85%的AI项目都失败了！到底是哪里出了错？（中国计算机世界出版服务公

（中国计算机世界出版服务公司出品）
【85%的AI项目都失败了！到底是哪里出了错？】AI计划的成败更多取决于人，而不是技术。如果你想将AI付诸实践，改善业务成果，你必须避免这6个错误。

文章图片

文章图片

根据Gartner最近两份报告显示， 85%的AI和机器学习项目未能交付，只有53%的项目能够完成从原型到生产的过程。然而，同样的报告表明，对于AI的投资几乎没有放缓的迹象，许多企业反而计划增加投资。
只要有一些常识性的商业思维，许多失败是可以避免的。但是，投资具有强大的驱动力，比如：FOMO（害怕错过）；在有庞大营销预算的AI公司中，存在夸张不实的风险投资泡沫；以及在某种程度上认识到，利用AI驱动的决策和向数据驱动企业迈进，投资是非常必要的。
与其将AI或机器学习项目视为一次性成功，例如，升级数据库或采用新的CRM系统。不如将AI视为一种老式的资本投资，类似于制造商会评判投资购买一台昂贵的机器是否合理。
制造商不会像许多企业看待AI和机器学习那样，将机器视为新奇的新玩具。每个采购决策都会考虑到新产品或改进产品的占地面积、备件、维护、员工培训、产品设计以及营销和分销渠道。在企业采用新的AI或机器学习系统时，也应该有同样的考量。
以下是企业在投资AI和机器学习时常犯的六个错误。
本末倒置
在不知道要回答的问题是什么的情况下，就分析计划方案会令人失望。特别是在有众多干扰的情况下，你的注意力很容易从关键问题上移开。自动驾驶汽车、人脸识别、无人驾驶飞机等都是现代化的奇迹，人们想要尝试做这些新奇的事物是很自然的，但是不要忽视AI和机器学习带来的核心商业价值，这样才能做出更好的决策。
借助数据做决策并不新鲜。R.A. Fischer 可以说是世界上第一位“数据科学家” ， 1926 年，他在论文《现场实验的安排》（PDF）中用10页短篇概述了制定数据驱动决策的要点。运筹学、六西格玛管理法以及像Edwards Deming 等统计学家的工作说明了，参照利用统计计算的限值作为量化变量的方法去分析数据的重要性。
简而言之，你应该从开始就将AI和机器学习视为改进现有业务流程的一种方式，而不是一个新商机。首先分析流程中的决策点，并问自己：“如果我们可以将这个决策改进x % ，它会对我们的结果产生什么影响？”
忽视组织上的变革
实施变革管理的困难是造成AI项目整体失败的一个重要原因。不少研究都表明，大多数转型项目失败，技术、模型和数据只是一部分原因，同样重要的是数据优先的员工心态，事实上，员工心态的转变可能比AI本身更重要。具有数据驱动思维的企业使用电子制表也可以同样有效率。
AI计划迈向成功的第一步是建立信任，即数据驱动的决策优于直觉或传统。因为，业务线经理或高管人员固守己见，缺乏对数据的信任，或拒绝将决策权交给数据分析过程，导致平民数据分析师的努力大多以失败告终。结果，相比业务转型，人们反而对一些很基础的分析活动以及许多自上而下的计划进行了更多涉猎，产生了好奇和重建的想法。
我们仍然有一线希望，那就是企业变革和其中涉及的问题已经得到了广泛研究。企业变革是对执行团队奋斗精神的考验。它不能通过从上面下达命令来实现。它需要人们温和地、巧妙地、甚至是缓慢地改变思想和态度，并且认识到每个人在推动目标行动时都会做出不同的反应。一般来说，沟通、以身作则、参与和持续改进这四点很关键，它们与决策管理过程直接相关。