他起初没有察觉。

冲刺速度目标上调了。功能需求的预期交付周期缩短了。两个月内，他的待办事项列表膨胀了三分之一。当他向上级反映时，得到的回答轻描淡写，甚至带着几分轻松愉快：“我们刚刚为整个工程团队上线了 Copilot 和 Claude Code。我们现在应该跑得更快了。”

他是一家中型科技公司的产品经理，负责在业务目标与工程产能之间充当翻译。而一夜之间，这道翻译题变了。管理层购置了AI编程工具，并想当然地认为等式很简单：原班人马加上AI等于更高产出。他的日历没有变轻，反而更重了——因为他被要求以同样的节奏规划更多功能，而他的团队还在摸索三周前塞进手里的那套工具该怎么用。

当他据理力争——解释说AI工具需要重构工作流，团队需要培训，“更快”并不等于”更多”——管理层的回应只有三个字，却道尽了一个价值6840亿美元的难题：“把聊天气泡加进去。”

一个按钮。一个气泡。屏幕上的一个小小涂鸦。

他当时不知道，他刚刚描述的，正是80%的AI落地从内部看去的模样——而全球最大的两家AI公司，刚刚花了115亿美元，亲手证实了他的判断。

没人愿意公布的那组数字

2025年，全球企业在AI项目上投入了6840亿美元。据兰德公司（RAND Corporation）的分析，其中80.3%的项目未能实现预期商业价值。

这个数字值得停下来细想。十个AI项目里，有八个——资金到位、人员配齐、正式启动——没能做到它们本该做到的事。

失败原因的拆解颇具说明意义。在所有失败案例中，33.8%的项目在到达生产环境之前就已放弃——死在试点、概念验证阶段，或者死在某次有人终于发问”我们要解决什么问题”的会议上。另有28.4%的项目走完了全程，却未能兑现预期价值——系统在技术层面运转正常，但没有人使用它，或者它解决的是错误的问题，或者它本想改善的工作流早已自行绕道而行。

在过去两年里，至少放弃过一个AI项目的企业占比，从17%跳升至42%。AI支出最高的金融服务业，失败率以82.1%领跑；医疗行业为78.9%；制造业为76.4%。

而这项发现，几乎解释了其他一切：配置了专职变革管理资源的项目，成功率是没有配置的项目的2.9倍。那20%的成功者与80%的失败者之间的差距，不在于模型，不在于算力，不在于数据——在于有没有人提前准备好了那些使用者。

“按钮”问题

那位认为AI不过是一个按钮的决策者，代表了一种行业一直不愿明说的特定失败模式：管理层的AI盲区。

这不是说这些管理者愚蠢。他们中的许多人白手起家，在复杂的市场中闯荡，在不确定中做了几十年决策。但AI不同于以往的技术变革。你把 Excel 发给团队，他们第二天就能上手——电子表格的比喻是直觉性的，学习曲线可控，产出清晰可见。你给团队上线一套项目管理工具，工作流的变化重大但边界清晰——能看到旧流程在哪里结束，新流程在哪里开始。

AI不是这样运转的。AI改变的是工作本身的形态。编程助手不只是让打字变快——它改变了开发者把时间花在哪里，这改变了代码评审的含义，这改变了技术债的管理方式，这改变了项目排期的逻辑。客服机器人不只是让响应更快——它改变了人工客服处理什么样的问题，这改变了招聘画像，这改变了培训体系，这改变了整个客服成本结构。

那位说”把聊天气泡加进去”的管理者，是在用旧软件的思维模型套用AI问题：安装工具，培训团队，量化产出。但AI的工作流变化不是有边界的，而是连锁式的。如果管理层不理解这一点——如果他们以为买的是一个按钮，实际买的却是一次流程再造——这个项目就会跌入那80%。

还有一种统计数字捕捉不到的失败模式：羞耻感。当一个新工具没能按预期运转，大多数人不会举手示意，而是再试一次，再试一次，一次又一次——悄无声息地制造着重复记录、临时替代方案和复合叠加的错误，直到有人注意到时为止。在我们观察过的一次真实部署中，一位操作员因为不好意思向上司请教系统怎么用，悄悄创建了四条重复记录。问题不在工具，也不在培训——根本没有培训。问题在于没有人创造出一个可以大声说”我不明白”的安全空间。变革管理不只是一套流程框架，它是一种允许迷惑的许可。

