先说几个核心判断：AI项目失败，从来不是单一原因造成的。业务团队和技术团队各有各的“坑”，但最后摔跟头的姿势往往惊人相似。下面我们来拆解一下，那些最常让AI项目翻车的关键因素。

当分析AI项目失败的原因时，你会发现永远不会只有一个错误——业务和技术团队都贡献了各自的“雷区”。这篇文章就聊聊导致AI项目失败的最常见原因。

人才：AI人才缺口

扩展AI的两个主要障碍：一是找不到具有AI技能的人，二是找不到好的业务场景。现实是，大多数组织没法雇佣几百上千个数据科学家。而那种既懂AI技术又懂商业逻辑的人，简直比独角兽还稀有，业界干脆就叫他们“独角兽人才”。

怎么破？公司应该“组建独角兽团队，而不是雇佣独角兽个人”。也就是说，把数据专家和领域专家凑在一起，同时持续打磨AI运营模式，逐步提升AI成熟度。这招管用吗？《哈佛商业评论》的数据显示，85%成功扩展了AI的公司，用的就是跨学科开发团队。

IDC的建议是：“别光盯着数据科学家。知识工作者和行业专家的角色同样重要，给知识工作者赋能，能更快实现价值。”

流程：缺乏AI治理和监督

在当前宏观经济环境下，团队最不能承受的就是削减甚至砍掉AI预算。你可能会问，为什么预算会被砍？因为太多时间都花在构建和测试机器学习模型上，结果模型却从未投入生产，始终没法给业务创造真金白银——不管是赚到的钱、省下的钱，还是建立以前做不到的新流程。

好消息是，AI团队可以实施一些策略和最佳实践来安全地简化并扩展AI工作，比如建立AI治理策略，它既包含MLOps这类运营要素，也包含负责任AI这类价值导向的要素。

坏消息是，很多团队要么在部署前根本没设置这些流程（这会导致一大堆复杂问题），要么没办法明确地筛选出能产生业务价值的正确项目，及时淘汰表现不佳的项目。

关键是要在AI扩展中关注风险调整后的价值交付和效率，而且所有这些都必须符合法规。团队需要区分概念验证（POC）、自助服务数据计划、工业化数据产品，以及它们各自的治理要求。要给探索和实验留出空间，但也要明确做出决定：什么时候自助服务项目或POC应该获得资金、测试和保障，从而升级为工业化、可落地的解决方案。

IDC的建议是：“为数据隐私、决策权、问责制和透明度建立明确的制度。由IT部门、业务部门和合规部门共同执行前瞻性、持续性的风险管理和治理。”

技术：缺乏平台思维

团队怎么确定正确的技术路线，才能让AI大规模落地？端到端平台（比如Dataiku）能给AI项目生命周期的各个步骤带来凝聚力，让团队在完成这些步骤时有一致的体验和操作方式。在构建现代AI平台策略时，一定要考虑一体化平台的价值——从数据准备到生产环境中机器学习模型的监控，全部覆盖。相反，如果每个组件都单独去买不同的工具，那就好比拼图到处都是碎片，整合起来极其困难。

更重要的是，让IT从一开始就参与进来。IT经理对于任何技术的顺利推出都至关重要，从更宏观的角度看，他们也在塑造一种文化：数据访问与适当的治理和控制相平衡。

IDC的建议是：“与其用不同的解决方案处理小任务，不如采用平台方法，提供一致的体验和标准化。”

展望未来

扩展AI工作需要投入大量时间和资源，我们都不想失败。但话说回来，只要团队能在快速失败后立刻把教训落地，实验过程中间出现一些有益的失败也是有价值的。关键在于，要持续提升技能、加强培训，让业务从业者越来越多地参与进来，推动AI工具和技术的民主化。