0%成功率、300次行业访谈、一个没人敢说的真相:企业AI正在批量制造沉默的失败

过去一年半，成功率0%。

这不是某个悲观分析师的情绪化判断，而是一位AI咨询从业者用300多次行业访谈和大量第一手项目观察得出的统计结论。这位作者在7月18日发表的长文中写道："我们团队观察到的所有AI项目，每一个都失败了——不仅包括我们被邀请参与的项目，甚至包括我们做完全不相关工作时顺带观察到的项目。成功率是0%。"

当"AI项目失败"从零星吐槽变成系统性观察时，值得追问的是：为什么。

先看失败长什么样。

最容易识别的失败是"内部聊天机器人"。这是过去一年全球企业部署最多的一类AI项目，基本套路是：把公司内部文档喂给一个LLM，做一个问答界面，宣称"员工现在有了AI助手"。这类项目有一个共同特征：员工不怎么用。原因不复杂——企业的内部文档质量普遍很差，信息过时、自相矛盾、关键流程从来没被写下来过。LLM不是通灵师，它只能基于被写下来且能被检索到的内容回答问题。输入的是垃圾，输出的就是一本正经的垃圾。

一个值得注意的细节：这类项目的负责人通常非常小心地回避追踪一些基础指标，比如"工具到底有没有人用"。他们更倾向于追踪那些容易美化的指标——聊天会话数（员工点开算一次，不管有没有问完）、知识库覆盖率（文档上传了就算覆盖）、系统可用性（服务没宕机就算成功）。真正能反映价值的指标——"这个工具每周帮多少员工解决了多少实际问题，节省了多少时间"——往往不在监测清单上。

第二类失败是"对外客服机器人"。这类项目的失败模式更隐蔽，因为对外不像对内，没有内部员工的真实反馈。一个被反复引用的案例：一位消费者在车辆出故障后联系厂商的AI客服，一个声音自然、响应迅速的机器人礼貌地记录了问题，承诺"会有人尽快回电"。六个月过去了，回电始终没有来。

这个案例的可怕之处不在于机器人没解决问题——这本在意料之中——而在于它制造了一个完美的"失败隐形机制"。机器人记录了工单，工单进入了系统，系统没有报错（因为没有报错才不会有人工介入），于是这个请求就像蒸发了一样。在管理层的数据看板上，这次交互可能显示为"已处理"——机器人确实处理了，只不过处理的是"让客户的问题消失在流程里"，而不是"解决客户的问题"。更讽刺的是，这位消费者原本打算再买一辆同品牌的车，这次经历后决定不再购买。一个"降本增效"的AI项目，直接制造了一个流失的客户。

第三类失败更深层，涉及组织能力。这位作者的判断是："失败往往与LLM本身的能力无关，而是因为企业在运行软件项目上本来就非常糟糕，而AI项目承受了普通软件项目的所有失败模式，还要再加上一层方法本身的新颖性带来的额外风险。"

这句话是整篇文章里信息密度最高的一句，值得展开。

AI项目承受普通软件项目的所有失败模式，再加一层方法新颖性的额外风险

"企业在运行软件项目上本来就非常糟糕"——这句话在过去十年的软件工程研究里有大量数据支撑。Standish Group的年度CHAOS报告长期跟踪全球软件项目的成功率，数据一直在一个区间徘徊：大约30%的项目被认为是成功的（按时、按预算、达到目标），约20%直接失败，剩下50%是"被挑战的"——要么超期、要么超预算、要么功能缩水。也就是说，在没有AI的情况下，普通企业软件项目的成功率也只有大约三成。

AI项目叠加在这个基础上，风险不是线性增加而是指数增加。原因有三层。

第一层是技术新颖性风险。普通软件项目的失败模式已经被研究了三十年，有成熟的应对方法——敏捷开发、持续集成、灰度发布。AI项目没有这套基础设施。一个基于LLM的应用，它的输出是非确定性的（同一个输入可能给出不同输出），它的质量边界是模糊的（什么时候叫"做对了"很难定义），它的测试方法是不成熟的（传统单元测试对概率性输出无效）。一个连传统软件项目都管不好的企业，面对这些新挑战时几乎必然失控。

第二层是期望管理风险。AI在媒体和资本端的叙事高度膨胀——"颠覆""革命""自动化一切"。这种叙事渗透到企业决策层后，AI项目被赋予了不切实际的期望。一个典型的失败链条：CEO在行业大会上听到竞品讲AI故事→回来要求IT部门"也要搞AI"→IT部门在没有清晰业务场景的情况下启动项目→为了对上交代，选择了一个看起来酷炫但脱离实际需求的场景（比如给每个员工配一个AI助手）→项目交付后发现没人用→要么悄悄下线，要么继续投入但永远无法证明ROI。这个链条的每一步都合乎官僚逻辑，但终点是确定的失败。

