AI浪潮三度起落，为何69%企业仍在试验阶段？从1950年代的逻辑推理到如今的深度学习，每次技术浪潮都留下了深刻的商业教训。本文将拆解三次AI发展中的关键转折点，揭示概念先行、成本失控、技术堆砌等落地陷阱，帮助产品经理在技术狂热中保持清醒，找到AI与商业价值的最佳契合点。
德勤中国×香港大学于2025年发布的《人工智能采用调查》 指出，69% 的企业仍处于 AI 试验或早期采用阶段，近半数受访者表示 AI 落地结果低于预期。麦肯锡《The State of AI in 2025: Agents, Innovation, and Transformation》 亦有数据佐证，全球 88% 的企业已在至少一个业务环节落地 AI 技术，但仅有 39% 的企业实现了实质性财务回报。当下AI产品落地的诸多痛点——概念先行、技术堆砌、成本失控、脱离业务，实则在三次发展浪潮的演进中早已埋下伏笔。
本文将结合AI三次发展浪潮的核心脉络，提炼每次浪潮留给产品人的落地启示，助力从业者从行业历史中避坑，找准 AI 产品落地的底层逻辑。
这是AI的“启蒙时代”，1956年达特茅斯会议正式定义AI概念，让大家知道机器可以模拟人类智能。但受限于算力不足、数据匮乏，此时的AI只能解决一些简单的“玩具”问题，最终因研发投入无实际产出，经费大幅削减而陷入低潮。
第一次浪潮的衰落本质是技术成熟度远无法支撑契合市场预期的产品概念，早期从业者试图用浅层的逻辑推理技术解决复杂的人类问题，陷入概念炒作误区。这一问题在当下仍有体现，Gartner 在《2025年中国数据、分析和人工智能技术成熟度曲线》中便明确指出，当前生成式 AI 和代理型 AI 成为 AI 发展的核心主题，行业存在一定的技术炒作现象，企业需要在 AI 炒作的喧嚣中认清 AI 的真正价值。
当下备受关注的AI Agent，其技术成熟度也仍存在局限：例如在谷歌推出的FACTS基准测试中，即便拿下综合准确率榜首的Gemini3 Pro，成绩也仅为68.8%，与人类专业水准存在显著差距，若直接应用于金融、法律、医疗等严谨性要求极高的领域，势必存在不小的应用风险。
而近期因外卖红包引发广泛关注的千问，正由于用户大估摸使用其点外卖相关功能出现了算力承压、响应能力不足的情况，这一现象也直观印证了AI技术的落地与规模化运行对算力资源有着极高的硬性要求。
AI产品人在启动落地前，必须先做技术成熟度评估。若成本有限，尤其是中小型企业，建议对仍不稳定的新AI技术仅做小范围的技术验证，不进行大规模商业投入，避免成为概念炒作的牺牲品。
产品人若想规避因对AI技术过度期待而导致产品落地失败，则必须理解LLM、AI Agent、RAG、Fine-tuning等核心技术的能力边界与固有局限性。同时要加强与算法团队、技术团队的交流沟通，在产品设计中主动规避技术短板，而非试图让技术突破自身限制解决所有问题。这是从第一次浪潮中总结出的核心落地经验，也是AI产品人避免踩坑的关键。
随着计算机技术的进步，AI迎来第二次复苏，核心突破是“专家系统”的商业化应用。专家系统通过手工编写规则，模拟某一领域专家的决策过程，在医疗、金融等领域初步创造价值。但随着应用不断扩展，问题也逐渐暴露。由于专家系统的规则完全依赖人工编写，场景越复杂，更新维护成本越高，且泛化能力差难以复用。第二次AI浪潮也因商业成本失控、场景适配性差、投入产出比失衡走向衰落。
第二次浪潮中，专家系统虽然实现了技术层面的闭环，却因后期维护成本过高成为企业的成本包袱，这也是 AI 技术落地的经典教训。当下大模型落地过程中，产品人更需规避这一问题。AI技术处于飞速迭代阶段，许多企业均采用先上线MVP版本再持续收集数据与反馈对模型进行优化，维护成本的重要性愈发凸显。
AI 产品落地前，必须开展全生命周期成本核算，将固定成本（研发、模型部署、硬件投入）与变动成本（算力调用、数据标注、模型迭代维护）全部纳入考量，确保产品创造的商业价值能高于落地及运营成本。此外，产品设计也需兼顾可维护性，避免一次性开发、无限期高成本维护的设计逻辑。
专家系统的衰落，核心原因之一是试图用一套标准化的规则模型适配所有垂直场景，忽略了不同行业、不同企业的业务差异性。这一误区在当下大模型、AI Agent 落地过程中仍需警惕。
虽然当前通用底座大模型存在一定的泛化能力，但也不足以满足精细化的场景需求。作为AI 产品人需深入理解核心业务逻辑，梳理业务痛点问题，并结合AI技术分析出哪些可以问题用通用大模型解决、哪些无法用通用大模型解决，以及后续如何对通用大模型进行调整适配，让AI技术拆解为适配具体场景的产品功能。
