<p>人工智能項目很像新年決心：它們開始時充滿激情和大膽的承諾，但大多數都未能實現。IBM 高級數據與人工智能技術專家 Brianne Zavala 提出的這一鮮明類比，突顯了困擾企業機器學習計劃的普遍問題。儘管進行了大量投資和革命性的演示，研究表明，只有 25% 的人工智能計劃能夠實現預期的投資回報，而成功在整個企業範圍內擴展的僅佔 16%。這些被放棄的努力，往往停滯在試點階段，構成了 Zavala 所稱的 “人工智能墓地”——一個未能帶來實際商業價值的雄心勃勃想法的安息之地。</p>
<p>Zavala 的演講重點不在於技術突破，而在於那些在項目能夠實現突破前就註定失敗的關鍵組織和戰略失誤。她認為，核心問題往往是對人工智能在組織中角色的根本誤解。</p>
<p>最大的錯誤，以及她第一個實用建議的主題，是從技術出發而不是從問題出發。團隊常常問：“我如何使用人工智能？” 而不是問：“我們正在解決的商業挑戰是什麼？” 這種微妙的框架差異是生死攸關的。正如 Zavala 直言不諱地指出：“人工智能是一個工具。它實際上並不是目標。” 當團隊僅僅因為最新的算法或模型令人印象深刻而追逐它們時，他們實際上是在黑暗中構建。確保人工智能項目提供可持續價值的唯一方法是將其與明確、可衡量的商業成果相結合。這可能意味着將客户流失率降低 10%，提高運營效率 15%，或削減 200 萬美元的成本。這些指標作為項目的北極星，提供了問責制和在初始興奮消退後衡量進展的明確路徑。如果沒有提前定義成功指標，項目在開始之前就面臨風險。</p>
<p>第二個關鍵失敗點是組織摩擦，源於缺乏早期利益相關者的支持。人工智能項目本質上跨越部門邊界，涉及公司內的流程、人員和產品。首席財務官、運營負責人和客户成功團隊都有不同的優先事項，並使用不同的專業語言。首席財務官關心成本節約和投資回報，運營負責人關注工作流程整合，而客户成功則專注於客户留存和用户體驗。Zavala 強調，成功取決於以每個利益相關者特定視角相關的方式傳達項目的價值。你的工作不是向首席財務官講解模型架構，而是連接各方，向每個團隊展示解決方案如何改善他們的工作。通過儘早確保這種對齊，團隊將潛在的阻礙者轉變為支持者，確保項目獲得廣泛採用所需的組織動力。</p>
<p>這種對深度跨職能整合的需求直接導致了第三個，或許是最被忽視的失敗模式：將部署和監控視為事後考慮。數據科學家往往專注於構建和訓練在受控環境中表現良好的模型，例如 Jupyter Notebook。然而，真正的挑戰在於模型進入生產環境時。這是大多數項目絆倒的地方。團隊未能為在動態商業環境中維護人工智能系統的操作現實進行規劃。這需要強大的 MLOps 實踐，包括將模型與現有企業系統集成、建立對性能漂移的持續監控，以及在基礎數據變化時設置自動再訓練循環。Zavala 對數據科學家和產品經理發出尖鋭警告：“在 Jupyter Notebook 中有效但從未投入生產的模型只是擺設。”</p>
<p>成功的概念驗證與可擴展、創造收入的企業解決方案之間的區別完全在於這三個戰略領域。構建一個強大的模型只是戰鬥的一半；另一半是確保它解決一個可量化的商業挑戰，獲得組織支持，併為持續部署和監控而設計。通過採用這種嚴謹的方法——關注商業挑戰、確保早期利益相關者的支持，並從第一天起就為部署做好準備——組織可以顯著提高其人工智能投資帶來實際、可衡量影響的概率，避免陷入人工智能墓地的命運。</p>

<p>AI 項目往往未能實現預期的投資回報率，成功率僅為 25%。IBM 的 Brianne Zavala 強調，將 AI 倡議與明確的商業挑戰對齊的重要性，而不僅僅是關注技術。成功的關鍵因素包括定義可衡量的結果、確保各部門利益相關者的支持，以及從一開始就規劃部署和監控。通過關注這些領域，組織可以提高其 AI 項目實現實際商業價值的機會，避免所謂的 “AI 墓地”</p>

