为什么越容易做的AI项目，往往越不值得做？丨FDE重新理解机会成本

2025年，MIT媒体实验室旗下的NANDA项目做了一次覆盖150多位高管访谈、350份员工问卷、300个公开AI部署案例的调研。结论只有一句话：95%的GenAI（生成式AI）试点项目，对P&L（损益表）没有产生任何可以衡量的影响。真正带来收益的，只有5%。

这份报告还有一个更扎心的补充：这95%里，大多数项目并没有卡在"做不出来"这一步——它们大都顺利上线了，技术本身没有问题。企业把最多的预算投向了销售和市场类AI试点，因为这类项目demo效果最好、最容易过审批；可恰恰是这类项目回报率最低。真正带来最高回报的，是后台自动化这类不起眼、不容易拿去汇报的项目。

如果你在过去两年参与过企业AI建设，大概率见过这类"最容易做"的项目原型——企业知识库问答、内部文档总结助手。这几乎是每一家开始建设AI能力的组织都会走的第一步：数据现成，技术成熟，风险几乎为零，demo效果又好看。它们几乎从不在"能不能做出来"这一关失败，上线那天甚至还会内部通报一下，截个图当作AI建设的第一个里程碑。

真正的悬念，出现在上线三个月之后。打开后台一看，日活寥寥无几——大部分员工出于新鲜感问过一两次，接下来就再也没打开过。系统还在，只是没人真的靠它做过什么决定。这不是某一家公司的运气不好，前面那份跨行业调研已经说明，这是一种普遍存在的组织行为模式。

知识库问答只是这个阶段最典型的样本。再过几年，这类"最容易做"的项目，形态会变，但只要判断标准还停留在"这个项目能不能做成"，同样的结果就会在下一个新工具身上重演一次。

NotebookLM的音视频概览，解读的比较通俗易懂，对于时间比较紧张的读者朋友，可以听听，会有启发。

低垂果实没有错，错的是一直摘同一颗

“先做最容易做的项目”，这个选择本身没有问题。对于第一个AI项目、第一笔预算、第一支团队来说，这几乎是唯一正确的答案——组织需要用一个低风险、周期短的项目，先把"AI能不能在我们这里跑起来"这件事证明给自己看，也证明给上面看。

问题是，大多数组织在拿到"能跑起来"这个答案之后，并没有换一套挑项目的标准，而是继续沿用同一套逻辑去选第二个、第三个：谁的数据最容易拿、谁的demo最好看、谁最容易过审批，就先做谁。一个组织成长以后，最危险的惯性，就是继续使用初期的成功经验。 用来验证能力的标准，被当成了配置资源的标准，一直用了下去。

这背后还有一层更现实的原因：没有人给出过第二把尺子。风险高低、周期长短，都是立项会上能被量化、能被写进PPT的东西；“这个项目会不会改变未来决策流程”，却很难在立项阶段被量化，也没有现成的模板去论证。

还有一层更隐蔽的动力：越是不触碰任何人权限、不改变任何流程归属的项目，跨部门推动起来越顺畅——没有人会因为多了一个知识库问答工具而丢失什么话语权。技术上无害，很容易被组织默认成政治上安全，而政治上安全的项目，比需要触碰决策权归属的项目，更容易被批准。

FDE重新理解机会成本

FDE（Forward Deployed Engineering，前线部署工程，落地工程）看这类项目，问的不是"这个项目能不能成功"，而是：这份建设资源、这段投入，本来还可以投向哪里。

资源投入到一个方向，就意味着放弃了投向所有其他方向的可能性——这就是机会成本（Opportunity Cost）。更隐蔽的是，机会成本从不会被记录成一笔支出——它只会以"本来可能发生、但没有发生"的方式存在。如果这份建设资源投向了另一个方向，三个月后组织可能已经多了一项真正影响决策的能力；但因为它被投进了最容易做成的那个项目，这个"本可能发生"的可能性，就这样被悄悄放弃了，组织甚至意识不到自己做过这个选择。

把建设资源当成一个组合来看，而不是一个个孤立的项目：每接受一个项目，等于同时拒绝了这份资源投向其他方向的可能性。判断一个项目值不值得做，从来不该只看它本身能不能成功，还要看，如果换一个方向，这份资源是不是能撬动更大的决策改变。

建设者真正要优化的，不是项目成功率，而是单位建设资源创造的价值密度。

一个100%做成、但上线之后没什么人用、组织的行为没有发生任何变化的项目，消耗掉的建设资源、建设周期、团队精力，并不比一个失败项目少——只是它披着"成功"的外衣，让组织误以为自己在往前。

