2024 年下半年开始，我们一共交付了 12 个 B 端 AI 项目：3 个客服 Agent、4 个销售 Agent、2 个内容生成工具、3 个数据分析助手。客户从 50 人 SaaS 公司到 8000 人传统集团都有。
到 2026 年 6 月，其中 8 个仍在稳定运行（67%），4 个已停用或大幅缩减。这个数字比行业平均的 30% 留存率好不少，但当我们深挖那 4 个失败案例时，发现原因出奇一致 — 不是模型不够强，不是数据不够多，而是 3 个组织级问题。
① 业务问题没定义清楚（4 个失败项目里 4 个都中招）
② 缺少"数据 + 流程"双轨准备（4 个里 3 个中招）
③ 没有"内部拥护者"（4 个里 2 个中招 — 但第 2 阶段复发率 100%）
1真相 1：业务问题没定义清楚 — AI 不是救世主，是放大器
4 个失败项目的共同起点是：客户找到我们时说"我们想用 AI"。这是个危险的起点。
其中一个客户是一家制造业的中型集团（年营收 12 亿），CEO 在看完几场 ChatGPT 演示后决定"全面拥抱 AI"。第一笔预算给了客服 Agent — 6 个月投入 280 万，第二个季度被停用。
复盘时我们问了关键问题：客服环节当前最大的痛点是什么？客户最初的答案是"人力成本高"。但深入访谈 12 个客服员工 + 3 个销售主管后，真相是 —
真正痛点不是"人力成本高"，而是"高峰期 4 倍话务量导致新人培训成本 + 客户流失"。这意味着 AI 要解决的应该是"高峰弹性 + 新人辅助"，而不是"替代人力"。
同样的人力成本预算，如果做"新人辅助 Agent"（实时推荐回复话术），3 个月就能上线，第 6 个月新人培训成本下降 38%。但因为最初的需求定义错误，整个项目跑偏了。
我们的实操建议
- 在启动任何 AI 项目前，必须做 2 周需求诊断，访谈至少 8-10 个一线员工 + 3 个管理层
- 用"现状数字 → 目标数字 → 验证方法"三段式定义项目（如"客服平均处理时长 8 分钟 → 4 分钟，用 A/B 测试验证"）
- 明确不做清单：什么场景 AI 不做、什么边界由人来守
2真相 2：缺少"数据 + 流程"双轨准备 — 被低估的"基础设施"
这是 4 个失败项目里 3 个都中招的真相，也是最容易被忽略的。
很多客户认为："我有 5 年 CRM 数据 + 10 万条工单记录，AI 一定跑得起来。"但这些数据往往是这样的：
- 工单记录里 60% 是"测试数据"或"重复投诉"（未清理）
- CRM 字段 30% 缺失或错误（销售填的标签五花八门）
- 处理流程完全是"人传人"，没有任何 SOP 文档
AI 模型在这种"原材料"上跑出来的效果，不会比传统规则系统好多少。更糟的是，因为 AI 输出的不可解释性，运营团队无法判断"为什么这个回答不对"，调试成本反而更高。
我们 4 个失败项目里，其中 2 个在第一年"看起来跑起来了"（PoC 指标好看），但第二年都因为"数据漂移"和"流程变化"导致效果断崖式下降。这就是为什么行业统计说"70% 的 PoC 死在第二年"。
我们的实操建议
- 在 AI 项目预算中，至少留 30% 给数据治理（数据清洗、字段标准化、历史归档）
- 用"5 个真实 case 测试集"作为上线标准：AI 必须先在 5 个真实历史 case 上跑出 ≥ 80% 通过率
- 流程文档化优先于模型训练：把当前"人传人"流程写下来，能用规则系统跑的就先用规则系统，不要直接上 LLM
3真相 3：没有"内部拥护者" — AI 项目的真正护城河
这一条看起来很"软"，但 4 个失败项目里 2 个直接因为"没人推"而死，剩下 2 个也是因为拥护者离职/调岗导致项目半瘫痪。
AI 项目和传统 IT 项目最大的不同是 — 它需要持续运营。传统 ERP 部署完上线就能用，AI 系统每 3 个月就要根据新数据/新流程调优一次。如果没有一个"内部拥护者"盯着这个事，2 个季度后项目自然就荒废了。
一个真实案例：某零售客户在 2025 年初部署了销售 Agent，初期效果不错（销售线索识别准确率 78%）。但 6 个月后，效果下降到 54%。我们去做诊断时发现 — 销售部门在 4 月份换了 CRM 系统，数据 schema 完全变了，但没人通知 AI 团队做适配。
"内部拥护者"不一定是高管，但必须有 3 个特征：① 一线业务出身（懂真实场景）② 有跨部门协调能力 ③ 自己的 OKR 与 AI 项目绑定
我们的实操建议
- 项目启动时，第一个动作是找到 1-2 个业务方的"种子拥护者"，给他们做深度培训
- 把 AI 项目的关键指标（如准确率、用户使用率）写进拥护者的 OKR，而不是 IT 部门的
- 建立季度 review 机制，每个季度都让业务方来"打分"AI 系统的实际价值
写在最后：AI 项目的正确启动姿势
如果只能给一个建议，那就是 — 把 AI 项目当作"组织变革项目"来做，而不是"技术采购项目"。
技术层面的难度（选模型、写 prompt、接 API）2026 年已经不是壁垒。真正的壁垒在你的组织是否准备好：业务问题定义清不清楚、数据和流程扎不扎实、有没有合适的内部人选愿意为这个项目持续投入。
我们在 2026 年下半年对客户的建议是 — 先做 6-8 周的"AI 就绪度诊断"（业务清晰度 / 数据就绪度 / 流程成熟度 / 内部资源），再决定是"小步快跑试点"还是"全面铺开"。
这能省下你后面 80% 的"返工成本"。