这份承认

2026年5月4日——同一天，相差数小时——OpenAI 与 Anthropic 各自宣布了企业咨询业务。

OpenAI 推出了”The Deployment Company”，这是一个由 TPG 及19名投资者联合出资的100亿美元载体，承诺17.5%的年化回报。由 COO Brad Lightcap 主导，目前已在洽谈收购三家AI服务公司。OpenAI 同步深化了与麦肯锡（McKinsey）、波士顿咨询（BCG）、埃森哲（Accenture）及凯捷（Capgemini）的合作——正是这些每小时收费500美元、专门告诉企业其员工早已知晓之事的咨询巨头。

Anthropic 宣布与高盛（Goldman Sachs）、黑石（Blackstone）及赫尔曼-弗里德曼（Hellman & Friedman）成立一家15亿美元的合资企业，明确以 Palantir 的前沿部署工程（forward-deployed engineering）模式为蓝本：将工程师嵌入客户公司内部，从内部重新设计工作流。与此同时，EPAM 宣布计划培训1万名”Claude认证架构师”及250名专业”黑带”工程师。

两家公司。同一天。同一项承认：光有模型，远远不够。

这不是转型，而是一份供词。四年来，前沿AI实验室卖的是模型——API、订阅、token。隐性承诺是：模型会完成那些工作。插上就能用。模型越聪明，创造的价值越大。规模化模型，规模化价值。

80%的失败率，就是那份承诺的收据。

他们真正在卖什么

撇开新闻稿和合作公告不看，OpenAI 与 Anthropic 现在卖的不是咨询，不是”AI转型服务”，甚至不是专业能力。

他们卖的是本该随产品附赠的那本使用手册。

买车时，厂商默认你会开车。如果八成的买家在第一年出了事故，厂商不会说”我们的车没问题，是司机的问题”。他们要么重新设计汽车，要么开始卖驾驶课。

前沿实验室选择了卖驾驶课。但他们没有叫它”驾驶课”——他们叫它”企业AI服务业务”，定价100亿美元。

这步棋的精妙之处——确实足够聪明——在于它把一次产品失败转化成了一条营收曲线。模型在企业里跑不通？这不是问题，这是市场。卖模型，再卖让模型跑通的咨询，再把工程师深度嵌入企业，深到离开的代价不只是替换掉模型，而是连带拆掉整套围绕它重建的工作流。

这是一种 SaaS 公司做梦都想实现的深度绑定。Salesforce 嵌入你的销售流程，Oracle 嵌入你的数据库。OpenAI 和 Anthropic 嵌入的是你的运营，用他们自己的工程师坐在你员工旁边，重塑你公司真正的运转方式。

Palantir 模式

与 Palantir 的类比并非随意——Anthropic 和 OpenAI 都明确援引了它。而 Palantir 的打法是有据可查的。

Palantir 的前沿部署工程师不只是安装软件。他们学习客户的业务，识别 Palantir 工具能够创造价值的环节，构建定制集成，并成为那个特定组织内AI系统运转方式的机构记忆持有者。随着时间推移，这位 Palantir 工程师变得不可或缺——不是因为软件无可替代，而是因为他是唯一懂得软件如何与公司独特流程相连接的人。

当合同到了续签节点，问题不再是”这套软件值不值”，而是”我们负担得起失去那个理解整套系统如何运转的人吗”。

这正是 OpenAI 和 Anthropic 正在采用的模式。不是软件授权，不是API计费，而是组织依赖。一种让退出代价不是迁移，而是重组的绑定。

这对那80%意味着什么

一个让人不舒服的真相是：这些咨询业务或许真的会改善企业AI落地的成功率。懂得模型、又懂客户业务的嵌入式工程师，会比一个以为AI是个按钮的决策者产出更好的结果。项目会更频繁地成功，投资回报会真正落地，80%的失败率会下降。

