AI落地项目翻车率不低，根子几乎都在方法而不在模型。很多企业把AI落地当成一次性技术采购，买完才发现真正的难点在业务侧。AI项目的翻车率比外界说的高得多。Gartner 早年的预测里，过半的「自称在用AI」项目没走到生产环境。翻车很少因为模型不够强，几乎都栽在方法论和预期管理上。我把见过的翻车姿势归成四类典型，再给一份上线前自查清单，照着排雷，能拦掉大部分会死的项目。

翻车的四种典型

AI落地翻车很少因为模型不够强，几乎都栽在方法论和预期管理上。第一种叫「演示即巅峰」：demo 用精心挑的数据惊艳全场，一上真实流量就露馅，因为训练集和真实分布差太远。第二种叫「没有基线的AB」：上线前没记录原指标，上线后说「效果好像好了点」，其实没法证伪。第三种叫「一次性交付」：供应商交完钥匙走人，三个月后数据 drift 没人管，慢慢废掉。第四种叫「万能锤」：一个模型想解决所有部门的问题，最后哪个都没做好。这四种，本质都是把AI当产品而非当系统。

误区一：把AI当万能锤

「我们上了大模型，啥都能干」是最贵的幻觉。大模型擅长生成和推理，不代表它适合你的排产优化或精确质检。正确做法是按场景选型：重复分类用小模型，知识问答用RAG，数值寻优用传统算法。很多企业为一个简单分类任务硬上大模型，成本高、效果还飘。先定义任务类型，再选工具，别让工具定义问题。这能省下大笔冤枉钱。

误区二：没有基线就上线

不上基线等于没验收。上线前必须记录当前指标：人工客服解决率多少、质检漏检率多少、报表耗时多久。没有这个「前」，就证明不了AI的「后」。建议做灰度：切10%流量给AI，和原流程同跑两周，用真实数据对比。很多项目烂在「老板觉得不错」式的定性验收，半年后算总账才发现没省多少钱。基线+灰度，是避免自欺的最便宜手段。

误区三：忽略人工闭环

AI不准是常态，关键是有没有兜底和纠错回路。没有人工复核、没有bad case回收的项目，错误会被放大并固化。正确设计是：AI处理标准件、复杂件转人工，人工改过的样本自动回流成训练数据，形成「用得越多越准」的飞轮。见过最稳的客服系统，AI独立解决率从40%靠这个闭环半年爬到72%。没有闭环的AI，只会越用越垮。

误区四：一次性项目思维

把AI当「项目」做，验收即结束，是翻车的根因。AI系统上线只是开始，数据在变、业务在变，模型会退化。要当「产品」持续运营：固定owner、周看板、月迭代、季度复盘。中小团队至少要有个虚拟运营角色。供应商若只卖交付不卖运营，要警惕——真正值钱的是交付后的那三年，不是上线的那一天。

上线前自查清单

动手前过一遍这六条：①场景ROI算清了吗？②数据就绪（有、干净、标）了吗？③基线指标记录了吗？④灰度对比方案有了吗？⑤人工兜底和回流闭环设计了没？⑥上线后谁运营、多久迭代？六条里任意一条答不上，就先别全量上线，回到MVP补。这不是保守，是把翻车概率从五成压到一成以下的务实动作。

AI项目翻车，根子几乎都在方法不在模型。避开万能锤、守住基线、补上人工闭环、用产品思维做运营，再用六条自查清单卡一道关，绝大多数项目都能从「惊艳demo」走到「真在赚钱」。把这套方法沉淀成公司内部可复用的立项SOP，下一个项目直接套用，就不必每次从头踩坑，落地效率会明显提升。