隨著軟件供應(yīng)商將更多AI功能整合進(jìn)其產(chǎn)品，內(nèi)部自研AI試點(diǎn)項(xiàng)目的高失敗率和低回報(bào)正加速企業(yè)轉(zhuǎn)向采用商業(yè)化的現(xiàn)成解決方案。
圖片來源：Pressmaster / Shutterstock
在成千上萬的人工智能概念驗(yàn)證（POC）項(xiàng)目無果而終之后，許多組織正在縮減內(nèi)部投入，轉(zhuǎn)而采用商業(yè)化的、現(xiàn)成的AI工具。 Gartner副總裁兼分析師John-David Lovelock表示，根據(jù)Gartner在2023年底的調(diào)查，大約一半的公司當(dāng)時(shí)在開發(fā)自己的AI工具，但到2024年底，這一數(shù)字下降到了約20%。?Lovelock說，許多組織仍在運(yùn)行少量POC，但圍繞生成式AI的熱度降溫，已促使許多CIO轉(zhuǎn)向供應(yīng)商，無論是大型語言模型（LLM）提供商還是將AI內(nèi)置于其產(chǎn)品的傳統(tǒng)軟件銷售商。
Lovelock補(bǔ)充道，許多始于2024年或更早的雄心勃勃的AI項(xiàng)目，現(xiàn)在因POC的高失敗率而面臨內(nèi)部審查。IDC最近的研究發(fā)現(xiàn)，88%的POC未能進(jìn)入大規(guī)模部署階段，同時(shí)CIO們也在努力界定POC的成功標(biāo)準(zhǔn)。
“去年，當(dāng)CIO們進(jìn)行概念驗(yàn)證工作，并從服務(wù)提供商和內(nèi)部資源那里獲得大量幫助時(shí)，即使在那些已經(jīng)有人工智能良好基礎(chǔ)的公司中，失敗率也相當(dāng)高，”Lovelock說。“但對(duì)于那些沒有相同基礎(chǔ)的公司來說，他們的失敗率要高出50%以上。”
一、智力資源（brain power）不足
專注于云和自動(dòng)化的Asperitas Consulting公司的云業(yè)務(wù)負(fù)責(zé)人Scott Wheeler表示，其客戶中的“絕大多數(shù)”現(xiàn)在都在使用現(xiàn)成的AI工具。Asperitas的許多客戶來自金融服務(wù)和保險(xiǎn)行業(yè)，這些行業(yè)通常被視為生成式AI功能的潛在受益者。
他說，許多嘗試構(gòu)建自有AI工具的公司都遇到了缺乏專業(yè)知識(shí)和預(yù)算的問題。 “對(duì)大多數(shù)人來說，這有點(diǎn)得不償失，”Wheeler補(bǔ)充道?！澳惚仨殦碛凶銐虻闹橇Y源（brain power）才能把它做好，而這些人才的需求量非常大。然后，除了智力資源，你還必須有時(shí)間和其它資源。” Lovelock觀察到幾種不同類型的POC，有些公司試圖從零開始構(gòu)建自己的AI模型，另一些則專注于在現(xiàn)有LLM之上添加功能。然而，一些AI專家表示，即便是那些不那么雄心勃勃的POC，也要么失敗了，要么結(jié)果 underwhelming（不盡如人意）。
管理服務(wù)提供商Lemongrass的CTO Eamonn O’Neill說，來自高層管理人員和董事會(huì)要求啟動(dòng)生成式AI POC的巨大壓力導(dǎo)致了許多注定失敗的項(xiàng)目。?
