众多企业疯狂拥抱 AI 两年后突然踩下刹车,背后暴露出哪些共性问题?
企业在大规模试用 AI 两年后踩刹车,通常不是“AI 没用”,而是试点效果没有转化成可持续的经营收益。常见问题有几类:
一是把演示效果当成生产价值。模型能写出像样的答案,不等于能在真实流程里减少工时、缩短周期或提高质量;如果没有试点前的基线和上线后的指标,节省往往只停留在感受上。
二是只买模型或账号,没有重做流程。员工多了一个聊天窗口,仍要复制粘贴、人工核对和在旧系统间搬运数据,新增的校验成本可能抵消效率收益。真正有效的场景往往边界清楚、输入输出稳定,并且能嵌入现有工作流。
三是低估总成本与可靠性要求。调用、集成、数据治理、安全审查、监控、人工复核和异常处理都要花钱;错误率即使不高,若错误后果严重,也会让自动化只能停留在辅助阶段。不同任务应采用不同的人审门槛,而不是一味追求无人化。
四是数据和组织准备不足。知识分散、权限不清、内容过期,会让模型答得不稳定;部门各自试验又造成工具重复、标准不一,难以复用和评估。培训也不能只教提示词,还要明确哪些输出必须核实、谁对最终结果负责。
因此,刹车有时是必要的投资复盘,而非全面放弃。较稳妥的做法是按具体流程核算净收益,先选低风险、重复度高且结果可验证的任务;把人工复核、失败回退和数据权限一起设计,再以准确率、处理时长、返工率及全生命周期成本决定扩围。若价值只在理想演示中成立,就应缩小范围或停止;若瓶颈在流程、数据或集成,优先修这些基础条件,而不是单纯换更大的模型。