CTO快速翻阅着幻灯片，展示着令人印象深刻的技术成果：模型准确率、部署时间表、基础设施升级——所有这些无疑都是真实的，但没有一项回答了CFO的问题。

接下来的沉默并不罕见，我在多家财富100强公司目睹过这样的场景。企业投入数百万资金用于AI项目，取得了技术上的成功，但却难以阐明所创造的业务价值。问题不在于价值不存在，而是在承诺与交付之间，有一种隐性成本消耗了AI 30%至40%的潜在影响力。

大多数高管从未在损益表上看到过这一成本，它不会作为单独一项列出，而是表现为技术上成功但商业上令人失望的项目，表现为永远无法扩大规模的概念验证，表现为解决实际无人面临问题的AI系统。

价值流失的真正成本

以下是这一隐性成本的实际代价：我曾为一家全球金融机构提供咨询，该机构斥资1200万美元构建了一套复杂的客户流失预测系统，该模型准确率高达89%，从技术角度来看确实令人印象深刻，然而，客户留存率却几乎没有变化，为什么呢?因为该模型虽然识别出了有流失风险的客户，但企业缺乏根据这些洞察采取行动的流程，预测能力与客户服务工作流程、营销自动化和客户关系管理系统相隔离。

技术团队庆祝他们的成就，业务利益相关者则疑惑他们究竟支付了何种费用，双方都没有错，他们都成为了大多数AI项目所面临的相同价值流失问题的受害者。

这种模式在各行业反复上演，一家医疗系统实施了诊断AI，但医生却从未采用，一家零售商构建了“下一步最佳推荐”引擎，但客户服务团队却置之不理，一家制造商部署了预测性维护系统，但主管们却不信任，技术有效，但价值却烟消云散。

根据对200多个国际案例的研究，这种价值流失遵循可预测的模式，认识到这些模式的企业能够避免它们，而那些没有认识到的企业则会继续为这一隐性成本买单，一个项目接着一个项目。

传统方法为何在AI领域失效

根本原因不在于技术不足，而在于将AI视为传统IT项目实施，这一根本性错误导致了系统性的价值破坏。

传统IT项目基于固定需求、可预测行为和明确边界运行，而AI则截然不同，它需要随着从新数据中学习而不断迭代，它依赖的数据质量远超传统报告所需，它会在流程、角色和组织结构中产生连锁反应，这是大多数项目方法论从未预料到的。

我曾与一家医疗服务提供商合作，他们使用与更新电子健康记录相同的项目方法论实施了AI诊断支持系统，当他们无法为旨在学习和演进的系统定义固定需求时，这种方法彻底失败了，只有当他们采用了一种完全不同的实施方法，专注于持续学习而非固定里程碑时，才取得了成功。

传统方法论与AI独特特性之间的这种不匹配，造成了我所说的“结构性价值流失”——无论团队能力或努力程度如何，只要采用这种方法，损失几乎不可避免。

四个关键的价值流失点

通过分析多种多样的实施案例，我确定了价值最常消失的四个环节：

• 战略错位

研究表明，AI项目常常因领导层对项目目标的不一致而失败，我见过一些企业启动“AI客户体验计划”，却未明确要改善客户体验的哪些方面，也未就如何衡量成功达成一致，于是，数据科学团队构建了令人印象深刻的能力，但最终却价值寥寥，因为他们解决的是客户实际并未面临的问题。

网络安全咨询公司AnzenSage的CTO Stuart King在描述那些认为“现在有了这个很棒的新工具，我们出去找个地方用用吧”而非先识别问题再应用AI作为解决方案的企业时，完美地捕捉到了这一点。

• 数据基础失败

根据Gartner的数据，数据质量不佳每年给企业造成约1290万美元的损失，但在AI领域，数据问题会呈指数级加剧。

一家制造业客户构建了一套先进的预测性维护系统，在测试中表现出色，但在生产中却显著失败，罪魁祸首是什么?在正常运营期间收集的训练数据未包含足够多的导致最昂贵故障的边缘案例。

遗留系统带来了额外挑战，正如Evidology Systems的CTO Rupert Brown所解释的：“遗留系统的输入数据字段有限，或被迫重复使用账号，导致需要进行AI无法理解的修正，在可预见的未来，数据质量问题将限制AI技术的实用性。”

• 技术实施差距

思博伦通信企业技术副总裁Matt Bostrom在尝试将AI与现有系统集成时遇到了这一问题：“我们公司有集成工具，但它们老旧过时，要实现通用AI所需的大规模集成，需要进行重大且昂贵的升级。”