“最初有嘗試的沖動(dòng)，這本身不是壞事，”他說?！暗?dāng)你做了這些POC后的反應(yīng)是，‘嗯，這實(shí)際上沒什么用’，因?yàn)橘|(zhì)量相當(dāng)?shù)?。似乎沒人知道如何正確使用它?！?會(huì)計(jì)和商業(yè)咨詢公司Armanino負(fù)責(zé)AI、分析和自動(dòng)化業(yè)務(wù)的合伙人Carmel Wynkoop補(bǔ)充說，伴隨著對(duì)生成式AI的最初興奮，許多業(yè)務(wù)和IT領(lǐng)導(dǎo)者對(duì)其POC抱有不切實(shí)際的期望。
“當(dāng)時(shí)的態(tài)度是，‘讓我們解決那些棘手的難題（big hairy problems），讓AI來處理它們’，”她說?！岸覀儸F(xiàn)在看到的情況略有不同，更多的是在流程和時(shí)間上實(shí)現(xiàn)漸進(jìn)式改進(jìn)，但并非解決那些重大難題?！?她說，許多組織倉(cāng)促投入到需要很長(zhǎng)上市時(shí)間和投資回報(bào)周期的龐大AI項(xiàng)目中。“如果我一開始就用AI來解決我最大的問題，那可能是一個(gè)長(zhǎng)達(dá)一年的項(xiàng)目，”Wynkoop補(bǔ)充道。“我可能需要先清理大量數(shù)據(jù)，還可能需要修改GPT代碼?！?/span>
二、市場(chǎng)已經(jīng)改變
Gartner的Lovelock表示，經(jīng)歷了過去兩年的AI POC“淘金熱”之后，市場(chǎng)動(dòng)態(tài)在2025年發(fā)生了轉(zhuǎn)變。不再是CIO們主動(dòng)去尋找構(gòu)建或購(gòu)買AI工具，而是軟件供應(yīng)商將他們的附加AI產(chǎn)品推銷給CIO們，而CIO們自身也在尋求對(duì)生成式AI成果采取更務(wù)實(shí)的態(tài)度。
“我們習(xí)慣于CIO們主動(dòng)出去購(gòu)買軟件，而今年，他們將被推銷[AI]軟件，”他說?！斑^去，他們心中有想法，有問題要解決，這是有方向性、有意圖的。他們掌控著局面?！?Lovelock說，在某些情況下，CIO們對(duì)于是否購(gòu)買附加的AI產(chǎn)品將別無選擇。?“今年，幾乎每家軟件公司，對(duì)于幾乎每一款產(chǎn)品，如果還沒有的話，都會(huì)推出生成式AI功能，”他說?！颁N售人員會(huì)給他們的客戶打電話說，‘我們有生成式AI了’，而在某些情況下，你某天早上來上班，會(huì)發(fā)現(xiàn)賬單略有增加，多了一個(gè)新按鈕?！?/span>
與此同時(shí)，Armanino的Wynkoop表示，隨著軟件供應(yīng)商和AI覆蓋了大部分目標(biāo)功能，公司構(gòu)建自有AI工具的許多動(dòng)機(jī)已經(jīng)消失。
三、目標(biāo)放小
她補(bǔ)充說，對(duì)于缺乏深厚專業(yè)知識(shí)的公司來說，與其用AI解決大問題，不如瞄準(zhǔn)更小的目標(biāo)可能會(huì)更有益。?“如果我從那些能快速看到成效的項(xiàng)目入手，建立勢(shì)頭，并在我組織的許多流程中實(shí)現(xiàn)一些效率提升，那么我就能建立起AI能力的聲譽(yù)，并開始看到這些效率的體現(xiàn)，”Wynkoop說?！叭缓笪揖涂梢杂^察人們?nèi)绾胃淖兯麄兊男袨椋约八麄內(nèi)绾闻cAI協(xié)同工作?！?/span>
展望未來，Asperitas的Wheeler表示，許多內(nèi)部開發(fā)項(xiàng)目可能會(huì)專注于使用內(nèi)部數(shù)據(jù)訓(xùn)練AI模型，以創(chuàng)建利基（niche）功能。 “AI模型本身似乎成了一種商品，”他說?！暗S多公司擁有這些定制化的數(shù)據(jù)集，他們會(huì)用自己的專有數(shù)據(jù)來訓(xùn)練AI模型。” AI與數(shù)據(jù)咨詢公司Indicium的首席數(shù)據(jù)官Daniel Avancini補(bǔ)充說，這些用專有數(shù)據(jù)訓(xùn)練的AI模型，有潛力為采用這種方法的公司創(chuàng)造巨大價(jià)值。
“這是一種非常利基的產(chǎn)品，但如果我們能做好，對(duì)我們公司來說價(jià)值巨大，”他說?！芭c其搞20個(gè)POC，我們可以只專注于這一個(gè)能帶來巨大投資回報(bào)率的產(chǎn)品?！?/span>
作者：Grant Gross 高級(jí)撰稿人