<p>AI projects are a lot like New Year’s resolutions: they begin with excitement and bold promises, but most don’t make it. This stark analogy, drawn by IBM Sr. Data &amp; AI Technical Specialist Brianne Zavala, highlights the pervasive issue plaguing enterprise machine learning initiatives. Despite massive investments and revolutionary demos, research shows that only 25% of AI initiatives deliver the expected Return on Investment, and a mere 16% successfully scale across the enterprise. These abandoned efforts, often stalling in the pilot phase, constitute what Zavala terms the “AI Graveyard”—a resting place for ambitious ideas that never delivered real business value.</p>
<div class="lb-trans"><p>人工智能項目很像新年決心：它們開始時充滿激情和大膽的承諾，但大多數都未能實現。IBM 高級數據與人工智能技術專家 Brianne Zavala 提出的這一鮮明類比，突顯了困擾企業機器學習計劃的普遍問題。儘管進行了大量投資和革命性的演示，研究表明，只有 25% 的人工智能計劃能夠實現預期的投資回報，而成功在整個企業範圍內擴展的僅佔 16%。這些被放棄的努力，往往停滯在試點階段，構成了 Zavala 所稱的 “人工智能墓地”——一個未能帶來實際商業價值的雄心勃勃想法的安息之地。</p>
</div><p>Zavala’s presentation focuses not on technical breakthroughs, but on the crucial organizational and strategic missteps that condemn projects before they can achieve escape velocity. The core problem, she argues, is often a fundamental misunderstanding of AI’s role within the organization.</p>
<div class="lb-trans"><p>Zavala 的演講重點不在於技術突破，而在於那些在項目能夠實現突破前就註定失敗的關鍵組織和戰略失誤。她認為，核心問題往往是對人工智能在組織中角色的根本誤解。</p>
</div><p>The biggest mistake, and the subject of her first practical tip, is starting with the technology instead of the problem. Too often, teams ask, “How can I use AI?” rather than, “What’s the business challenge that we are solving?” This subtle difference in framing is existential. As Zavala states bluntly, “AI is a tool. It’s not actually the goal.” When teams chase the latest algorithms or models simply because they are impressive, they are building in the dark. The only way to ensure an AI project delivers sustainable value is to anchor it to clear, measurable business outcomes. This could mean reducing customer churn by 10%, improving operational efficiency by 15%, or cutting costs by $2 million. These metrics serve as the project’s North Star, providing accountability and a clear path for measuring progress long after the initial excitement wears off. Without defining success metrics upfront, the project is at risk before it even begins.</p>
<div class="lb-trans"><p>最大的錯誤，以及她第一個實用建議的主題，是從技術出發而不是從問題出發。團隊常常問：“我如何使用人工智能？” 而不是問：“我們正在解決的商業挑戰是什麼？” 這種微妙的框架差異是生死攸關的。正如 Zavala 直言不諱地指出：“人工智能是一個工具。它實際上並不是目標。” 當團隊僅僅因為最新的算法或模型令人印象深刻而追逐它們時，他們實際上是在黑暗中構建。確保人工智能項目提供可持續價值的唯一方法是將其與明確、可衡量的商業成果相結合。這可能意味着將客户流失率降低 10%，提高運營效率 15%，或削減 200 萬美元的成本。這些指標作為項目的北極星，提供了問責制和在初始興奮消退後衡量進展的明確路徑。如果沒有提前定義成功指標，項目在開始之前就面臨風險。</p>
</div><p>The second critical failure point is organizational friction, stemming from a lack of early stakeholder buy-in. AI projects inherently cross departmental boundaries, touching processes, people, and products across the company. The Chief Financial Officer, the Operations Lead, and the Customer Success team all have different priorities and speak different professional languages. The CFO cares about cost savings and ROI, the Operations Lead is concerned with workflow integration, and Customer Success is focused on retention and user experience. Zavala emphasizes that success hinges on communicating the project’s value in terms relevant to each stakeholder’s specific lens. Your job is not to lecture the CFO on model architecture; it is to connect the dots and show each team how the solution makes their world better. By securing this alignment early, teams turn potential blockers into champions, ensuring the project gains the organizational momentum necessary for broad adoption.</p>