我见过一家金融服务公司开发了欺诈检测AI，在测试中表现完美，但在实际交易处理中却造成了不可接受的延迟，该算法准确，但计算量过大，无法处理生产交易量，被迫做出妥协，导致其有效性降低了40%。

• 组织孤岛

也许最隐蔽的价值流失来自孤岛式实施，一家全球银行有17个独立的团队构建客户流失预测模型，每个团队针对不同的产品和地区，没有一个团队能够访问其特定领域之外的数据，严重限制了有效性，如果能够跨产品综合观察，本可以发现任何单一团队都无法看到的模式。

正如思科副总裁Jeremy Foster所指出的：“在孤岛中沟通有时会让你陷入陷阱，在项目进行过程中，对整个项目有良好的可见性对于避免陷阱至关重要。”

组合效应：隐性的价值倍增器

除了单个项目的价值流失外，大多数企业还错过了一个更大的机会：妥善管理的AI组合所带来的复合价值，企业通常将AI项目作为独立项目进行衡量，并简单地将它们的价值相加，这种方法忽略了20%至40%的潜在影响。

我曾为一家金融服务机构提供咨询，该机构对12个同时进行的AI项目实施了全面的组合衡量，除了项目特定指标外，他们还明确跟踪了数据资产利用、模型重用、知识转移和能力应用等跨项目指标，这一组合层面的评估显示，约35%的总价值来自这些协同效应，而非独立项目的回报。

这一见解改变了他们的方法，他们不再为孤立的项目提供资金，而是开始有意设计项目以最大化跨项目效益，结果呢?在无需额外预算的情况下，AI投资的总回报率提高了47%。

阻止价值流失：四部分框架

解决方案并非放弃AI，而是实施系统性方法以防止价值流失：

• 在开始前制定明确的价值协议，定义你要解决的具体业务问题，就如何衡量成功达成一致，并明确哪些利益相关者必须就结果达成一致，我曾合作过的一家企业通过要求业务和技术领导在项目批准前签署一页纸的价值声明，将失败项目减少了60%以上。

• 将衡量纳入基础，从第一天起就建立技术和业务指标，并定期进行审查。同时跟踪领先指标(包括模型性能和用户采用情况)和滞后指标(包括业务影响和财务回报)，我所见过的最成功的实施会每日和每周监控价值，而非季度或年度。

• 从一开始就设计组织集成，规划AI能力将如何与现有工作流程连接，谁将根据洞察采取行动，以及需要哪些流程变更，不要将集成视为事后考虑，而要使其成为设计的核心，创建跨职能团队，对业务成果而非仅技术交付物承担共同责任。

• 实施持续的价值验证，定期检查点，将技术进展与业务影响明确连接，为价值流失创建预警系统，一家制造公司每月举办“价值论坛”，技术团队必须展示业务影响，而不仅仅是技术成就，这一做法发现并纠正了多个技术上取得进展但商业上偏离轨道的项目。

这对你的意义

AI的隐性成本并非不可避免，实施系统性方法以防止价值流失的企业能够持续从相同的投资中多捕获30%至40%的价值，他们并非通过更优越的算法或更大的预算实现这一点，而是通过将技术卓越与业务影响相连接的刻意实践。

问题不在于你的企业是否在支付这一成本——几乎肯定在支付，问题在于你是否会继续支付，还是实施框架以减少这一成本，并将AI投资转化为最佳业务价值。

在批准下一个AI项目前，请提出三个问题：我们要解决的具体业务问题是什么?我们将如何以业务术语衡量成功?需要哪些组织变革来捕获这样的价值?如果你无法清晰回答这些问题，那么你即将再次支付隐性成本。

现在选择权在你手中，继续为令人失望的结果提供资金支持令人印象深刻的技术，还是要求每一笔AI投资都创造最佳业务价值?大多数企业不知不觉地默认选择了前者，少数有意选择后者的企业将AI从昂贵的实验转变为竞争优势。

企业网D1net(www.d1net.com)：

国内头部to B IT门户，旗下运营国内头部的甲方CIO专家库和智力输出及社交平台-信众智(www.cioall.com)。旗下运营19个IT行业公众号(微信搜索D1net即可关注)。

版权声明：本文为企业网D1Net编译，转载需在文章开头注明出处为：企业网D1Net，如果不注明出处，企业网D1Net将保留追究其法律责任的权利。