是CIO的高級(jí)撰稿人，長(zhǎng)期從事IT新聞報(bào)道，專注于人工智能、企業(yè)技術(shù)和科技政策。他曾擔(dān)任IDG新聞社華盛頓特區(qū)記者及后來的高級(jí)編輯。職業(yè)生涯早期，新聞編輯。作為科技政策專家，他曾出現(xiàn)在C-SPAN和大型西班牙語有線新聞網(wǎng)NTN24上。在更早的時(shí)候，他曾在明尼蘇ダ州和達(dá)科他州的報(bào)社擔(dān)任記者和編輯。
【睿觀：由于內(nèi)部自研AI概念驗(yàn)證（POC）項(xiàng)目普遍存在失敗率高（高達(dá)88%無法規(guī)?；?、投資回報(bào)低、缺乏專業(yè)人才和資源等問題，加之軟件供應(yīng)商正將AI功能加速整合進(jìn)其商業(yè)產(chǎn)品并主動(dòng)推銷，全球眾多企業(yè)的CIO正顯著地從內(nèi)部構(gòu)建AI轉(zhuǎn)向購(gòu)買和利用商業(yè)化、現(xiàn)成的AI解決方案。
主要觀點(diǎn):
POC困境與失敗率高企：
大量始于GenAI熱潮期的內(nèi)部AI POC項(xiàng)目未能達(dá)到預(yù)期效果或規(guī)模化部署（IDC數(shù)據(jù)稱88%失?。?，尤其對(duì)于缺乏AI基礎(chǔ)的企業(yè)失敗率更高（超50%）。項(xiàng)目失敗源于技術(shù)挑戰(zhàn)、數(shù)據(jù)問題、不切實(shí)際的期望以及缺乏明確的成功標(biāo)準(zhǔn)。
資源與專業(yè)能力瓶頸：
成功構(gòu)建和部署有效的AI需要稀缺且昂貴的專業(yè)人才（“brain power”）、大量時(shí)間和預(yù)算投入，對(duì)多數(shù)企業(yè)而言，自研的投入產(chǎn)出比不高（“得不償失”）。
市場(chǎng)動(dòng)態(tài)逆轉(zhuǎn)（從拉到推）：
軟件供應(yīng)商（包括LLM提供商和傳統(tǒng)軟件商）正積極將AI功能（特別是生成式AI）嵌入其現(xiàn)有產(chǎn)品組合中，并主動(dòng)向CIO推銷這些增值功能，市場(chǎng)從CIO主動(dòng)尋求AI工具轉(zhuǎn)變?yōu)楸粍?dòng)接受供應(yīng)商提供的AI能力，有時(shí)甚至是強(qiáng)制性升級(jí)。
內(nèi)部AI開發(fā)的新焦點(diǎn)：
企業(yè)內(nèi)部AI工作的重心正從從零構(gòu)建模型轉(zhuǎn)向更有價(jià)值的領(lǐng)域：利用企業(yè)自身的專有數(shù)據(jù)（proprietary data）來訓(xùn)練和微調(diào)現(xiàn)有的商業(yè)AI模型，以創(chuàng)造符合特定業(yè)務(wù)需求的、獨(dú)特的、高價(jià)值的利基（niche）應(yīng)用，這被視為新的競(jìng)爭(zhēng)優(yōu)勢(shì)來源。
策略調(diào)整建議：
專家建議企業(yè)，特別是AI經(jīng)驗(yàn)不足的企業(yè)，應(yīng)調(diào)整策略，優(yōu)先采用商業(yè)AI工具解決范圍更小、能快速見效的問題（“Aiming smaller”），以此積累經(jīng)驗(yàn)、建立內(nèi)部信心和展示AI價(jià)值，為后續(xù)更復(fù)雜的應(yīng)用奠定基礎(chǔ)，而不是一開始就挑戰(zhàn)最宏大、最困難的問題。
場(chǎng)景案例：
案例公司： 一家生產(chǎn)多種休閑零食（如薯片、餅干）和飲料的消費(fèi)品牌制造商，擁有多條自動(dòng)化產(chǎn)線和廣泛的分銷網(wǎng)絡(luò)。
核心挑戰(zhàn)：公司的明星產(chǎn)品是一款天然薯片，其質(zhì)量（色澤、脆度、含油量）和生產(chǎn)良率（合格產(chǎn)品占總投料的比例）受主要原料——土豆的天然屬性（品種、批次、季節(jié)性差異導(dǎo)致的淀粉含量、糖分、水分等）以及生產(chǎn)過程參數(shù)（切片厚度、油炸溫度與時(shí)間、調(diào)味量等）的復(fù)雜影響，波動(dòng)較大。傳統(tǒng)依靠經(jīng)驗(yàn)豐富的老師傅調(diào)整或固定的參數(shù)表難以實(shí)現(xiàn)批次間的精細(xì)化最優(yōu)控制，導(dǎo)致部分批次次品率偏高，原料浪費(fèi)和成本增加。
AI應(yīng)用：基于專有數(shù)據(jù)的產(chǎn)線優(yōu)化模型