早期专家系统的另一大致命问题是泛化能力极差，一个行业的模型无法复用至其他行业，导致研发成本重复投入，落地效率极低。如今的通用大模型虽解决了这一问题，但又面临新的挑战——难以平衡个性化和泛化的关系。
通用大模型底座基于海量数据训练而成，得到的标准化输出效果无法满足具体企业/个人的个性化需求，因此部分企业会通过小范围微调或RAG技术对模型进行适配。产品人必须清晰掌握目标用户的场景与核心需求，精准把控个性化适配的程度，通过持续测试与优化，实现既满足个性化需求，又保持一定的产品泛化能力的平衡，从而降低后续其他场景的落地成本。
这是我们目前所处的时代，也是 AI 技术最成熟、落地场景最丰富的阶段，核心驱动力是三大突破：深度学习技术成熟、算力瓶颈打破、海量数据支撑。2012年“AlexNet”神经网络在图像识别比赛中夺冠，正式开启深度学习时代；2017 年Transformer架构问世，为大模型的发展奠定了核心技术基础；互联网的普及产生了前所未有的海量数据，为AI训练提供了充足的数据集；2022年ChatGPT的发布，让生成式 AI 从实验室走向大众，AI 正式进入全民认知时代。
如今这一浪潮仍在持续，在中国信息通信研究院的《人工智能产业发展研究报告（2025年）》中也指出2025 年成为全球人工智能从技术创新到产业应用转折的关键一年，人工智能正加速从“能思考”向“能实干”转变。基础模型实现跨越式能力突破，智能体、具身智能等技术快速发展，AI 落地正逐步向千行百业渗透，但行业的核心痛点已从“技术如何实现”转向“技术如何转化为商业价值”，这也是当下 AI 产品人的核心工作重心。
第三次AI浪潮进一步印证AI产品的核心是解决业务痛点，而非“炫技”。当下行业中不乏“ALL IN AI”的声音，但产品人需恪守”围绕业务需求设计产品功能，而非让业务适配技术“的原则，避免为AI而AI的无效落地。
中国信息通信研究院《人工智能产业发展研究报告（2025年）》中强调，大模型、AI Agent 等技术的效果具有显著的“场景依赖性”，实验室中的技术能力无法直接等同于真实业务场景中的落地效果。
产品落地初期，应先搭建MVP版本，仅保留核心AI能力，选择部分关建用户或具体业务场景做小范围测试，再基于真实业务数据收集问题与反馈，推动模型与产品功能迭代优化，验证落地可行性后，再逐步进行规模化推广。产品人也可借助Coze、Dify等Agent平台快速搭建demo，验证技术效果与场景匹配度，再进一步联合算法、研发团队推进产品落地。
大模型的核心是数据，数据质量可以直接决定模型效果，正是互联网发展带来的海量数据为大模型提供充足的数据集燃料。但据中国信息通信研究院的《人工智能产业发展研究报告（2025年）》显示，当前行业数据集建设存在显著质量瓶颈，内容稠密性缺失占比高达 82.50%，领域相关性不足占比 14.04%。这意味着互联网时代虽然数据量庞大，但高质量数据稀缺，尤其是各行业内的专业性数据，而低质量数据会直接导致模型落地效果折损。
在数据准备阶段，产品人需建立标准化的 AI 数据质量校验体系，严格把控数据的相关性、准确性、多样性，秉持宁慢勿滥原则，尤其是金融、法律、医疗等专业领域，提升数据标注的专业度与精准度是重中之重。许多B端产品拥有大量自有业务数据，可优先组建团队打造高质量的小数据集，而非盲目追求低质量的大数据量，从源头保障模型落地效果。
尽快如今AI技术能力相较于前两次浪潮实现跨越式提升，但本身的局限性仍无法避免，大模型的幻觉问题、策略欺诈等问题仍然是产品落地核心风险。全国首例AI幻觉案正是因AI生成错误信息并且向用户做出赔偿承诺而闹上法院并引起争议，甚至新闻下部分评论认为AI输出内容由程序员设定，既然公司允许发布则应该承担相应风险。随着AI产品的用户规模不断扩大，产品人在设计阶段就应提前考虑规避此类幻觉风险及其他可预见的问题：
此外，AI生成内容的版权问题也一直是行业争议焦点，目前相关法律发规尚未对其做出明确界定。如今市面上多数生成式AI产品会在内容生成后标注“该内容由AI生成”，产品人也可参考这一方式，降低版权纠纷风险。
回顾 AI 的三次发展浪潮，能发现一个始终不变的核心规律：每一次浪潮的崛起，都是技术、数据、算力的精准匹配，且技术始终服务于商业价值；每一次浪潮的衰落，要么是脱离了技术基础的盲目乐观，要么是脱离了商业本质的技术堆砌。
对于 产品人而言，三次浪潮的共性启示，远胜于单一的技术经验或落地技巧，这也是未来无论技术如何迭代，都不会改变的底层逻辑：
参考
本文由 @飞上天的狗 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。