AI学习笔记⑰|七成AI项目折戟同一原因：启动前缺乏精算

90天AI成长计划 · 第17讲

据Gartner对782名AI项目负责人的调研，仅28%达成了预期的投资回报率，20%直接以失败告终；麦肯锡的报告数据更为严峻——88%的企业已部署AI应用，但真正能称得上「高绩效」的只有6%。这些项目的折戟，几乎都不是源于「模型能力不足」，而是在启动前缺乏精细的收益测算。

L16的二维矩阵（可行性×价值）能迅速锁定价值甜点区，但它忽略了三个关键要素——而这恰恰是Gartner所指出的失败根源：

L17将粗筛迭代为四维精算模型：可行性×价值×成本×风险，各项独立打分后按「价值÷（成本+风险）」排序确定优先级。Gartner同样明确建议采用统一评分模型，对每个用例的可行性、风险、成本和预期业务影响进行评估——本框架正是这一方法的具体落地。

一秒法则（L16已介绍过）只是初步筛选。但仅靠它远远不够，AI项目还面临两个传统软件不曾遭遇的陷阱：

数据冷启动：先有鸡还是先有蛋的困局

AI需要数据才能持续优化，但缺乏用户又无从获取数据。新功能上线前若未明确「首批数据从何而来」，产品一上线便陷入空转。这是AI项目独有的难题——传统软件开发完毕即可投入使用，而AI开发完成还必须先完成「数据喂养」过程。 白话：你招聘了一名实习生，必须分配工作让他历练成长；但若因他尚未熟练就闲置不用，他便永远无法独当一面。

能力漂移：可行性评估需要附加时间维度

当下无法实现的功能，下季度新型模型发布后或许就能轻松应对。因此可行性评估必须明确标注评估时点（截至2026年X月），并设定重新评估的触发条件。切勿将「当前不可行」等同于「永久不可行」。 白话：去年尚无法实现的实时语音翻译，今年已变为现实。评估结论本身存在时效性。

此外还需考虑数据就绪程度——数据是否具备？数量是否充足？使用是否合规？在医疗领域这一问题尤为敏感，病历资料与问诊记录能否合规获取，直接关乎项目能否顺利启动。

TCO（总拥有成本）涵盖三个组成部分，但多数项目仅计算了第一项：

类比说明：购置宠物花费不高，但终身养育成本不菲。多数AI项目只盘算了「采购」阶段的支出，却忽略了「运维」阶段的持续投入。

传统软件虽存在bug，但bug性质明确、可定位修复。AI则存在幻觉问题——在医疗场景中，幻觉等同于责任事故。

L14曾讲到Faithfulness（忠实度）是RAG系统的核心命脉：一条凭空捏造的用药建议便可能酿成一起医疗事故。传统IT评估框架未对「bug」与「幻觉」加以区分，但医疗场景必须严格区分：bug属于开发质量层面的问题，幻觉则属于业务风险层面的问题，二者的处置逻辑截然不同。

AI的三类独特风险

① 幻觉风险：在医疗场景中错误应答即等于事故，绝非普通bug可类比。接L14的Faithfulness命脉论述。 ② 漂移风险：模型迭代升级后行为模式可能发生改变，昨天的正确输出今天可能变为错误。 ③ 评估成本：golden set+RAGAS每周例行运行需持续投入资金（L14刚介绍过相关知识）。

为何风险维度最为关键：若一个AI项目「运维成本高昂」，最坏结果不过是砍掉项目；但若该项目「潜藏事故风险」，则远不止经济损失那么简单。医疗AI正是后者的典型代表——因此风险评估环节不可或缺，且应赋予最高权重。

吴恩达曾指出：市场上已有的成熟解决方案应优先采购；唯有真正前沿的创新才考虑自研。但在AI时代，这一判断标准需要更新升级。Gartner原文表述为：

「AI项目的ROI高低并不取决于模型本身的复杂程度，而取决于其整合深度、治理水平以及与真实业务需求的契合程度。」

通俗解读：模型能力正趋于同质化，真正的差异化竞争集中在应用层——具体体现在工作流整合能力、数据壁垒构建以及治理体系完善，而非「自主训练模型」本身。

核心转变：过去的决策逻辑是「核心能力必须自建」，AI时代的决策逻辑则变为「自建对象应为应用层与整合层，而非模型本身」。模型可直接采用现成方案（如Claude/GPT），差异化优势构建在工作流与数据资产上。 这恰好呼应L14所学的「生成环节依托主模型、质检环节依托独立强模型」理念——模型层均为「采购」所得，你「自建」的仅仅是将这些模型接入医桥通问诊业务逻辑的应用中间层。

完成四个维度评分后，按既定公式进行排序：

优先级 = 价值 ÷（成本 + 风险）

按优先级从高到低排列，优先推进性价比最优的项目。这正是L16中甜点区候选项目的「作战排序」。

举例说明（以下数字仅为示意，旨在传达思维方法）：

诊链云价格应答项目风险较低、成本可控，性价比最为突出；症状判断项目虽然价值显著但风险同样居高（幻觉可能引发医疗事故），因此排在末位。这便是「精算到位」的价值所在——并非放弃某些项目，而是明确优先顺序与推进节奏。

下集预告（L18） 进入「AI产品执行」新阶段——重点探讨评估完成后的方案落地路径：MVP如何合理切分、人工兜底机制如何设计、如何从小型试点逐步过渡到全面上线。

本框架综合借鉴Gartner官方「统一评分模型」与Andrew Ng「Generative AI Projects」方法论