該企業(yè)沒有從零開始構(gòu)建復(fù)雜的AI模型，而是選擇了一個(gè)成熟的商業(yè)AI平臺(tái)提供的通用預(yù)測(cè)與優(yōu)化算法框架。他們利用自身積累的大量專有數(shù)據(jù)對(duì)該通用模型進(jìn)行訓(xùn)練，這些數(shù)據(jù)包括：
原料數(shù)據(jù)：
每個(gè)批次土豆的詳細(xì)檢測(cè)指標(biāo)（淀粉、糖分、水分、尺寸分布等）。
過程數(shù)據(jù)：
對(duì)應(yīng)批次的產(chǎn)線參數(shù)記錄（切片厚度設(shè)定、油炸溫度曲線、油炸時(shí)間、調(diào)味量等）。
設(shè)備數(shù)據(jù)：
產(chǎn)線上傳感器（如油溫、顏色、水分傳感器）的實(shí)時(shí)讀數(shù)。
品控?cái)?shù)據(jù)：
成品薯片的詳細(xì)質(zhì)檢結(jié)果（色澤評(píng)分、脆度測(cè)試值、含油量百分比、破碎率、口味評(píng)分等）。
結(jié)果數(shù)據(jù)：
每個(gè)批次的最終良率和廢品率統(tǒng)計(jì)。
訓(xùn)練后的利基(Niche)功能：這個(gè)經(jīng)過該企業(yè)專有數(shù)據(jù)深度訓(xùn)練的AI模型，能夠針對(duì)每一批進(jìn)料土豆的具體特性，實(shí)時(shí)預(yù)測(cè)并推薦最優(yōu)的生產(chǎn)參數(shù)組合（例如，特定糖分含量的土豆應(yīng)該匹配何種油炸溫度曲線和時(shí)間，才能最大概率獲得最佳色澤和最低廢品率）。它可以給產(chǎn)線操作員提供精確的調(diào)整建議，甚至在系統(tǒng)集成后實(shí)現(xiàn)部分參數(shù)的自動(dòng)閉環(huán)調(diào)整。
應(yīng)用價(jià)值分析：
效率 (Efficiency):
提升良率：
通過精準(zhǔn)控制，顯著降低因原料波動(dòng)造成的次品率，直接提升合格產(chǎn)品的產(chǎn)出效率（例如，良率提升2-3%）。
減少調(diào)試時(shí)間：
新批次原料上線時(shí)，AI能快速給出推薦參數(shù)，縮短人工反復(fù)試驗(yàn)調(diào)整的時(shí)間，提高產(chǎn)線有效運(yùn)行時(shí)間。
優(yōu)化操作：
為操作員提供數(shù)據(jù)驅(qū)動(dòng)的決策支持，減少因個(gè)人經(jīng)驗(yàn)差異導(dǎo)致的操作不一致性，使整體生產(chǎn)過程更穩(wěn)定高效。
增長(zhǎng) (Growth):
提升產(chǎn)品一致性：
更穩(wěn)定的產(chǎn)品質(zhì)量（色澤、口感更均一）有助于提升消費(fèi)者滿意度和品牌忠誠(chéng)度，支持市場(chǎng)份額增長(zhǎng)或維持溢價(jià)能力。
釋放有效產(chǎn)能：
良率提升意味著在相同投料下產(chǎn)出更多合格品，間接增加了有效產(chǎn)能，能更好地滿足市場(chǎng)高峰需求或拓展新客戶。
加速創(chuàng)新（潛力）：
該模型可擴(kuò)展應(yīng)用于新口味或新工藝研發(fā)，通過模擬預(yù)測(cè)幫助研發(fā)團(tuán)隊(duì)更快找到接近最優(yōu)的生產(chǎn)參數(shù)，縮短新品上市時(shí)間。
成本 (Cost):
降低原料損耗：
最直接的價(jià)值，減少了因炸糊、顏色不達(dá)標(biāo)、破碎等原因造成的土豆、食用油、調(diào)味料等原料的浪費(fèi)。
節(jié)約能源：
更優(yōu)化的油炸時(shí)間和溫度控制可能帶來單位產(chǎn)品的能耗降低。
減少品控成本：
次品減少意味著花在分揀、返工或廢品處理上的人工和管理成本降低。
降低潛在風(fēng)險(xiǎn)成本：
穩(wěn)定的高品質(zhì)能降低因質(zhì)量問題引發(fā)客戶投訴、退貨甚至召回的風(fēng)險(xiǎn)及相關(guān)成本。
結(jié)論：這個(gè)案例展示了休閑食品并非追求多個(gè)泛泛的AI POC，而是聚焦于一個(gè)能利用其核心專有數(shù)據(jù)解決關(guān)鍵痛點(diǎn)的應(yīng)用。通過將通用AI技術(shù)與其獨(dú)特的生產(chǎn)知識(shí)相結(jié)合，訓(xùn)練出一個(gè)“懂”薯片生產(chǎn)的專用模型，從而在效率、增長(zhǎng)和成本三個(gè)維度上都創(chuàng)造了顯著且獨(dú)特的商業(yè)價(jià)值，實(shí)現(xiàn)了遠(yuǎn)超零散POC的AI 項(xiàng)目投資回報(bào)率。