而这，恰恰是问题所在。

成功率的提升，一部分来自企业自身的AI能力成长——人在使用中确实会学习，学习曲线是真实的，尽管缓慢。但咨询模式通过租用专业能力而非自己积累，压缩了这条曲线。企业学得更快了，但最深层的知识——模型如何与具体工作流连接、为什么某些配置有效而另一些无效——活在顾问的头脑里，而非写进客户自己的组织架构图里。

当下一代模型到来时——而它总会到来——企业将需要同样的嵌入式工程师，将新模型适配到同样的工作流上。咨询合同续签，依赖加深，绑定复利滚动。

80%的失败率是一个问题。咨询业务解决了它。但解决方式，像极了一种药物治疗症状的方式：制造出一种对同一种药物无限期的依赖。

没有人在卖的那条路

还有另一条路，一条没有人打包进100亿美元载体里的路：在内部建立能力。

那20%的成功企业有一个共同点——不是更好的模型，不是更大的预算，而是专职的变革管理。组织内部有一个人，职责是理解工具、重构流程、培训人员、持续迭代落地方案。不是厂商的工程师，不是完成项目就走人的顾问，而是留下来的人——积累上下文，理解公司为什么以这种方式做事的那个人。

这里有一个辛辣的讽刺。AI实验室之所以要建立前沿部署工程团队，正是因为他们深知：上下文——深度的、具体的、机构性的上下文——才是让AI在实践中真正运转的关键。他们是对的。但他们把这种上下文作为服务来卖，而不是帮助企业自己积累它。

圣地亚哥有一位开发者，在一台成本不到一个月企业咨询费的迷你主机上运行七个AI实例。他钉住了自己的CLI版本，关闭了自动更新，自己设定推理投入级别，用纯文本HTTP协议构建了实例间的通信机制。没有厂商，没有顾问，没有嵌入式工程师。只有一个决定亲自理解工具、而不是等待别人替他理解的人。

这就是那20%。不是预算，不是合作，而是一个决定。

那根针，那堆草

那位把公司对AI的理解描述为”应用里的一个按钮”的产品经理，不知道自己描述的是一个6840亿美元的问题。他只是在倾诉工作的苦楚。

但这种挫败感——管理层以为AI能做什么，与它实际需要什么之间的落差——正是两家万亿美元公司刚刚花115亿美元要填补的那个市场。不是因为他们在乎这位产品经理的苦楚，而是因为他们意识到，这种苦楚本身就是一条营收曲线。

80%的失败率，是前沿AI实验室遇到过最好的事。它证明了模型本身不够用。而在证明模型不够用的同时，它创造了一个市场——一个容纳它们想卖的一切其他东西的市场。

他们真正失败的原因

在统计数字之下，在咨询业务和绑定策略之下，有一个更简单的解释，说明为什么80%的AI落地会失败。不是技术问题，不是财务问题，而是一个哲学问题。

失败的企业问的是：“我们可以替换掉多少人？”

成功的企业问的是：“这些人现在能做哪些以前做不到的事？”

第一个问题通向那个按钮——安装工具，缩减人员，提升利润率。AI作为成本削减手段。那位说”把聊天气泡加进去”的决策者，回答的正是第一个问题。他不需要理解工具，因为工具的职责就是消灭对理解的需求。插上，裁员，汇报节省额。

第二个问题通向基础设施建设。它通向一个钉住CLI版本的开发者，因为他要让模型精确地做他需要的事，而不是默认配置规定的事。它通向分布在三台机器上、由九个AI实例组成的系统，每一个都经过专门化，每一个都在积累让自己随时间变得更有用的上下文。它通向一位公证办公室的操作员——沉默地失败了四次之后——终于有了一个专门为她搭建的支持频道，让她可以提问，不再觉得羞耻。没有人被替代，系统获得了它原本不具备的能力。

那80%把AI当作替代人类判断的工具。那20%把它当作延伸人类能力的工具。差别不在模型，不在预算，在于站在顶端的那个人相信自己买的是什么。

供词已经摆在桌上。问题是，企业会把它听成一个警告——准备好你的人，否则总有人替你做，而你永远不会停止付出代价——还是把它当成一份邀请，签下下一份合同。