AI项目最容易死在那场惊艳的Demo之后

先看一个很扎眼的数字：95%。

2025年，MIT NANDA项目发布了一份名为《The GenAI Divide》的研究报告。报告提到，企业在生成式AI上的投入已经达到数百亿美元，但真正取得显著业务回报的企业只有约5%。

这个数字后来引发了不少争议。毕竟报告的样本有限，也属于阶段性研究，把95%当成适用于所有企业的精确结论，并不严谨。

但如果你做过企业数字化，或者亲自参与过AI项目，就会发现：这个数字或许不够精确，它描述的现象却一点都不陌生。

很多AI项目，都有一个非常热闹的开始。

老板参加了一场会议，或者看到了某个令人兴奋的案例，回来以后马上组织团队研究。供应商进场，选了几个场景，几周后做出一个Demo。

现场效果通常很好。

上传一份合同，AI几秒钟就能找出风险；输入一段需求，AI马上生成方案；打开一个对话框，它能回答制度、流程和业务问题。

大家看完都觉得，这件事可以做，预算也很快批了下来。

可真正进入实施阶段，完全是另外一个世界。

数据从哪里来？哪个版本才是准确的？谁有权限看？AI给错了答案谁来负责？业务流程要不要跟着调整？出现异常以后谁来处理？原来的系统怎么连接？员工为什么要放弃已经用了多年的工作方式？

这些问题，一个都绕不过去。

几个月以后，Demo还在，项目群却渐渐没人说话了。系统虽然上线，业务人员还是按照原来的方式工作。钱花了，模型也买了，汇报材料写得很漂亮，公司真正的经营结果却没有发生变化。

这才是很多企业AI项目的真实结局。

图片

Demo和生产，中间隔着一家企业

AI项目最容易造成一种错觉：只要模型能够完成任务，项目就已经成功了一半。

实际上，可能连十分之一都没有完成。

以合同审查为例。

演示的时候，只需要上传一份合同，让AI找出风险条款。可进入企业以后，面对的就不再是一份孤立的合同。

它需要知道公司正在使用哪个合同模板，哪些条款允许修改，哪些条款必须经过法务审批；需要按照公司、部门、岗位和职级控制权限；还要连接审批、电子签章、归档和付款流程。

如果AI漏掉了风险，责任由谁承担？如果业务人员不认可审查结果，反馈如何留下来？下一次遇到类似合同，系统能不能做得更好？

把这些问题解决以后，AI才算进入了业务。

所以，企业AI落地最难的地方，从来不是让模型回答一次，而是让它在真实流程中长期、稳定、可控地工作。

很多项目不是输在模型上，而是输在了模型之外。

图片

代码变快了，交付却没有跟着变快

AI确实大幅提高了写代码的速度。

Faros AI分析了一万多名开发者和一千多个团队后发现，AI使用程度较高的团队，完成的任务增加了21%，合并的代码变更接近翻倍。

但与此同时，代码评审时间增加了91%，每名开发者对应的缺陷数量也上升了9%。

这组数据很有意思。

AI让代码生产得更快，也让更多代码涌向测试、评审、集成和发布环节。原来的瓶颈没有消失，只是换了一个位置。

就像一条生产线，前面的机器突然提速了一倍，后面的质检、包装和运输却没有变化。最终的交付速度不会提高，现场反而可能堆满半成品。

企业今天面对的，正是类似的问题。

写代码正在变得越来越便宜，但把代码变成一个稳定运行、有人使用、能够产生业务结果的系统，仍然很难。

甚至可以说，AI能力越强，企业交付能力不足的问题就暴露得越明显。

大家都完成了任务，却没有人对结果负责

很多企业认为，AI项目最好由内部团队自己做，因为内部团队最懂业务。

这句话没有错，但懂业务不等于能够把AI交付成业务结果。

现实中一个项目往往被拆成很多段。

业务部门负责提需求，产品经理负责写文档，技术团队负责开发，测试人员负责验收，供应商负责上线。每个人都有自己的任务，每个节点也都可以完成。

最后，系统上线了，却没有人持续追问：

业务人员到底用没用？ 原来的流程有没有改变？ 效率提高了多少？ 哪些功能看起来不错，实际根本没人需要？ 上线三个月后，谁还在根据现场反馈继续调整？

很多项目的问题就在这里：人人都对自己的任务负责，却没有人对最终结果负责。

这也是为什么，企业最懂自己的业务，内部自建的AI项目依然可能落不了地。

缺的不是一个更会写代码的人，也不是再增加一个协调会议的项目经理，而是一个从头到尾盯住"把技术变成业务结果"的角色。

图片

FDE的价值，不是驻场，而是盯住结果

这几年FDE开始受到越来越多关注。

FDE，通常翻译为前向部署工程师。

很多人把它理解成既懂业务又懂技术的驻场工程师，这个理解还不够。

FDE真正重要的地方，不是坐在哪里，也不是属于甲方还是乙方，而是他的工作终点变了。

传统研发人员的工作终点，可能是代码提交；传统项目团队的工作终点，可能是系统上线；传统供应商的工作终点，可能是完成验收。

FDE的工作终点，是业务结果出现。

他要进入业务现场，不只是听需求，还要看员工每天究竟怎么工作；不只是把旧流程搬进系统，还要判断哪些环节应该被重新设计；不只是做出产品，还要观察业务人员为什么不用；不只是解决上线前的问题，还要根据真实反馈反复调整。

直到AI真正嵌进流程，接管一部分工作，并且能够用效率、成本、收入或者质量证明价值，这件事才算完成。

所以，FDE不是传统外包换了一个名字，也不是产品经理和程序员的简单组合。

它更像是AI时代出现的一种新型交付角色：站在业务和技术之间，但最终站在结果这一边。

AI时代，交付正在成为新的胜负手

蒸汽机出现以后，工厂制和产业工人随之出现；流水线普及以后，工业工程师、质量管理等岗位开始变得重要；互联网进入企业以后，我们熟悉了软件工程师和产品经理。

每一次生产力发生变化，组织协作方式也要跟着改变。

现在AI把模型能力和编码能力快速变成一种普遍可获得的资源。企业都能接入相似的模型，也都能使用AI写代码。

真正拉开差距的，不再是谁先买到一个工具，而是谁能更快地把AI接入自己的数据、流程和组织，让它产生稳定的业务结果。

因此，一个AI项目启动前，至少要回答三个问题：

第一，系统上线后的第一个星期，究竟会改变谁的哪项工作？ 第二，准备通过什么业务指标，证明这项改变有价值？ 第三，项目上线半年以后，谁还会继续盯着使用情况和业务结果？

如果这三个问题没有答案，即使Demo再惊艳，项目也很可能慢慢归于沉寂。

AI项目真正成功的标志，也不是启动会上掌声有多热烈，更不是汇报材料里写了多少功能。

而是有一天，业务人员不再刻意谈论AI，却已经离不开它。

模型决定了AI能做什么，交付决定了企业最终能得到什么。

当写代码不再是瓶颈，交付，就成了这一轮竞争真正的胜负手。