第三层是利益结构风险。在AI项目的生态里，几乎每个参与方都有动机去美化失败。董事会需要向股东展示"我们在创新"，高管需要向CEO展示"数字化转型在推进"，员工需要保住饭碗所以不会说真话，供应商和咨询公司需要拿到下一阶段的合同。这位作者直言："很多上市公司在公开宣布他们的AI生产力收益，而据我所知，这些企业除了采购Copilot许可证然后宣布胜利之外，什么都没做。"当所有利益相关方都倾向于维持表象时，系统性失败就不会被纠正，只会被掩盖。

把这三层风险叠加到"企业本来只有30%的软件项目成功率"这个基础上，AI项目的0%成功率就不那么令人意外了。甚至可以说，在当前的组织成熟度下，这个结果几乎是数学必然。

但这不意味着企业AI注定失败。它意味着失败的原因被误诊了。

行业里主流的AI失败归因是"模型不够强"——言下之意是等下一代模型出来就好了。这种归因方便地忽略了：模型的迭代速度远快于企业组织能力的迭代速度。GPT-3到GPT-5.6，能力提升了几个量级，但企业在项目管理、需求定义、质量评估上的能力，过去三年几乎没有实质进步。用更强的模型去填组织能力的坑，就像用更快的引擎去弥补一辆底盘松散的车——速度越快，失控越惨烈。

真正应该改变的是另外几个变量。

第一个是场景选择。不是所有场景都适合AI。判断标准很朴素：这个场景里，"正确答案"是否清晰可定义？错误输出的代价是否可控？如果两个答案都是"是"，AI可以上；如果有一个是"否"，大概率会失败。文档摘要、代码补全、图像生成这类任务，"好"和"坏"的边界相对清晰，错误代价可控——这是AI最先在企业里跑通的场景。客户决策、法律判断、战略分析这类任务，"好"的定义模糊，错误代价极高——目前不该让AI做主力。

第二个是评估体系。大多数失败项目的共性是"没有定义清楚什么叫成功"。在项目启动前，需要回答三个问题：这个AI工具每周要被多少员工使用多少次？它每次使用平均节省多少时间？节省的时间换算成多少价值？如果这三个问题回答不出来，项目就不该启动。这三个数字也是后续判断"成功还是失败"的硬标准，防止团队用模糊叙事来掩盖结果。

第三个是组织能力。AI项目的成功率，本质上是一个企业"能不能有效运行软件项目"的放大镜。这个底层能力不提升，换什么模型都没用。而提升这个能力的方法一点也不性感——梳理业务流程、建立需求管理规范、做实质量评估——都是传统软件工程的老生常谈。但正是这些老生常谈，决定了企业能不能把AI的价值真正释放出来。

把这个判断放到全球AI投入的坐标系里看，会更清楚问题的严重性。就在同一周，日本宣布五年内投入1万亿日元（约62亿美元）建设主权AI工厂，全球企业2025年在AI基础设施上的支出预计超过3000亿美元。这些投入的绝大部分，按照0%成功率的逻辑推演，会变成沉默的成本——项目上线、没人用、慢慢被遗忘，但GPU的电费和折旧一分不少地继续扣着。当投入规模达到千亿级别时，0%的成功率就不再只是个别企业的烦恼，而是一个宏观层面的资源错配问题。资本市场的耐心是有限的，当"AI生产力革命"的叙事无法兑现为财报上的利润数字时，预期重置会比想象中来得快。

更值得警惕的是，这种系统性失败正在产生一种"沉默螺旋"效应。失败的项目不会自我曝光——没有高管愿意承认自己主导的项目失败了，没有供应商愿意把失败案例写进案例库，没有员工愿意冒着被裁员的风险去说真话。于是失败被系统性隐藏，市场上充斥着成功故事，新入局者基于这些被美化的案例设定了更高的期望，结果制造出更大规模的失败，然后继续隐藏。这个循环只有在资本退潮时才会被打破。

最后说一个更大的判断。

过去一年半的0%成功率，加上同期全球企业对AI的投入规模——仅日本一个国家就计划在物理AI上投入650亿美元——构成了一个巨大的剪刀差。投入在膨胀，产出在萎缩，中间的鸿沟被叙事泡沫暂时掩盖着。

这个剪刀差不会永远维持。当资本市场的耐心耗尽、当董事会开始要求真实的ROI数据、当"AI生产力收益"的公关稿无法再掩盖实际的项目失败时，行业会经历一次预期重置。不是AI寒冬——模型能力仍在真实进步——而是企业AI部署寒冬。那些靠讲故事维持的项目会被砍掉，留下来的会是少数真正解决了问题的应用。

这个洗牌对行业是健康的。AI需要从"信仰"变成"工程"，从"必须搞"变成"值得搞"。这个转变的前提，是诚实地承认当前0%的成功率，然后去解决那些导致失败的、一点都不AI的根本问题。

既然看到这里了，如果觉得有用，随手点个赞、分享、推荐三连吧。

THANKS FOR READING