今年不少企业上马的 AI 项目陷入 “没效果” 的困境，相关求助需求集中涌现。文章从实际服务十几个客户的经验出发，调侃 “AI 未取代数据分析，反倒需数据分析救场” 的现象，进而深入剖析 AI 项目踩坑的核心原因，分享盘活烂尾 AI 项目、选择易突围项目的具体思路，为企业推进 AI 项目提供实操参考。

“今年新上的AI项目没效果！”

“陈老师快来帮帮忙，想想办法”

“能不能设计一个评估体系，证明它管用！”

从6月份开始，我就在十几个客户之间奔走处理类似需求，边做边调侃：“还说啥AI取代数据分析，现在都指望数据分析来救场子的” 为什么会出现如此奇观？以及如何避免AI项目踩坑，刚好在8月底做个小结。

一、回归商业本质

先别管它是AI、BI、CI还是DI，站在商业视角，所有的产品分三类：交易型产品、内容型产品、工具型产品。

AI产品也是工具型产品一种，厉害的工具它还是工具，只要是工具型产品，那么就得满足以下条件：

1、有具体场景

2、有使用对象

3、满足特定需求

4、可用指标衡量价值

媒体听到一个新概念，就会大呼：“震惊！颠覆！代替！” 但是，真到了企业里做项目的时候，必须得数据说话：

缺少场景or对象，叫伪需求

有真实需求，但工具不能满足，叫：没做好

自己说“做得好”，无法量化考核，领导就不认账

这就叫商业本质，而今年草草上马的AI，各有各的死法。

二、伪需求的陷阱

很多公司上了Chat BI，口号都是：“只要随口说一句，立马自动生成SQL输出数据图表”……结果复盘的时候，老板要的是SQL、数字、图表吗？都不是！

某企业，老板就当着一众领导面问：

1、能不能发现业务没有发现问题？

2、能不能给出可落地的具体办法？

3、跑数不是月薪8K的职员干的吗？

4、所以你们部门裁员了几个人？

5、所以上项目的效益就是俩人的工资？

项目负责人被问得抓耳挠腮团团转……蒸汽火车取代马车，不是因为蒸汽火车能节约草料，而是它能支持一种全新生产力。想不明白这点，项目就很容易做成伪需求。

回头看看，会发现：“人人都是数据分析师”本身就是扯淡。

相当多公司，业务流程没有数字化

数据基建稀烂，口径不统一

业务“用数据说话”能力都没普及

这时候指望：“随口说一句话自动生成数据”就是自己找死。

三、解决真实的痛点

于是，拯救这些烂项目的思路，就是：

1、重新梳理业务场景

2、先找到有价值的数据

3、再看如何用AI提供这个数据

比如，我在帮一个企业梳理场景时发现，销售部门权力很大但是很少看数据。他们经常走下沉市场，迎来送往很多，我陪他们出差3天喝了4顿……这种状态下，谁看数据！

然而，他们确实有真实需求：

如果经销商利润很低，需主动帮经销商想办法

如果经销商库存很高，要检查库存预防窜货

新品/活动普及不够，就得推着经销商做

……

于是，我/IT部门/销售部门一起，梳理出八个“走市场核心指标”，并且对应到“八大市场提升关键行动”，经销售部老大首肯，先作为行动标准推广到所有一线执行。

然后大家问：数据支撑怎么实现呢？上Chat BI！此时IT部门领导红光满面的开推广会：“诸位看，这个Chat BI真的好用，直接对话就能拿到八大指标！”于是半死的项目就这么盘活了。

四、透过现象看本质

有同学会说：陈老师，你这跟AI关系不大呀，做个普通的移动端报表也行呀。

这就要透过现象看本质了。再好的技术，最后也是工具。想让工具发挥作用，最后还是要回到场景/对象/需求/指标，认真梳理才有出路。

数据分析，从来不是SQL/Python/PowerBI等工具的堆砌，而是结结实实的解决问题。现在AI辅助生成SQL越来越好用，释放出的时间，更多花在提升分析方法，解决业务问题，才能产生更大价值。

 五、更容易突围的项目

当然，有些项目没那么难突围，稍作修改即可，比如：某集团准备建立“从财务指标穿透到业务过程的智能化经营分析体系”，结果上门一看：主数据稀烂，相当多业务流程还在走纸质单，业财数据从来对比上……那就老老实实回来从上系统，数据治理做起，领导那里先做个好看的看板，交个半年工作总结差。

比如：AI智能提炼优秀客服话术。结果提炼完长达5000字，一线坐席念都念不过来。这种就不要贪多，比如先筛选10个最难回答问题（比如“为什么你们卖那么贵”）让AI先输出再说。