美国兰德公司研究团队近期发布了一份题为《人工智能项目失败的根源及其成功之道》的研究报告，通过对65位具有至少五年AI模型构建经验的数据科学家和工程师的访谈，估算超过80％的AI项目最终失败，这些项目要么未能走出试点阶段，要么虽然部署上线却未能交付可衡量的商业价值。MIT与麦肯锡的联合研究同样显示，90％的生成式AI实验项目从未能走出试点阶段。标普全球2025年的调查则表明，42％的企业承认放弃了大部分AI计划，而2024年这一比例仅为17％，AI项目放弃率在一年间飙升了147％。
报告指出，尽管84％的商业领袖相信AI将对业务产生重大影响，97％认为部署AI技术的紧迫性正在增加，但仅有14％的组织认为自己已完全准备好将AI整合到业务中。报告提炼出AI项目失败的五大环境性原因，为零售电商企业的AI落地提供参考。
第一大失败根源是领导层误解或错误传达问题。84％的受访者将领导层失败列为主要原因，具体表现为训练好的AI模型被部署后，发现其优化的指标是错误的，或模型无法融入整体业务流程。这一现象在零售行业尤为突出，许多零售商急于部署AI客服或推荐系统，却未能清晰定义成功标准，导致AI模型优化的指标与真实业务需求脱节。塔吉特此前推出的内部AI聊天机器人就因功能不完整且基本无用而遭员工普遍抱怨。
第二大根源是缺乏高质量训练数据。在零售行业，企业拥有海量交易数据，但数据分散在POS系统、电商平台、会员系统和供应链管理系统等多个孤岛中，格式不一、标准各异。一位零售业数据分析师可能将80％的时间花在数据清洗和整合上，仅剩20％用于模型训练和优化。商品编码不统一、库存数据更新滞后、线上线下库存不同步等问题在AI系统中会被无限放大。
第三大根源是追逐最新技术而非解决问题。2025年10月，沃尔玛宣布与OpenAI合作在ChatGPT中推出即时结账功能，然而仅五个月后便终止了这一合作。该功能在准确性上存在严重问题，且无法与沃尔玛的内部购物工具匹配，导致订单转化率远低于自有渠道。沃尔玛随后将自有购物助手Sparky嵌入ChatGPT和Google Gemini平台，早期测试显示通过Sparky完成的购买率达到了通过Walmart.com直接购买率的约70％。沃尔玛发言人表示，客户希望在每一个触点上获得一致的体验。
第四大根源是缺乏部署和管理能力。星巴克推出的一款AI驱动的库存盘点工具仅上线9个月便被叫停，内部技术审计报告显示，该系统对相似包装商品的识别错误率高达23％，在强光或暗光环境下漏检率超过35％，对糖浆类圆柱形商品的识别准确率不足60％。问题的根源并非AI算法本身不够先进，而是部署环境中的门店光照条件和商品包装多样性远超AI模型的适应能力。
第五大根源是将AI应用于无法解决的场景。2021年麦当劳与IBM合作推出的AI语音点餐系统，因得来速场景中汽车引擎声、风雨声等外部噪音严重干扰语音识别而频繁出错，三年后麦当劳宣布终止该试验。AI公司Anthropic让大语言模型Claude独立经营一间零食自动售货店的实验同样以亏损告终，说明即使是最先进的大语言模型，在选品、定价和库存管理等复杂决策场景中仍难以胜任。
报告建议，企业应对数据治理和模型部署基础设施进行前期投资，以缩短AI项目完成时间并增加可用于训练的有效数据量。对于零售电商企业而言，AI落地的核心挑战不在于技术本身，而在于如何将技术融入既有业务流程和用户体验之中，明确业务目标、保障数据质量、避免技术炒作，并审慎评估AI能力边界与实际应用场景的匹配度。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