<div class="lb-trans"><p>第二個關鍵失敗點是組織摩擦，源於缺乏早期利益相關者的支持。人工智能項目本質上跨越部門邊界，涉及公司內的流程、人員和產品。首席財務官、運營負責人和客户成功團隊都有不同的優先事項，並使用不同的專業語言。首席財務官關心成本節約和投資回報，運營負責人關注工作流程整合，而客户成功則專注於客户留存和用户體驗。Zavala 強調，成功取決於以每個利益相關者特定視角相關的方式傳達項目的價值。你的工作不是向首席財務官講解模型架構，而是連接各方，向每個團隊展示解決方案如何改善他們的工作。通過儘早確保這種對齊，團隊將潛在的阻礙者轉變為支持者，確保項目獲得廣泛採用所需的組織動力。</p>
</div><p>This need for deep, cross-functional integration leads directly to the third, and perhaps most overlooked, failure mode: treating deployment and monitoring as an afterthought. Data scientists often focus intensely on building and training a model that performs well in a controlled environment, such as a Jupyter Notebook. However, the true challenge begins when the model moves into production. This is where most projects stumble. Teams fail to plan for the operational realities of maintaining an AI system in a dynamic business environment. This requires robust MLOps practices, including integrating the model with existing enterprise systems, establishing continuous monitoring for performance drift, and setting up automated retraining loops as the underlying data changes. Zavala offers a sharp warning to data scientists and product managers alike: “A model that works in something like a Jupyter Notebook but never makes it into production is just shelfware.”</p>
<div class="lb-trans"><p>這種對深度跨職能整合的需求直接導致了第三個，或許是最被忽視的失敗模式：將部署和監控視為事後考慮。數據科學家往往專注於構建和訓練在受控環境中表現良好的模型，例如 Jupyter Notebook。然而，真正的挑戰在於模型進入生產環境時。這是大多數項目絆倒的地方。團隊未能為在動態商業環境中維護人工智能系統的操作現實進行規劃。這需要強大的 MLOps 實踐，包括將模型與現有企業系統集成、建立對性能漂移的持續監控，以及在基礎數據變化時設置自動再訓練循環。Zavala 對數據科學家和產品經理發出尖鋭警告：“在 Jupyter Notebook 中有效但從未投入生產的模型只是擺設。”</p>
</div><p>The distinction between a successful proof-of-concept and a scalable, revenue-generating enterprise solution lies entirely in these three strategic areas. Building a powerful model is only half the battle; the other half is ensuring it is solving a quantifiable business challenge, has organizational support, and is engineered for continuous deployment and monitoring. By adopting this disciplined approach—focusing on the business challenge, securing early stakeholder buy-in, and building for deployment from day one—organizations can significantly increase the probability that their AI investment delivers real, measurable impact, escaping the fate of the AI Graveyard.</p>
<div class="lb-trans"><p>成功的概念驗證與可擴展、創造收入的企業解決方案之間的區別完全在於這三個戰略領域。構建一個強大的模型只是戰鬥的一半；另一半是確保它解決一個可量化的商業挑戰，獲得組織支持，併為持續部署和監控而設計。通過採用這種嚴謹的方法——關注商業挑戰、確保早期利益相關者的支持，並從第一天起就為部署做好準備——組織可以顯著提高其人工智能投資帶來實際、可衡量影響的概率，避免陷入人工智能墓地的命運。</p>
</div>

Avoiding the AI Graveyard: The Business Discipline Required to Scale Machine Learning Projects

- AI 項目往往未能實現預期回報，僅 25% 的項目成功交付。  
- 重要的是確保項目與明確的業務目標相結合，早期獲得利益相關者支持。  
- 組織需關注投產與監控，確保模型在動態環境中可持續運作。

避免 AI 項目失敗：擴展機器學習項目所需的商業紀律