AI 项目到底卡在哪里？
2026 年，几乎每一场行业峰会都在讲同一件事：AI 是这一轮商业竞争的胜负手。资本追着"智能体"概念跑，芯片巨头的市值一次次刷新纪录，创业公司的故事里只要有"AI"两个字，就好讲得多——这一片火热，…
A complex system that works is invariably found to have evolved from a simple system that worked. 一个能跑起来的复杂系统，几乎总是从一个能跑起来的简单系统演化来的。 ——约翰·加尔（John Gall），《系统论》（Systemantics）
2026 年，几乎每一场行业峰会都在讲同一件事：AI 是这一轮商业竞争的胜负手。资本追着"智能体"概念跑，芯片巨头的市值一次次刷新纪录，创业公司的故事里只要有"AI"两个字，就好讲得多——这一片火热，是真的。
但把目光转到企业的生产系统里，画风则完全不一样。MIT NANDA 的一份报告给出一个数字：95% 的组织，从生成式 AI 身上拿不到任何可测量的损益影响1。翻译成大白话：显卡买了，token 也在源源不断地烧，账上却看不到一分钱回报。
数字背后是具体的人、具体的沮丧——2021 年，一位干过部署工作的工程师在 Hacker News 上说："它让我成了一个更差的工程师。"2五年后，一位中国的 AI 交付工程师换了个说法，意思没变："四版迭代下来，最大的帮助是给领导提供情绪价值。"3
Demo 的时候，人人都说这次是真惊艳；可一到真正落地，为什么全卡住了？到底卡在哪儿了？同一个问题，不同的人会给出不同的答案。我们接下来要做的，就是把这些答案摆在一起，看看它们说的，会不会其实是同一件事。
一、落地卡点真实存在
AI 落地的卡点不是感觉，是有数字支撑的事实。
MIT NANDA 实验室 2025 年发布的《GenAI Divide》报告给出了三个数字1：
- 95% 的组织，没有从 AI 获得可测量的损益影响——报告原话是"无可测 P&L 影响"（P&L 即损益，指说不清对盈亏的影响），不等于"95% 的项目失败"，两个说法经常被混用，但不是一回事；
- 仅约 5% 的定制企业 AI 工具真正进入了生产环境；
- 在采购策略上，外购（约 67%）远多于自建（约 33%）——但"买"也没有解决问题：买了，照样停在 Demo。
第三个数字特别值得停一下：多数企业的第一反应是"买"，而报告显示买来之后卡点依旧。这说明缺的不是 AI 工具的供给，是把工具装进业务的能力。报告本身的归因也指向这个方向：卡点不在模型能力，在学习缺口（组织还没学会怎么用）与集成。
二、第一堵墙：集成
那么"装进业务"到底卡在哪里？一线的答案比想象中要土。
绝大多数"AI 用不起来"的企业，先撞上的根本不是模型墙，是二十年来没打通的系统墙：数据躺在七八个互不相认的系统里，流程横跨三套工具，接口是十年前离职的人写的。AI 并没有修复这堵墙，Agent 也不会自动修复它（第 9 章展开）4。
模型能力这几年翻了几个数量级，这堵墙一寸都没动过。它不歧视任何模型——你换再强的模型，墙还是那堵墙。
三、第二堵墙：权限
第二堵墙更隐蔽：Agent 撬不动企业里的权限体系。
Agent 只拥有其背后用户的原有权限，卡住了也不会像真人同事那样靠人情与变通绕过权限墙4——所以 Agent 落地到企业里，常常死在第一步：它连需要的数据都拿不到（第 10 章展开）。
集成与权限，这两堵墙有个共同点：**它们都不是技术问题，是"没有人对打通它们负责"的问题。**模型厂商不管，软件供应商不管，客户的 IT 部门各有各的边界——卡点就在这些"三不管"的缝隙里。
四、Demo 之后的一周
以下示例由多方真实教训综合改写：人物与公司虚构，用于展示落地卡点的形状。
一套智能客服 Agent，演示当天表现完美：问答流畅、结论准确、大屏漂亮。接入真实工单系统的第一周——
第一天，权限墙：工单数据在三个系统里，Agent 的账号只申请到了其中一个的只读权限。等审批。
第三天，工具误操作：权限打通了，Agent 在一次批量操作里把测试数据写进了正式字段。回滚用了一下午。
第五天，效果退化不可测：换了版本之后，客服主管说"感觉变差了"，工程师说"我看不出差别"——没有人有基线，没有人能证明任何东西。
第二周，业务部门不用：一线客服还是用旧工单界面，"新系统点进去还要多一步"。系统绿着，用的人数为零。
每一堵墙，本书后面都有一章专门处理：权限（第 10 章）、工具边界（第 11 章）、效果可证（第 12、13 章）、没人用（第 15 章）。这里先让读者看见它们排在一起的样子——Demo 与生产之间，隔的从来不是"再聪明一点"，是一串各有姓名的墙。
五、质量的卡点有具体的深度
墙之外，还有一个更细的卡点可以量化：质量。
X上（原推特）有保险从业者公开过一组数字：内部智能体首次上线的真实准确率约 70%，合同承诺超过 98%5。从 70 到 98 的这 28 个百分点，就是实打实的"交付能力"——它不是靠调 prompt 调出来的，是一整套评测与回归的循环垫出来的（完整展开见第 7 章与第 12 章）。
还有一道更慢的差距：模型能力一年内从一代跳到下一代，落地速度却远远落后6。这符合许多人的直观感受：AI 能力狂奔，世界感觉平淡，就像自动驾驶的技术曲线早已陡峭、街上的车流却照旧。这道"采用差距"与 MIT 的数据互证：卡点不在能力，在采用与集成。本书第 15 章与第 28 章专门讨论。
六、主角出现
把上面的线索合起来：
- 卡点存在且可测量；
- 卡点的名字叫集成、权限、评测、组织激励——全都不是模型问题；
- 这些墙的共同特征是没有直接负责人：没有一个人对"上线、可用、可维护"负责到底。
于是可以给出本章的核心观点：模型能力是通用商品，把模型装进具体业务的能力是稀缺品——FDE（Forward Deployed Engineer，本书统一称"前线部署工程师"；招聘语境也常称"前沿部署工程师"）这个角色在 2026 年的爆发，正是市场对这一卡点的定价。
它不是新发明。Palantir 在二十多年前就用"前线部署工程师"的组织形态跑通过这套打法：把工程师派到客户现场，对真实运行的结果负责。2026 年，市场重新需要它：咨询巨头把它做成服务线，模型公司亲自下场组建交付组织（第 4 章的时间线会逐日摆开）。
接下来的六部二十八章，就是把"修哪些桥、谁来修"这句话拆开：它是什么（第一部·角色与边界）→怎么交付（第二部·从发现到生产）→工程墙（第三部·工程底座）→采用与移交（第四部）→生意（第五部·商业与产品化）→人与组织（第六部）。
开篇那句加尔定律，就是这条路线图的另一种说法：能跑起来的复杂系统，从来不是设计出来的，是从一个简单可用的系统一步步演化来的——而"演化"这两个字背后，必须有人一步步负责走完。
第一张清单，从最基本的问题开始：FDE 到底是什么——他对什么结果负责？