干预程度不是标准，决策节点才是

为什么"容易做"和"值得做"经常背道而驰？

一个项目之所以容易做，通常是因为它风险低——而风险低的项目，往往待在业务流程的边缘地带，不需要触碰任何一个真正拍板的环节。知识库问答、文档总结，回答的都是"信息在哪里"这一类问题：员工原来靠翻文档、问同事解决，现在多了一个入口去问机器人。这类项目改变的是信息获取的渠道，没有改变任何一次决策的流程。

这也解释了为什么预算总是先流向demo效果最好的项目：demo效果好，意味着它容易被非技术背景的决策者看懂，容易被讲成一个故事，容易在季度汇报里拿出来展示。而真正站在决策节点上的项目，往往藏在流程深处，很难三言两语讲清楚它改变了什么——它不好演示，却好用；不好汇报，却值钱。

这正是Shadow AI Economy（影子AI经济）会出现的原因。沃顿商学院与GBK联合发布的年度AI应用报告发现：企业管理者里超过八成每周都在用生成式AI，但他们真正高频用的，是ChatGPT、Copilot这类自己找来的第三方工具，企业内部专门定制的应用反而用得少。组织按部就班地把知识库助手建起来、上线、推广，员工转身继续用自己习惯的方式解决真正要做决策的问题——工具换了，决策路径没换。这甚至和内部工具做得好不好无关：哪怕它的检索准确率、回答质量做到和外部工具持平甚至更好，只要它没有出现在员工真正要拍板的那个环节，员工就没有理由换掉自己已经用顺手的工具。

真正的分界线，在于它有没有站在一个决策节点上。同样是嵌入日常工作的自动化，一个能触发采购决策的自动补货点系统，哪怕干预程度不高，也直接改变了"该不该下单"这个结果；一个知识库问答系统，哪怕每天被点开一百次，回答的也只是"文档在哪"，从没有真正影响过任何一次决策该往哪个方向走。

如果它给出的是主动标出两份合同条款之间的冲突，倒逼审批人重新确认这笔交易能不能签——它就从流程边缘挪到了决策节点上。项目的名字没变，赛道也没变，变的只是它离决策有多近。这也说明"容易做"从来不是这类项目注定没价值的原因，选错了要改变的那个节点，才是。

AI项目真正的价值，不取决于它处理了多少信息，而取决于它改变了多少决策。

一个项目如果自始至终都没有进入过任何一个决策节点，那么无论它把信息检索、内容总结做得多流畅，组织的行为都不会因此发生改变。这和"创造了价值，企业却看不见"不是一回事——之前的文章《为什么AI创造了价值，企业却看不见？丨FDE重新理解价值兑现》讨论的是价值已经产生、只是没被组织识别出来；这里更前置：项目根本没有进入能够产生价值的位置，谈不上看见不看见。

别问"容易不容易"，问"改变了谁"

2026年的AI建设，已经从"能不能做出来"这道关卡，走到了"该把建设资源花在哪"这道关卡。同样的模型能力，现在几乎每一家云厂商、每一个大模型API都能提供，“技术能不能实现"越来越不是卡点。建设者之间真正拉开差距的地方，是谁把有限的建设资源，投在了真正会改变决策的位置上。

所以挑选下一个AI项目时，真正该问的不是"这个项目大概率能不能做成”，而是一句更短的话：如果这个项目100%做成，会改变谁的决策或行为？

回答不出来，不管这个项目数据多好拿、demo多好看、审批多顺利，它占用的都是组织本可以投向别处的建设资源。

写在最后

成功率从来不是判断一个AI项目值不值得做的起点——单位建设资源能创造多少价值密度，才是。判断一个项目该不该做，问的从来不是它有多大把握做成，而是它做成之后，有没有人会因此换一种方式做决定。

可如果"容易成功"不该是判断标准，那么面对一堆已经被提出来、等着排队立项的问题，组织到底该按什么排序？是谁的声音最大、诉求最急，还是另有一套更贴近真实价值的排序方式？

感谢你看到最后，如果你觉得有启发，随手点个赞、在看、转发吧，如果想第一时间收到推送，也可以给我加个星标⭐我们下期见。

我是「AioGeoLab」主理人塔迪Tardi，AioGeoLab是深度洞察AI第一性原理和应用实践的前瞻性研究实验室，目前有两个主要研究方向：
「塔迪GEO判断工程」在AI从“说”到“做”进化阶段，试图回答，如何让AI敢于行动、不因为责任问题而畏手畏脚，而做的一个前沿研究项目。
「塔迪硅基禅心」是传统东方智慧、未来AI前沿、当下应用实践，深层共鸣的探索。不是用AI解读经典，也不是用经典指导AI。 这是一场跨越2500年的对话，在算法与古老智慧之间，照见意识、智能与存在的本质。
塔迪的微信 - tardyai2025。