企业内 AI 项目为什么那么难推动？

1. 投资回报率不清晰，不确定性高，先看看别人的结果，然后抄作业

在评估某一方向是否值得投资时，所有决策者都会密切关注一个关键指标——投资回报率。目前，能够将投资回报率及客户收益有效量化的 AI 应用场景相对较少。这种情况削弱了企业决策者对 AI 投资的信心。现阶段，在各行业内普遍存在的现象是，企业决策者倾向于观察竞争对手的行动及其成果。如果竞争对手取得了成功，他们才会考虑跟进；反之，若对方表现不佳，则选择继续等待和观望。这种心态反映了当前企业在面对 AI 技术投资时的谨慎态度。

正是这种观望和规避风险的心态，使得 AI 决策者在面对投资决策时，往往不敢轻易迈出那一步。除非有更高层的领导或全球总部设定的政治性目标作为推动，否则企业决策者通常不愿意冒险做出这样的决定。一般而言，企业的决策者倾向于避免承担不必要的风险，特别是在涉及新技术如 AI 的投资上。这种心态进一步加剧了决策者的犹豫不前，导致即便是在有利可图的情况下，他们也可能因为缺乏来自高层的明确支持而选择维持现状，继续观察竞争对手的表现而非主动出击。这种循环往复的谨慎态度限制了 AI 技术在企业中的广泛应用和发展。为了避免重复表述，上述观点已经进行了适当的精简和优化。

1. 躲事，不敢冒风险，怕是失败项目，导致自己被裁员

接下来我们把关注点放在个人层面，每个企业员工都有其自身的 KPI，即每年需要达成的个人目标，以及领导对他们的期望。如果一个员工负责的项目未能取得理想的回报，尤其是当该项目被视为失败时，该员工在公司的前景将变得极为不确定。因此，在个人层面上，员工通常不愿意冒险承担这种高风险的人工智能项目。相反，他们更倾向于参与那些确定性更高、能够促进职业发展的、具有明确回报的项目。这样做不仅有助于他们在公司内获得更好的晋升机会，还能确保他们在企业中拥有更加稳固的地位。这也是许多员工选择规避高风险项目的根本原因。

1. 业务预期与技术发展不符

当然，我们不能排除一些极具野心的企业员工非常愿意投身于 AI 领域的投资。然而，这会引发一个重大的问题，即技术最终必须服务于业务需求。通常情况下，AI 方向的投资是由负责 AI 数字化或 IT 部门主导的。在项目推进过程中，经常会发现业务人员对 AI 所能带来的业务增值抱有过高的期望，远远超出了当前技术的实际能力范围。

当这种脱节出现时，一方面，教育业务人员调整其预期一定是尤为困难的；另一方面，IT 人员则面临挑战，他们需要在技术可行性和业务需求之间找到平衡点。同时，这也要求 IT 和业务团队之间进行更为紧密的合作与沟通，确保双方对于项目的实际目标和可实现成果有一致的理解。否则，即使是最具潜力的技术创新也可能因为期望值与现实之间的巨大差距而未能达到预期效果。因此，合理管理并调和这些期望是成功实施 AI 项目的关键所在。

1. 科技发展太快，害怕今年做完的事情，明年变成废品

接下来我们将注意力重新聚焦于技术本身。众所周知，AI 领域的发展速度极其迅猛，这种快速迭代不仅对创业者原有的商业模式产生了冲击，也改变了他们的创业思路。例如，在大型模型刚出现时，许多人投身于推理、文本生成图像、文本生成视频等方向的创业。然而，随着底层技术在短短几年内的迅速发展，这些早期的创业方向很快被更为先进的技术所取代，甚至底层技术所能实现的效果远超这些创业项目。

同样的现象也出现在企业内部对 AI 的应用与投资上。企业在做过一些 AI 尝试后会发现，他们在一年前投资的明星级 AI 项目，在短短一年后就变得不再特别，甚至被认为是相对普通的项目。这种情况反映了 AI 技术发展的高速性和不可预测性。由于技术更新换代的速度如此之快，企业在进行 AI 投资决策时需要更加谨慎，并且要具备前瞻性，以便能够灵活应对未来可能出现的技术变革和市场变化。这也意味着企业和创业者都需要不断学习和适应新的技术趋势，以保持竞争力并确保其项目的持续相关性和创新性。

