2024年8月13日，兰德发布报告《AI项目失败的五大根本原因》，深入分析了AI项目为何失败，并提出了相应的解决策略。报告指出，尽管人们广泛认为，AI技术极有可能改变组织机构的运作模式，但在实施有效的AI应用方面仍遇到了诸多困难。根据调查，只有14%的组织表示已完全准备好采用AI技术，而84%的商业领袖认为AI将对业务产生重大影响。然而，AI项目的失败率却高达80%，是非AI信息技术项目的两倍之多。
报告强调，持续沟通非常重要，强调了如何在技术团队和业务利益相关者之间建立信任，从而提高项目的成功率。报告的发现和建议对美国国防部等正在积极寻求使用AI的政府部门，以及其他考虑使用AI/机器学习（ML）的私营部门领导者具有重要意义。通过学习早期构建和应用AI/ML的努力中的经验教训，有助于避免后人重蹈覆辙。
整体而言，报告为组织机构提供了实用建议，避免AI项目失败，同时强调了在实施AI项目时需要考虑的技术、流程和人员等多方面因素。报告通过深入分析和具体建议，旨在帮助组织深入理解和应对AI项目实施过程中可能遇到的挑战。
报告下载，请点击原文链接。
报告目录
AI项目失败的五大主要原因
研究人员采访了65位在工业界或学术界拥有至少五年构建AI/ML模型经验的资深数据科学家和工程师，总结了AI项目失败的五大主要原因：
问题设定不准确：行业利益相关方常常误解或错误传达使用AI所需解决的问题，导致AI模型优化了错误的指标或不符合整体业务流程和背景。
数据不足：许多组织的AI项目因缺乏足够的数据，无法充分训练有效的AI模型，从而导致项目失败。
技术误用：部分情况下，组织更关注使用最新技术，而非解决实际问题，导致项目偏离了真正的业务需求。
基础设施不足：组织可能缺乏相应基础设施来管理数据和部署AI模型，导致项目更有可能失败。
问题难度超出AI能力：AI并非万能，有些问题对AI来说过于复杂，即使是最先进的AI模型也无法自动解决。
报告提出了五个成功原则，旨在解决上述问题：
确保技术团队理解项目目标和领域背景，避免因误解或沟通不畅导致项目失败。
选择持久性问题，承诺至少一年的长期解决方案，确保项目能够持续并取得实质性进展。
专注于问题而非技术，避免因过于追求最新技术而忽视了解决实际问题的重要性。
投资基础设施，包括数据治理和模型部署，以期减少完成AI项目所需的时间并提高数据质量。
理解AI的局限性，与技术专家合作评估项目的可行性，确保所选项目适合AI技术并能够为组织带来实际价值。
失败的其他因素
报告还讨论了AI项目失败的其他因素，如计算能力、人才可用性、敏捷软件开发与AI的适应性等。报告指出，尽管云计算供应商提供了大量的计算能力，但某些行业如金融或医疗保健，由于数据敏感性，可能不愿将数据上传到云。此外，报告还指出，AI人才对该领域也存在一定影响，虽然近年来随着数据科学和编程训练营不断兴起，AI人才的总体规模有所提高，但筛选高质量的人才仍然任重道远。
报告原文已在联合作战情报参考网分享，请点击链接下载。
