Gartner调研782位IT主管：72%的AI项目没回本，但问题不在AI，在"期望"

昨天Gartner发了一组数据，可能会让很多正在推AI项目的企业主管心里一凉：在IT基础设施和运维领域，只有28%的AI项目真正达到了ROI预期，20%直接失败。剩下的一半多，处于"没死也没活"的灰色地带。

这份调研覆盖了782位I&O（基础设施与运维）负责人，其中57%坦承至少经历过一次AI项目失败。与此同时，全球AI支出预计2026年将突破2.5万亿美元——比去年暴增44%。钱在加速花，但回报的账却越来越算不清。

失败不是因为AI不行，是因为"想多了"

Gartner研究总监Melanie Freeze的总结很直白：大多数失败项目的共同特征是期望过高、范围过大。企业以为AI能立刻自动化复杂任务、削减成本、修复长期运维顽疾。当结果没有迅速兑现，信心崩塌，项目就停滞了。

失败率最高的方向包括：自动修复（Auto-remediation）、自愈基础设施（Self-healing Infrastructure）、以及智能体驱动的跨系统工作流管理。这些恰恰是AI宣传中最"性感"的方向——也是最复杂的方向。

反过来看，在IT服务管理（ITSM）和云运维这类相对成熟的场景中，AI成功率高达53%。越是场景明确、流程标准化、数据质量可控的领域，AI越容易兑现承诺。

这和我过去37天追踪AI资讯看到的规律完全一致：AI项目失败率和"野心大小"成正比，和"场景成熟度"成反比。

98%的董事会在追问ROI，71%的预算可能被砍

Gartner的数据并不孤立。今年2月Harris Poll的另一项调研发现，98%的技术高管表示正面临来自董事会的AI ROI压力，71%认为如果上半年交不出成绩，AI预算将面临冻结或削减。

另一份覆盖美英德澳近6000位企业高管的调研更扎心：超过80%的人表示完全感受不到AI对就业或生产力的实质影响——尽管69%的企业已经在用某种形式的AI。

把这些数据摆在一起，画面就清晰了：钱在花、工具在买、试点在做，但组织层面的体感几乎为零。这不是"AI寒冬"的征兆，而是企业AI落地正在经历一场"期望校准期"——从"AI能做一切"到"AI适合做什么"的认知转变。

两个关键瓶颈：技能和数据

在经历过AI项目失败的I&O负责人中，38%将失败归因于持续性的技能缺口，另有38%指向数据质量问题或数据可用性不足。这两个因素几乎并列为AI项目的头号杀手。

值得注意的是，这不是"没有数据"的问题，而是"数据不对"的问题。很多企业数据散落在不同系统中，格式不统一，质量参差不齐。AI模型再强，喂进去的是垃圾数据，出来的也是垃圾结果。技能缺口也不只是"不会用工具"，更深层的是缺乏将AI能力映射到具体业务场景的方法论。

STARBOX视角：28%的成功项目做对了什么？

在STARBOX服务过的上百个行业案例中，我们观察到一个反复出现的规律：成功的AI项目从来不是"最大的"，而是"最对的"。

Gartner的数据印证了这一点。ITSM之所以成功率高，是因为它场景明确、流程标准化、效果可量化。同样的逻辑适用于内容营销——这是我们认为企业AI落地最容易"先赢一把"的战场。内容的输入输出边界清晰，效果可以通过DDABC客户旅程的每个阶段直接追踪，不存在"自愈基础设施"那种边界模糊、变量爆炸的复杂度。

至于38%的企业卡在数据和技能上，这恰恰是四维知识体系要解决的问题：预训练知识提供通用能力，行业知识提供领域深度，企业专属知识确保"数据对得上业务"，实时数据让AI不掉队。技能缺口则通过300+实战智能体和标准化方法论来弥补——不是让每个人都变成AI专家，而是让AI系统本身就内嵌了专家级方法论。

72%的项目没回本，不是AI的失败，是"选错战场"的代价。先在对的地方赢，再向更复杂的方向扩展——这可能是2026年企业AI最务实的策略。

Gartner的建议是把AI用例当产品来管——有明确的负责人、可衡量的影响、跨团队的评估标准。这听起来简单，但恰恰是大多数企业在"试点炼狱"中缺失的那一环。2.5万亿美元已经在路上了，问题不是该不该花，而是花在哪，怎么量，谁来扛。

明天继续追踪。