1. 组织中缺少相对应的角色岗位负责，缺少对应 OKR 或 KPI

实际上，企业的任何决策都是自上而下的过程。当前，许多企业尚未将 AI 技术真正应用到实际操作中。问题的核心可能不在于某个个体，而是整个组织在转型过程中遇到的挑战。我们观察到，不少甲方企业目前缺乏一个具体的个人或部门负责与 AI 相关的 OKR（目标和关键成果）或 KPI（应用程序接口），以确保企业愿意并能够推进 AI 技术的应用和落地。

这种责任人及目标感的缺失，会导致企业在 AI 技术的应用上出现无人问津的局面，形成所谓的“无人区”。企业应当认真考虑是否下定决心在 AI 领域进行投资。一旦做出决定，这种决心不应仅仅停留在口头上，而应真正体现在组织架构层面，确保有具体的部门和个人负责相关任务，并将 KPI（关键绩效指标）切实落实到每一个可执行的环节中去。这需要明确的责任分配和有效的执行机制，以推动 AI 技术的实际应用和发展。唯有如此，企业才能在激烈的市场竞争中占据有利位置，实现可持续发展。

1. 对于专业的咨询公司不信任，觉得咨询公司不该教自己做事，而是乖乖听话

最后一个特点特别体现在中国的甲方公司中，这些企业往往将咨询公司的角色定位为服从者，而非指导者。他们倾向于选择那些听话、踏实肯干的供应商来提供所谓的建议和支持。相反，那些拥有真正实力和实战经验，并能够提供具有建设性但可能较为尖锐的咨询建议与解决方案的公司，可能会被拒之门外。原因在于，中国的许多企业领导者更偏好于获得尊敬的感觉，而不是接受指导或教育。这种情况导致的结果是，企业在寻求外部咨询服务时，可能会错过一些真正有价值的专业意见和创新方案，从而影响其长远发展和竞争力提升。

1. 缺少可靠的企业 AI 基础设施

企业拥抱 AI 的道路上，基础设施的缺失是一道难以逾越的鸿沟。许多企业意识到 AI 的价值，却低估了构建底层技术栈的复杂性与成本。真正的破局之道，在于选择一个功能全面、安全可控的 AI 平台，快速构建企业专属的 AI 能力中枢。UniverAI 平台正是为此而生——它不仅提供强大的算力调度与模型开发环境，更集成了企业级 AI 落地所必需的完整管理套件：通过 AI 知识库实现企业知识资产的统一沉淀与调用；借助模型微调管理快速定制专属模型；依托 AI Agent 权限管理、安全管理与合规管理机制，确保 AI 应用符合内控与监管要求；通过运营日志和 Token 配额管理，实现资源使用的精细化管控与成本优化。

在 UniverAI 平台上，企业无需从头搭建基础设施，即可获得从开发到运营、从安全到合规的一站式支撑，真正实现 AI 能力的可管、可控、可持续发展。跨越从 0 到 1 的鸿沟，就从使用 UniverAI 开始。

最后说几句

当然，企业之所以未能迅速拥抱 AI 或推进 AI 的发展进程，原因是多方面的，既复杂又多样。这其中既有客观因素的制约，也涉及到对人性复杂性的考验。因此，我们不能以偏概全。上述观点仅仅基于我在行业中的些许观察，并不代表所有行业同仁的意见或建议。每个企业的具体情况和面临的挑战各不相同，因此在探讨和实施 AI 技术时，需要考虑到这些差异性和复杂性。唯有全面、深入地理解这些问题，才能找到最适合企业自身发展的路径。

延伸阅读

• UniverAI 平台中，RAG 技术中的知识切片与向量化：构建高效知识库的核心步骤：https://bcn2qkzdygmm.feishu.cn/wiki/Bh4Ew7wreiBTe7kKZDjcgqxAn2e

• 如何使用 UniverAI 平台自定义知识库加工逻辑：https://bcn2qkzdygmm.feishu.cn/wiki/Iej9wKAaCiYmaGkjdPMcaaFBnqb

• UniverAI 平台中零代码搭建智能体 （如何从头创建知识库）：https://bcn2qkzdygmm.feishu.cn/wiki/TvLVwEnmwieaW2kiWRMcSZf4nve