企业人工智能的重大失败不是技术，而是人类行为和无法计费的会计
在过去一年中，公众关于人工智能的讨论充满了展示、承诺和企业购买。企业在模型、许可证、基础设施及试点项目上进行了工业级投资。然而，董事会关心的症状并非是进行了多少测试，而是在季度结束时出现了多少利润点。
麻省理工学院引用的一项研究，正如《TheStreet》报道的那样，记录了一个与狂热叙述不符的数字：95%的组织没有看到可计量的投资回报，尽管在企业人工智能的相关活动中的总花费高达300亿到400亿美元。这问题不在于计算能力或“模型成熟度”。很大程度上，这是由于人类的采纳和内部系统未能适应真实的人工智能消费经济。
作为消费者行为和采纳障碍的分析者，我将这个故事解读为两次经典的失败解剖：第一次发生在员工的办公桌上，人工智能终究被降级为“增强型搜索引擎”；第二次发生在后台，即使存在使用的情况，企业也无法准确测量或计费。在这两种情况下，错误都是相同的：为不存在的人类和会计设计。
当人工智能进入实际工作时，碰撞于激励、习惯和对错误的恐惧
Axialent的首席执行官Oseas Ramirez表达的观点应当载入每一个转型计划中：“人工智能是由人采用的，而不是服务器。如果人们不改变工作方式，技术就只能停留在原地。”这一观点并不是哲学，而是应用经济学。如果行为不改变，技术资产就变成了沉没成本。
《TheStreet》引用的研究描绘的模式与我在采纳中观察到的情况一致：大多数员工将人工智能作为稍微智能的搜索引擎使用，而非工作流程的重新设计。这个细微的差别摧毁了回报。“增强型搜索引擎”节省几分钟；重新设计的工作流程则改变了周期时间，减少了返工，标准化了决策，并使以前依赖内部英雄的活动变得可扩展。
碰撞发生，因为组织试图按照惯有的剧本部署人工智能：购买工具、安装、培训、宣布胜利。但采纳失败并不是因为缺乏培训；而是因为认知上的摩擦和感知风险。员工并非出于意识形态“拒绝人工智能”，而是当使用人工智能的心理成本超过立刻获得的益处，或是激励体系惩罚实验时，他们会选择避免。
在行为上，推动因素存在——对重复性任务的挫败感和生产率压力，吸引力也在——速度和更好答案的承诺。问题在于焦虑和习惯往往赢得胜利。焦虑，因为将判断委托给一个概率系统会让用户面临明显的错误风险。习惯，因为现状已经为在内部政治环境中生存提供了已知的途径：“按照惯例做”很少会导致职业生涯受损；尝试新事物并失败却可能会付出沉重代价。
关键在于，许多层级和激励是在人工智能存在之前设计的。如果一个销售团队收到与预期配额或内部叙述相悖的人工智能预测数据，这些数据不会被“讨论”；而是被忽视。并非出于恶意，而是出于生存：人会优化在系统中的安全。如果模型威胁到默契如何分配荣誉和责任，模型将会失败。
因此，能够取得成果的企业通常不是拥有最复杂模型的企业，而是围绕模型重新构建工作的企业。人工智能并不是“附加工具”；而是重新设计工作的心理契约：谁决定，谁验证，谁签字，谁承担风险。在没有这一重新设计的情况下，工具只用于小任务，投资回报消失，组织却学会了错误的教训：人工智能“无效”，而实际上无效的是采纳系统。
投资回报因一个简单的原因而破裂：购买了光鲜，低估了摩擦
这项研究中的数字对胜利叙述是一次打击：95%没有可计量的回报，生于300亿到400亿美元的投资。当出现如此大的差距时，解释往往没那么光鲜。答案在于企业如何分配预算和关注。
实际上，许多组织热衷于资助可见的东西：许可证、基础设施、精彩的试点演示。这些在简报中“闪闪发光”。然而那些真正推动行为的因素，如流程重新设计、激励变化、使用治理、合理错误的保护，以及用来迭代的实时时间，却没有得到同样的关注。
在这里可见一种常见的企业偏见：将转型视为一个IT项目，而非运营的重写。结果是可预见的：使用停留在表面。员工打开工具来撰写电邮、总结文档或搜索信息。这些行为不会危及个人职业身份，也不挑战层级。人工智能变成了生产力的装饰品。
