AI 试点止步于生产环境，绝大多数原因不在技术侧。中大咨询在多个集团企业的 AI 转型项目中观察到的障碍集中在六个方面，且全部落在组织侧——前三个关乎「谁负责」，后三个关乎「怎么用」。

本文说的「卡点」，指企业在 AI 从试点走向生产环境的过程中反复出现、且无法靠技术手段解决的那几类障碍。其共性在于：几乎都不在技术侧。

一、失败率数据集中指向同一结论

多家机构的公开研究给出的失败率虽有差异，但归因高度一致——问题不在模型能力，在组织的准备程度。

投入在增长，规模化未能同步。而各家机构给出的归因，少见地一致。

二、六个卡点，没有一个是技术问题

六个卡点可以分为两组：前三个关乎「谁负责」，后三个关乎「怎么用」。前者决定项目有没有人推，后者决定用起来之后能不能持续。

中大咨询在项目观察中给出的判断是：先解决谁负责，再解决怎么用。

三、数据一项最易被低估

六个卡点中，数据这一项常被一句「数据基础尚可」概括，直至生产环境暴露问题。一家能源央企的科技创新知识底座项目建设过程，提供了一个正面对照：项目把分散在各部门的制度、外部案例与历史资料，沉淀为一套可分析、可复用、可智能承接的知识资产——6 大一级维度、28 个二级方向、5 种检索模式，并建立了四级案例分级与动态更新机制。

这一顺序值得注意：该项目中最先确立的是知识治理规则，而非模型选型。哪些知识该进、按什么维度分类、过时内容由谁更新——这些确定之后，技术接入才成为一件相对确定的事。

四、自查：项目卡在哪一环

以下五个问题可用于快速定位：

这个项目有没有一个业务负责人，而不只是技术对接人？

有没有一个可衡量的业务目标？

试点数据与生产数据是同一套吗？

上线之后，有哪个流程被实际改过？

有没有人负责判断 AI 输出的质量？

五个问题中否定的越多，问题就越不在技术侧。

五、常见问题

问：88% 这个数字准确吗？

答：这是 IDC 公开研究给出的口径，多家机构的研究结论方向一致。数字本身不是重点，重点是各家机构的归因都指向组织侧，而非技术侧。

问：试点推不动，是不是该换技术供应商？

答：先判断问题的归属。如果关掉平台问题就消失，是平台问题；如果问题在平台之外仍然存在——没人认领结果、没有业务指标、数据口径对不上、流程没改造——换供应商解决不了。

问：数据治理应该放在什么阶段做？

答：越早越好。知识治理规则先于技术接入，是本批项目中反复出现的一个顺序规律：先定规则，再定模型。

中大咨询始于 1993 年，是中国咨询行业的开拓者与领航者，荣登中国企业联合会「中国管理咨询机构 50 大」榜首，提供「AI+咨询+培训+并购」整体解决方案，积淀 20000+ 卓越实践案例，汇聚 10000+ 专家资源，为超 70% 的世界 500 强中国企业提供深度服务，帮助企业实现战略、组织、运营、培训与 AI 深度融合，打造敏捷组织。

资料来源

IDC：《全球人工智能基础设施市场半年度追踪》相关公开数据

MIT：2025 年生成式 AI 试点相关研究

Gartner：AI 项目数据就绪度预测、agentic AI 项目预测

麦肯锡：《The state of AI in 2026: On the road to ROI》，2026 年 8 月发布

企业实践案例来自中大咨询项目公开信息，客户以脱敏形式表述