AI 试点什么时候该停止？识别六个继续投入只会浪费的信号

企业对 AI 试点最危险的误解，是认为已经投入就必须成功。项目做得越久，团队越不愿承认场景选择、数据条件或产品路径存在问题，于是不断增加功能、换模型、补人力，最后形成无法上线也无法结束的展示系统。成熟的创新机制必须允许停止，而且应在立项时就定义什么证据出现后要缩小、转向或终止。

信号一：问题没有稳定的业务主人

如果每次评审都由不同的人解释需求，没有人愿意对基线、验收和采用率负责，说明问题并非部门当前优先事项。技术团队无法替业务部门创造责任。可以给业务方一个明确期限确认负责人和资源；仍无人承接时，应暂停项目，而不是继续优化演示。

信号二：真实流程与最初描述完全不同

原型常建立在理想流程上，进入现场后才发现输入来自微信、审批依赖口头判断、异常占比很高。若差异可以通过小范围流程整理解决，项目应先转为流程标准化；若核心任务本身没有稳定规则，自动化目标就需要降低为辅助建议。继续追求全自动只会放大异常。

信号三：关键数据无法合法获得

数据可能属于客户、合作方或其他部门，也可能缺少授权、质量和可追溯性。团队若只能长期使用手工拼凑的样本，评测结果没有代表性。此时应把数据授权和治理作为前置项目，并停止生产化承诺。不能因为模型能读取文件，就默认企业有权使用其中全部内容。

信号四：质量在真实样本上长期不达标

必须提前建立固定评测集和最低门槛。连续两个迭代周期后，核心错误仍无法下降，或改善依赖大量人工编写个案规则，就要判断是模型能力、知识缺口还是任务定义错误。更换模型可以验证一次，但不应无限轮换。若技术上限仍低于业务容忍线，应缩小任务范围或回到人工流程。

信号五：节省发生在一处，成本转移到另一处

生成速度提升，却让审核人花更久检查；客服自动回复增多，却让投诉升级率上升；内容产量扩大，却降低品牌可信度，这些都不是成功。评估必须覆盖端到端流程，统计返工、复核、异常和客户影响。局部效率无法抵消整体成本时，项目应重新设计。

信号六：用户持续绕开系统

低采用率不一定是培训不足。员工可能发现入口复杂、输出不可信、责任不清，或系统打断了原有节奏。通过访谈和操作日志区分“不会用”与“不值得用”。如果三轮改进后，目标岗位仍选择旧方式，且业务负责人不愿调整制度，就不应强行推广。

停止不是失败，而是组合管理

每个试点都应有停止条件、复盘模板和资产回收清单。停止时保留场景定义、数据字典、评测样本、用户反馈和技术结论，让后续项目复用。对团队的评价应看是否用最小成本验证了关键假设，而不是是否把每个想法都做成生产系统。

设置三种退出方式

终止适用于价值不存在或风险不可接受；缩小适用于全自动不可行但辅助功能有价值；转向适用于原问题真实存在，但需要先治理数据或流程。退出决定要由业务、技术和治理共同完成，并明确现有用户、数据和合同如何处理，避免留下影子系统。

用闸门控制追加投入

在概念验证、真实试点和规模推广前分别检查业务价值、数据可用、质量、成本、风险和采用。未通过时只允许针对关键假设的小额验证，不允许顺带增加新功能。追加预算必须说明哪项证据将在什么时间改变，否则就是用投入延迟结论。

老板的下一步

列出所有运行超过八周的 AI 试点，逐项回答六个信号，并要求负责人给出继续、缩小、转向或终止建议。结束两个不再有价值的项目，往往比新启动五个项目更能建立转型纪律。企业真正稀缺的不是创意，而是把资源持续投向正确问题的能力。