Gartner調查：AI基建項目72%未回本

782位IT基礎設施經理，去年11月到12月，被Gartner問了一個扎心的問題：你們搞的AI項目，到底賺了還是賠了？

答案比預期更冷。只有28%的用例真正跑通投資回報率（ROI），20%直接失敗，剩下的大半卡在「有點用但不多」的灰色地帶。更麻煩的是，57%的人承認至少搞砸過一次。換句話說，每兩個I&O（基礎設施與運維）負責人里，就有一個在AI上踩過坑。

「自動修復」成了翻車重災區

Gartner研究總監Melanie Freeze把失敗原因說得很直白：「他們以為AI能立刻自動化復雜任務、砍成本、解決積壓多年的運維問題。」

期望落空的速度，比項目推進的速度還快。Freeze觀察到一個典型循環：預期虛高→結果延遲→信心崩塌→項目擱淺。

具體哪些場景最容易崩？Gartner列了三項「高危作業」：

自動修復（auto-remediation）、自愈基礎設施（self-healing infrastructure）、以及跨系統的智能代理工作流管理。

這些聽起來很美的概念，本質上是讓AI在無人監督的情況下做決策、執行操作、甚至跨系統協調。問題是，基礎設施環境太臟——歷史債務多、接口不統一、故障模式千奇百怪。AI在這種環境里「自治」，就像把新手司機直接丟進暴雨夜的重慶立交橋。

Freeze的原話是：「20%的失敗率，主要來自過于激進或范圍模糊的項目。不適合組織運營模式的AI，根本產不出ROI。」

技能缺口和數據質量：兩座大山

在遭遇挫折的I&O負責人中，38%把鍋甩給了「 persistent skill gaps」——持續性的技能缺口。同樣38%的人指責數據質量差或數據可得性有限。

這兩個數字并列很有意思。技術團隊缺人懂AI運維，同時手里的數據又臟又少。前者是能力建設問題，后者是資產積累問題，都不是砸錢能立刻解決的。

有個細節值得玩味：Gartner調研里，AI在相對成熟的場景表現明顯更好。比如把生成式AI（GenAI）用在IT服務管理（ITSM）和云運維上，53%的負責人報告成功。

差距為什么這么大？ITSM和云運維有相對標準化的流程、結構化的數據、明確的SLI（服務級別指標）。而「自動修復」這類場景，邊界模糊、異常復雜、容錯率極低。AI在確定性高的地方是幫手，在混沌地帶容易變成麻煩制造者。

錢從哪來，正在成為政治問題

Freeze提到一個結構性矛盾：很多AI基建項目還是由單個業務部門掏錢。但AI基礎設施的支出在持續上漲，CEO和CFO必須更積極地參與設定資金標準和審批重大投資。

翻譯一下：以前是小打小鬧，各自為政；現在要動真格，需要頂層協調。但頂層協調意味著更嚴格的ROI審查，而ROI恰恰是當前最薄弱的環節。

這種張力在另一份調查里被放大。今年2月，一項覆蓋美、英、德、澳近6000名企業高管的調研發現：超過80%的人沒察覺到AI對就業或生產力的明顯影響，盡管69%的企業已經在用某種形式的AI。

投入在跑，產出在睡。董事會耐心有限。

Harris Poll為Dataiku做的研究給出了更緊迫的時間表：98%的技術領導者表示，董事會要求展示AI投資回報的壓力正在上升；71%的CIO相信，如果2026年上半年結束前達不到目標，他們的AI預算很可能被砍或凍結。

2026年，成了集體交卷年。

Freeze的建議很產品經理思維：把AI項目拆小、設定期望、匹配組織成熟度。別一上來就追求「自治」，先從增強人類決策開始。

但建議歸建議，壓力歸壓力。當71%的CIO擔心預算凍結時，「慢慢來」是個奢侈選項。更可能的劇本是：一部分人被迫在數據沒準備好、團隊沒練熟的情況下硬上，然后成為那20%失敗率的新貢獻者；另一部分人選擇保守路線，把AI框死在低風險場景，安全但平庸。

Gartner的28%成功率，本質上是一個篩選器。它篩掉的是那些把AI當魔法、以為能跳過基礎建設的團隊。剩下的贏家，可能沒什么驚天動地的技術，只是更誠實地評估了自己手里的牌。

Freeze在訪談末尾補了一句：「當期望沒有現實地設定、結果沒有快速出現時，信心下降，項目停滯。」

這句話的潛臺詞是：AI基建不是技術競賽，是預期管理競賽。而預期管理，從來都是組織能力的硬指標。

2026年上半年結束前，你的AI項目能拿出什么數字？