人工智能项目管理与传统软件的比较

想象一下这样的场景：你的公司决定实施一套人工智能（AI）系统来优化一个关键流程。项目经理习惯于大规模实施传统软件，他制定了项目计划，定义了明确的范围，将各项交付成果整合到一个线性的看板看板上，并承诺在创纪录的时间内实现最高的准确率。.

IA 2026年6月2日阅读时长：6分钟作者：Skyone

如果你管理数据和人工智能项目的方式与管理 ERP 或传统软件项目的方式相同，那么我必须指出一个现实： 你的进度安排在欺骗你。

在传统科技领域，成功通常是非此即彼的：代码要么运行成功，要么运行失败；屏幕要么亮起，要么不亮。但当我们跨入人工智能的领域，逻辑就发生了翻天覆地的变化。我们离开了决定论的范畴，进入了概率论的领域，在那里，一加一并不总是等于二。.

为了了解为什么这么多人工智能项目在离开设计阶段之前就失败了，以及技术领导者如何克服这一挑战，我们汇总了在 Builders Podcast 由亲身经历这一转变的专家们讨论的关键实践经验教训。

现实检验：为什么传统方法在人工智能领域会失败？

市场数据残酷无情。麦肯锡等咨询公司的研究表明，大约 70%到85%的人工智能项目会失败 ，或者无法通过第一阶段的测试（即著名的概念验证或PoC）。

造成这种惊人速度的原因并非缺乏尖端技术，而是预期与方法论之间存在根本性的错位。人工智能的开发更像是一个科学实验过程，而非传统的软件工程。.

在传统的软件项目或 ERP 模块中，“完成”的定义很明确：工作流程从开发到验证，最终以结构化代码的部署告终。.

在人工智能领域， “准备就绪”的定义是指假设得到验证。这个过程本质上是一个循环往复的迭代过程：实现、测试、召回率分析（一种评估模型出错程度或是否需要进一步测试的指标），然后回到起点。通常，在项目初期，开发者和客户都无法预知最终结果。

应对人工智能需要精准地管理人们的预期。在商业生态系统中，利益项目领导者需要学习如何管理

奇迹信徒： 这类人热情洋溢，听说过科技在市场上的巨大潜力，就相信人工智能的实施会非常快捷、轻松、神奇。他们完全没有意识到，要让模型真正发挥作用，自身需要投入多少精力，以及需要进行多少内部架构调整。
对即时投资回报率持怀疑态度的人： 他们相信人工智能的潜力，但却要求极快的投资回报，而没有理解人工智能发展的渐进过程。机器学习模型需要一个成熟的过程：最初效率可能只有30%，然后是60%，直到最终达到成熟和卓越。
政治投机者： 他们不惜一切代价想要实施这项技术，仅仅是为了向内部或市场推销公司“拥有人工智能”。这被认为是最危险的类型，因为他们不清楚自己究竟什么，忽视了技术限制，最终只会造成未来极大的挫败感。

在人工智能项目“第一天”就承诺100%准确率，这并非销售策略，而是在索要工作机会。由于我们处理的是概率模型，因此从一开始就采取务实的态度至关重要。.
专家笔记

人工智能代理或模型成败的关键在于数据的质量。这项技术将严格根据其所获得的信息进行读取和学习。.

企业中最常见的情况是，客户要求提供复杂的解决方案，但在询问数据库时却发现数据库不存在、不完整或完全无序。例如：如果您创建了一个旨在解决人力资源 (HR) 痛点的模型，却使用不一致的数据库进行训练，或者试图从中提取模型未训练过的财务数据，那么交付必然失败。.

在设计机器人或复杂的工作流程之前，先脚踏实地，审核你的原材料：业务数据。.

为了防止时间和资源管理受到传统确定性模型的束缚，大型公司利用实时适应框架：

会计分摊（资本支出与运营支出）： 较为成熟的市场对此区分较为明确。数据结构化、研究、实验和初始模型训练阶段被视为 资本支出 （投资）。从模型建立、监控并产生可扩展收益的那一刻起，项目便进入 运营支出 （运营成本）阶段。
双轨框架： 采用敏捷模型，同时分为两个轨道：探索（实验）和交付（以软件为中心的价值交付）。
价值流图分析： 着眼于持续改进和不断优化流程，而不是将错误视为彻底的失败。在人工智能时代，从异常模型行为中学习是演进周期的一部分。