还有一个细节加剧了问题：组织对失败的适应能力。报告提到，当实验失败——并且频繁失败时——许多企业没有足够的制度能力去坚持和迭代。从行为学的角度来看，这一点至关重要：如果用户的第一次体验发生在惩罚性环境中，采纳就会死亡。一次不良的初步互动创造了一个内部启发式："这会有问题"。从那时起，每一次微摩擦都在确认回归习惯的决定。
最终结果对于高层管理来说是有害的：报告称“人工智能已部署”，却没有回报。实施受到庆祝，而变化被惩罚。然后就重复了这个循环：更多在工具上的支出，更多的挫败感，更多的愤世嫉俗。成本不仅仅是财务上的；而是内部的声誉。每一次失败的尝试都减少了下次的政治资本。
即使成功采纳，许多企业因无法计费使用而失去资金
故事的第二部分更为静默，对一个首席财务官来说更为危险：即便人工智能被使用，许多公司并没有能力去准确计费。Vayu 的首席执行官 Erez Agmon 将其简洁总结为：“大多数SaaS计费系统是基于可预测的订阅设计的，而人工智能导致消费变得不稳定。”
问题的核心是结构性的。传统软件按座位、许可或固定订阅出售。而人工智能，消费则是以可变单元为基础：处理的令牌、API调用、模型运行。这种消费不仅是可变的；而且是间歇性的，具有难以预测的高峰和低谷。期待一个古老的计费系统在没有损失情况下捕捉到这一点，完全就像用收银机来测量电力。
《TheStreet》描述一个具体案例，展示收入流失：首席财务官发现其系统仅在计费周期的那一天记录使用情况。如果一个客户在中间升级，而在付款日前又降级，则高峰消失了。首席财务官本人毫不留情地说：“我只计算计费周期当天的数据。我错过了高峰。我损失了这笔钱。”
这个例子揭示了一个更大的模式：人工智能经济惩罚未能精确计量的企业。出现跟踪缺口，手工对账与电子表格，手动生成的发票。当客户数量少且交易量不大的时候，这些都是可行的；当产品扩展时，它们则会崩溃。
收入流失不是一次事件；而是一种滴漏。在消费模型中，滴漏会成倍增加。企业不仅是把钱留在桌子上；也失去了定价的视野。如果没有捕捉到实际使用情况，管理团队最终管理的是一种幻影：相信产品价值X，然而客户行为却在说Y。
从客户心理学的角度来看，这更是一个信任炸弹。一个不理解消费的计费系统会产生两个对称的风险：低收费和价值送出，或高收费并引发冲突。在这两种情况下，商业关系都在侵蚀。人工智能承诺精确；而不稳定的账单传达着混乱。
有效的转型：重新设计人类决策及其货币化能力
这条消息留下了一个严峻的教训：企业人工智能被困在两个世界之间。上面是创新的口号；下面是人类习惯和遗留的财务系统。
走出这个陷阱的战略并不从模型入手，而是从想要在生产中看到的行为开始。那些将捕捉价值的公司不会是拥有最多试点的公司，而是采取三个纪律性动作的公司。
首先，将人工智能转化为具体决策，并明确责任。如果人工智能的输出没有改变谁決定、何时决定以及用什么验证标准，那么使用就会停留在小任务之上。实际的采纳发生在操作流程将工具作为“默认路径”的一部分时，并且当无视它的成本大于使用它的成本时。
第二，重构激励，使员工不必在个人绩效与采纳之间做出选择。当系统奖励维持现状时，习惯是理性的。企业必须创造条件，使实验是安全的，并且合理的错误不再是个人的负担，而是受控制的学习成本。
第三，为可变消费的世界现代化计费。如果产品按使用收费，会计就必须清晰且实时地看到使用情况，以免错过高峰。没有这一基石，即使成功的采纳也会变成未计费的增长。
对高管的综合纷繁却可行的结论是：人工智能的投资回报不是通过提高计算能力来解锁的，而是通过降低人类与金融的摩擦来实现。技术可以熠熠生辉，但只有当组织不再将所有资本押注于这种光辉，而是有纪律地投资于消除用户采纳以及企业计入账单所需的恐惧和摩擦时，业务才能获利。
