否实现规模化的核心要素。

基于这一背景，我希望听听一位长期为企业提供AI落地支持的顶级顾问的看法。安永AI与数据业务负责人瓦姆西·杜武里认为，"AI项目失败，往往是因为速度超越了结构"。他援引了安永最新发布的《技术脉搏调查》中的发现——该调查访问了500位在科技行业工作的美国商界领袖：大量AI应用正在未经IT审核或批准的情况下运行。

这一现象令人担忧，让人想起多年前CIO们极力避免的"影子IT"问题——那些未经审查、未被整合、缺乏保护的系统。而今的区别在于，AI将这些风险直接嵌入工作流程，并以更快的速度蔓延。

更糟糕的是，杜武里指出，问题不仅仅在于项目优先级和选择上，在实践中，项目往往因治理薄弱、职责不清、数据质量差以及大量孤立试点而陷入停滞。"结果不是雄心的失败，而是价值的停滞，"他说，"例如，一家公司启动了多个AI试点项目，希望帮助分析师提高工作效率，但分析师仍然需要手动核对数据、处理复杂信息和噪音，并在多个试点项目之间拼凑决策。价值昙花一现，最终趋于平台期。"

这恰好与本文开头提到的三个成功特质形成了完美呼应。

更多试点，为何没有创造更多价值？

德雷斯纳的数据显示，15%的组织已将智能体AI投入生产，34%的组织已将某种形式的生成式AI解决方案投入生产。我们预计，这34%的总量是具备三项成功标准的组织——即商业智能成熟度、AI与机器学习技能，以及强有力的数据领导力。

与此同时，34%的组织正在试验智能体AI，53%的组织表示正在试验生成式AI。这两组数字之间的差距令人意外，但这也意味着，IT组织可以在不解决底层数据与治理问题、不审慎考虑业务优先级的情况下，推出一个战术性的生成式AI解决方案。

由此，一个问题依然存在：组织如何为能够产生战略性、可衡量的生产价值的试点项目创造空间？

显然，负责任的AI必须被设计进运营流程中。佩德罗·阿莫里姆教授建议，CIO应以风险投资的方式管理项目组合：资助大量小规模、有时间限制的赌注，快速学习，并在有清晰产业化路径的赢家上加倍投入。

他还补充道，与此同时，组织需要"尽早建立基本的防护栏（数据分类、隐私与知识产权规则、敏感决策的人工审核环节、评估基准以及明确的禁止条件），并确保在漏斗前端留有预算，以免被迫押注于一两个大赌注"。

因此，明智的试验需要兼顾强大的数据完整性、嵌入式网络安全，以及对偏差和模型漂移等问题的持续监控。

信任是AI可持续发展的基础。透明度、治理机制、培训以及清晰的人工监督，都是确保员工理解AI工作方式和人工判断何时仍不可或缺的关键。

"明智的试验意味着决定复杂性应由谁来承担。CIO的职责是确保智能体吸收可变性与编排工作，而人类保留判断力和关键决策权，"杜武里说。

在实践中，这要求开展更少、更有纪律性的试验——以真实工作流程为锚点，而非孤立的任务。这一点至关重要，因为组织确实需要快速行动，但缺乏管控的速度只会放大崩溃风险。为此，杜武里强调，"问题在于管控，而非动力"。

他表示，与其试点AI来"辅助"客服代表，CIO不如主导一项试验——让智能体端到端处理分类、解决方案和路由转接，仅在出现例外情况、政策判断或需要客户同理心时才上报给人工。

成功的试点不仅要证明准确性，还要证明可运营性。"明智的试验需要以AI原生方式交付软件，"他说。

从第一天起就将风险纳入考量

德雷斯纳的研究显示，CIO和数据领导者当前最为担忧的主要风险包括以下几类：数据隐私泄露、合规违规、AI产出的不准确性以及对关键系统的过度依赖。

那么，明智的组织如何从一开始就预见、评估并降低AI风险？

成功的组织拥有一位能够跨部门凝聚力量、共同构建必要防护栏的CIO。必须记住，降低风险并不意味着减慢创新，而是关乎对齐与共同目标。

为此，杜武里表示，"风险必须在第一天就被设计进来。因为AI加速了行动，不受管控的使用会造成安全敞口。"他援引安永数据指出，45%的科技领导者报告了与未经授权的生成式AI使用相关的已确认或疑似敏感数据泄露事件，39%报告了知识产权泄露。

这不是工具问题——这是设计上的失败。

CIO需要标准化经过审批的平台，将管控机制直接嵌入工作流程，并明确界定智能体在哪些情况下可以自主行动、哪些情况下必须由人工介入，他说。做好了，治理将成为规模化的助推器，而非创新的刹车。

杜武里建议CIO建立经批准的AI工具清单、针对数据与知识产权风险的实时监控机制，并赋予团队明确权力叫停不合规的部署。

"团队会行动更快，因为安全行为被内嵌进系统，而非事后强制执行。随着智能变得越来越便宜、越来越普及，企业不会自动变得更简单。赢家会刻意将复杂性从人转移到机器，同时将判断力、信任与问责权牢牢掌握在人手中，"他说。

以纪律驱动敏捷：先打好基础

CIO应将敏捷原则应用于AI——但不能缺乏纪律。组织需要一个与明确业务成果挂钩的清晰战略，并从一开始就定义成功标准、治理机制和合规要求。数据成熟度与明确的防护栏不可或缺，这一基础能够支撑更明智的试验，同时从一开始就将风险纳入考量。成熟度更高的组织已经抢占先机，因为他们早已应对了这些挑战。对于处于较低成熟度环境中的CIO来说，优先事项清晰明确：投资于流程和数据能力以取得早期成果——然后不断精进、规模化，并将数据和业务流程产业化。

Q&A

Q1：为什么那么多AI项目卡在试点阶段，无法真正落地？

A：根据安永的调查，AI项目停滞的主要原因包括：治理机制薄弱、职责不清、数据质量差，以及大量孤立的试点项目缺乏整合。分析师仍需手动在多个试点系统间协调数据和决策，导致价值短暂出现后迅速进入平台期。解决这一问题的关键在于将项目锚定于真实工作流程，建立清晰的规模化路径，而非一味追求试点数量。

Q2：CIO在推进AI项目时，应该如何平衡速度与风险管控？

A：安永AI负责人杜武里指出，"问题在于管控，而非动力"。CIO应标准化经过审批的AI平台，将管控机制直接嵌入工作流程，并明确智能体与人工介入的边界。治理不是创新的刹车，而是规模化的助推器。安全行为一旦内嵌进系统，团队反而能行动更快。

Q3：组织应具备哪些基础条件，才能让AI项目从试点走向规模化生产？

A：德雷斯纳咨询的研究发现，能够实现规模化落地的项目通常具备三个关键特质：商业智能成熟度、AI与机器学习技能，以及强有力的数据领导力。此外，还需要从一开始就明确业务目标、成功标准和合规要求，并建立数据分类、隐私保护、人工审核节点等基本防护栏。