零售电商行业AI落地的困境

AI只是工具，商业才是最终目的。

为探究AI和机器学习项目失败的原因，美国兰德公司研究团队采访了65位拥有至少五年行业或学术界AI模型构建经验的数据科学家和工程师。最终形成的研究报告《人工智能项目失败的根本原因及成功路径》指出，估计超过80%的AI项目最终失败，要么未能超越试点阶段，要么上线后未能产生可衡量的商业价值。

麻省理工学院和麦肯锡的联合研究显示，90%的生成式AI实验项目未能走出试点阶段。2025年标普全球调查显示，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%。短短一年，AI项目放弃率飙升147%。

尽管84%的商业领袖认为AI将对其运营产生重大影响，97%同意部署AI技术的紧迫性日益增加，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。

“庄帅零售电商频道”希望通过该报告提取AI项目失败的五个环境根本原因，为零售电商企业实施AI提供参考。

失败的五个根本原因

原因一：领导层对问题的误解或沟通不畅

这是AI项目失败最常见的原因。行业利益相关者经常误解或用AI需要解决的问题沟通不畅，84%的受访者将领导层失败列为主要原因。具体而言，训练后的AI模型部署后，发现其优化的指标不正确，或根本无法整合到整体业务流程和环境中。

这一失败原因在零售业尤为突出。许多零售商急于部署AI客服或推荐系统，但未能明确定义成功标准，如提高转化率、客单价还是用户留存率。目标模糊时，AI模型优化的指标往往与真实业务需求脱节。例如，Target两年前推出的AI聊天机器人被员工普遍抱怨不完整且基本无用。

原因二：缺乏高质量训练数据

许多AI项目失败是因为组织缺乏充分训练有效AI模型所需的数据。数据驱动的失败是继领导层之后的第二大常见原因。难点不仅在于数据量，还在于获取、清洗和探索组织数据的成本。

研究发现，在零售业，企业拥有海量交易数据，但拥有数据不等于拥有可用的高质量数据。各类数据分散在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。零售数据分析师可能花费80%的时间在数据清洗和整合上，仅剩20%用于模型训练和优化。以库存管理为例，产品编码不一致、库存数据更新滞后等问题在AI系统中会被无限放大。

原因三：追求最新技术而非解决问题

一些AI项目失败是因为组织更关注使用最新、最前沿的技术，而不是为目标用户解决实际问题。报告明确指出，追逐最新的AI进展本身就是最常见的失败路径之一。

成功的项目应关注要解决的问题，而非用于解决问题的技术。许多管理者被技术炒作所迷惑，忘记了审视真实的业务问题。ChatGPT引起全球关注后，无数零售商急于整合大模型，却忽视了实际业务痛点。