AI 从 POC 到生产鸿沟

Enterprise AI Poc To Production Gap · enterprise-ai-poc-to-production-gap--jason-droege

解决什么问题

解释为什么会有大量报道说"企业 AI POC 大多失败/不落地"（如 MIT 那份广为流传的研究），以及为什么这不代表 AI 没用，而是被低估了从"能跑通"到"能上生产"之间的距离。

核心内容

Jason Droege 提出"POC 很容易做到 60%-70%，但从这里到能承载重要业务流程的自动化，需要 6-12 个月"的观察，并给出两个类比：

数据中心可用性类比：每多一个"9"（99% → 99.9% → 99.99%）都是一个数量级的额外投入（备份、可靠性工程等）。"一个 9"大概相当于宿舍里的一台 Web 服务器；"五个 9"看起来只是数字上的小提升，实际是巨大的工程投入。AI 落地也是同理——POC 阶段的"看起来快到了"和"真正可用"之间隔着数量级的打磨。
denominator 效应：POC 之所以容易泛滥，是因为"启动一个项目"的门槛极低，所以"我们启动了 N 个 AI 项目"这类数字本身具有误导性；作者认为业界常引用的"95% 的 AI 项目失败"类数字有点 clickbait、有点夸大。
真正落地需要的工作：找到靠谱的合作方或有模型经验的工程师，投入的是"以月计"而非视频演示里"以分钟计"的时间，还要走完法务审批、政策审批、监管审批、变更管理，以及让所有相关方对准确率达成共识——这些都不是技术问题，而是组织/流程问题。
一旦真正做到位，效果通常超预期："我是世界上最懂行的医生之一，但这东西给我的洞察我自己都想不到"——即最终价值兑现是真实的，只是时间线比营销故事长。

适用边界

针对"流程自动化/知识工作类"企业 AI 场景（医疗诊断辅助、保险理赔等），不代表所有 AI 应用都需要 6-12 个月。
作者本身是卖企业级 AI 数据/方案的公司 CEO，对"需要投入更多时间和专业服务"有天然立场倾向，需要辩证看待。

关键引述 · 原话

"These things take 6 to 12 months to get them truly robust enough where an important process can be automated." — Jason Droege

"One nine is basically a web server in a dorm room... and then five nines is this crazy high bar, but it just seems like a very small movement." — Jason Droege

— Jason Droege

关联卡片

AI 价值准确率分区

- 与 ai-value-accuracy-zones--jason-droege 配套：先判断该不该上 AI，再理解落地周期有多长。

出处：Jason Droege (Scale AI, CEO) · 03-podcasts/jason-droege.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2