2026 年 5 月，一组来自 RAND Corporation 的数据在 AI 工程社区引发了广泛讨论。这组数字不来自任何一家 AI 公司的新闻稿，而是来自一个独立研究机构的长期跟踪——结果相当刺眼。
核心数据
| 失败类型 | 比例 | 具体含义 |
|---|---|---|
| 投产前放弃 | 33.8% | 项目在进入生产环境之前就终止 |
| 投产后无效 | 28.4% | 项目完成了部署，但未能产生任何可衡量的效果 |
| ROI 不成立 | 18.1% | 项目有效，但成本超过了收益 |
| 合计失败率 | 80.3% | 三项相加 |
| 成功交付 | ~19.7% | 真正交付了预期商业价值的项目 |
这组数据来自 RAND 在 2025 年完成的跟踪研究，覆盖了跨行业的企业 AI 项目。
为什么这个数字重要
在 Anthropic ARR 突破 440 亿美元、OpenAI 估值冲到 3000 亿美元的叙事下，80.3% 的失败率提供了一个反视角：
基础设施的增长 ≠ 应用层的增长。 模型越来越强、API 越来越便宜、工具链越来越完善——但企业真正用好 AI 的比例仍然很低。
三个失败类型各自指向不同的问题：
投产前放弃（33.8%）
- 技术选型错误：在项目早期选定了不适合的模型或架构
- 内部阻力：业务部门不配合，IT 部门不信任
- 需求定义模糊：“我们要用 AI”但没有明确的用例
投产后无效（28.4%）
- 数据质量问题：垃圾进，垃圾出
- 集成断裂：AI 模块很好，但无法嵌入现有工作流
- 用户采纳失败：员工不用或不会用
ROI 不成立（18.1%）
- 过度工程化：用 Opus 级别的模型解决可以用规则引擎解决的问题
- Token 成本失控：没有做好模型路由和成本优化
- 维护成本被低估：AI 系统需要持续的监控和调优
格局判断
这组数据不是”AI 没用”的证明，而是”AI 难用”的证明。成功交付的 ~20% 项目通常具有以下特征：
- 明确的 ROI 计算：在立项前就量化了预期收益和成本上限
- 模型路由策略：不是所有任务都用最贵的模型
- 与人协同而非替代人：AI 增强现有流程，而不是推翻重来
- 渐进式部署：先在小范围验证，再逐步扩展
行动建议
| 你的角色 | 建议 |
|---|---|
| AI 项目负责人 | 在立项前计算 ROI 上限，设定明确的止损线 |
| 工程师 | 优先做模型路由——用便宜的模型处理简单任务，预留预算给复杂场景 |
| 决策者 | 把 80% 的失败率作为基准预期，不要相信”AI 能解决一切”的叙事 |
| 创业者 | 这个失败率本身就是机会——能帮助企业跨过 AI 落地鸿沟的产品有巨大市场 |
数据来源：RAND Corporation 2025 年 AI 项目跟踪研究。95% 的生成式 AI 项目面临成本超支或交付延迟。