从 PoC 到规模化：企业 AI 项目为什么死在验证之后

01PoC 成功 ≠ 落地成功

企业 AI 项目的完整生命周期是「验证 → 小规模 → 规模化」三段路。PoC（概念验证）只走完第一段：在受控环境里证明技术路线可行。我们在仓储分拣 PoC 中把错误率从 4.8% 压到 0.7%、在 SMT 预测性维护 PoC 中让非计划停机下降 62%、在 AGV 调度 PoC 中让死锁次数下降 74%——但这些数字全部来自验证期，验证期成绩好，恰恰是项目最危险的时候：管理层会默认「技术已验证，剩下只是部署」，而真正的死亡率恰好集中在第二、三段。

PoC 验证的是「能不能做」，规模化考验的是「能不能持续做」。

02第一个死亡环节：数据

PoC 用的数据与生产环境的数据，几乎从来不是一回事。验证期的数据集是精挑细选的：干净、完整、覆盖典型场景；生产环境的数据是流式的：脏、漂移、有边缘案例。

最典型的场景是视觉质检：PoC 用拍照棚里角度标准的产品图，上线后遇到的是来料姿态随机、混箱堆叠、光照波动。这就是为什么我们在机器人抓取项目里坚持 Sim2Real：在仿真里做域随机化，把「现实世界的意外」提前灌给模型。

数据环节的死亡方式通常是慢性的：上线头两周指标还好看，三个月后模型在「没见过」的场景上频繁出错，客户信心崩盘，项目被叫停。

03第二个死亡环节：集成

「算法跑通了」到「产线用上了」之间，隔着 ERP、MES、PLC、边缘设备、网络与权限。AI 输出要变成现场动作，需要穿过整条系统链路：数据采集的实时性、推理的延迟预算、告警的处置流程、与现有人工流程的衔接。

很多项目死在最后一公里的三个细节上：一是实时性——离线批处理的漂亮模型，上线后算不完现场节奏；二是边缘部署——产线没有公网，模型要跑在 2 核 4G 的工控机上；三是人机衔接——系统给出了预测，但现场不知道「看到这个值该干什么」。集成不是技术问题，是工程问题；工程问题的解法不是更聪明的模型，而是更完整的交付。

04第三个死亡环节：组织

即使数据打通了、系统上线了，项目仍可能死——因为「系统上线」不等于「能力落地」。供应商交付一个能跑的系统就撤，客户团队看不懂代码、不会改配置、不敢动告警，三个月后系统变成黑匣子，一年后重启项目。

能力转移应该写在合同里，而不是口头上：交付文档 + 培训 + 运维交接。我们的标准交付物里，「让客户团队能独立运维」与系统本身同等重要——客户的工程师应该能在没有任何外部依赖的情况下，读懂、改得动、接得住这套系统。

系统上线只完成了一半交付，另一半是把能力交给客户的团队。

05活下来的项目长什么样

复盘我们经手的落地项目，能活过规模化的都有四个共同特征：

• 场景边界清晰：从「做一套 AI 系统」收敛到「解决一个可量化的问题」，验收指标写进合同
• 数据治理先行：立项时先盘点数据现状——有多少、散在哪、谁来管，数据没底的项目不接
• 小步验证，快跑迭代：用 6-10 周 PoC 先验证最不确定的环节，不合适就止损，合适再投入
• 能力转移前置：培训与文档从第一周就开始，而不是交付的最后一周

06给你的三个自检问题

如果你们正在规划 AI 项目，先回答三个问题：数据现状清楚吗？验收指标写了吗？供应商跑了之后，团队接得住吗？三个问题答不清楚，先别急着立项——先约一次技术诊断，把这三个问题聊透，比任何选型报告都值。

AI 项目最大的成本不是失败的项目，而是「验证期成功、规模化失败」的项目——它烧掉了钱，还烧掉了组织对 AI 的信心。