80% AI 項目失敗——但中小企反而有優勢
AI 項目的失敗率不是秘密。RAND Corporation 2024 年研究發現，據部分估計，超過 80% AI 項目失敗——大約是非 AI IT 項目失敗率的兩倍。BCG 2025 年分析亦見同一格局：全球 60% 公司在大量投資之下，仍然沒有從 AI 度產生任何實質價值。
這些數字聽起來令人沮喪。但其實不應該——因為失敗原因有據可查、可預測、可避免。中小企在這裡反而有優勢：行得快、決策鏈短、一日之內就實施得到治理，毋須等一個財政季度。
本文拆解 AI 項目為什麼失敗、成功的中小企做法有什麼不同，以及一套將失敗風險降到最低的六步模式。
為什麼 AI 項目會失敗？
失敗原因不是什麼高深技術問題，而是戰略與營運上的基本功。
1. 先買工具，後考慮流程。 最常見的失敗：買了個 AI 工具，先來考慮取來做什麼。OECD 研究顯示，57.3% 未採用者表示 AI「唔啱佢盤生意」——許多時即是他們未定義具體工作流就試了。解法：報名任何平台之前，先定義剛好兩個第一週就要 work 的工作流（通常是非營業時間自動回覆與 lead 篩選）。
2. 期望膨脹。 Gartner 2026 年研究顯示，高層往往期望立即慳人手，但科技支出升得快過人手跌。當老闆承諾「AI 包晒」而現實是「AI 處理 60%、團隊執返其餘」，個項目就算運作正常都會被當失敗。解法：將期望定在「AI 接重複工作，團隊專注複雜工作」——這個才是數據撐得住的。
3. 沒有量度框架。 McKinsey 發現，不足五分之一的機構會追蹤 AI 的 KPI。沒有量度就沒有人證明到 AI 有用——而 24% 香港企業將「商業理據／ROI 唔清晰」列為表現不要的主因。解法：由第一日起追蹤四個指標：首次回覆時間、AI 解決率、收到的 lead、每宗對話成本。
4. 治理缺口。 只得 28.6% 中小企有 AI 指南、23.6% 有培訓。沒有治理，AI 使用就變得不一致、有風險、無人問責。解法：開之前寫一頁治理政策——八個決定，有文件，與團隊分享。
5. 忽視知識庫。 AI 你餵什麼它答什麼。過時的價錢、錯的政策會產生錯答案——比沒有 AI 更快摧毀信任。Intercom 的 Breathe 案例顯示，單靠知識庫改善，解決率就由 56% 升到 88%。解法：將知識庫當活系統——任何變更後立即更新、每週檢視、每季審核。
6 步反失敗模式
綜合 McKinsey、OECD、Gartner 與公開案例的規律，成功的中小企部署有以下共通點：
- 選一個高流量、低後悔的工作流。 由非營業時間回覆、FAQ 或 lead 捕獲開始。不要「所有嘢」。
- 定義「解決」是什麼意思。 一宗解決了的對話＝客獲得準確答案、被預約、或者聯絡方式被收回跟進。沒有這個定義就量度不到成功。
- 為數據與動作建防護。 寫一份簡單治理政策，還是明 AI 可以與不可以做什麼，設轉交觸發。1–2 個鐘，防到最常見的信任失敗。
- 量度轉交質素，不只轉移量。 高轉移率加爛轉交，比中等轉移率加優質轉交更差。
- 令人手選項明顯。 89% 消費者認為公司應該永遠提供找真人的選項。不要將它埋在三層 menu 後面。
- 將頭六個月當治理與學習期。 不是 victory lap。完善知識庫、調對話流程、改轉交規則，砌起支撐擴展的數據。
這套不是反創新，而是證據話給我們知 AI 價值實際是點創造出來。
企業級失敗 vs 中小企失敗：差在哪裡？
兩者的失敗成因好不同，這個差異正正是中小企的機會。
| 失敗源頭 | 大企業 | 中小企 |
|---|---|---|
| 範圍 | 一上來想自動化幾十條流程 | 可以聚焦一條工作流 |
| 決策速度 | 委員會、季度週期 | 老闆一日內話事 |
| 知識庫 | 散落幾十個系統、難統一 | 老闆自己最清楚答案 |
| 量度 | 指標多到淹沒、難歸因 | 四個指標就看通盤生意 |
| 修正成本 | 改一次要重新審批 | 5 分鐘改篇文章即見效 |
換句話講，企業失敗多數因為「太大、太慢」；中小企只要避開「先買後諗」與「知識庫求其」兩個陷阱，成功率其實高過大公司。一間旺角的小店，比一間跨國企業更快將 AI 客服由「買咗」變成「真係 work」。
一個務實的起步順序
如果你只記得一件事，記住「窄而深」：
- 第 0–1 週： 寫下兩條必須 work 的工作流 + 一頁治理政策，砌起覆蓋頭 10–15 條常見問題的知識庫。
- 第 2–4 週： 上線一個渠道（多數香港生意是 WhatsApp），每日看對話日誌捉錯。
- 第 2–3 個月： 加對話流程、調轉交規則，開始計 ROI。
- 第 4–6 個月： 數據站得住才擴渠道、擴用途。
OECD、McKinsey、Gartner 的研究一致指向同一結論：由窄處證明價值，再擴展，是最低風險的路。
常見問題
80% 失敗率是真嗎？
RAND 的講法是「據部分估計」——是企業 AI 項目結果的綜合，不是一個普世量度。但方向訊息可靠：大量 AI 項目去不到有意義的生產價值。對中小企來說，失敗原因更簡單（選錯工作流、沒有量度、知識庫弱），所以比企業級失敗更易修正。
為什麼中小企比大企業更易成功？
決策鏈短、範圍細、迭代快。大企業改個工作流要委員會批；中小企老闆 5 分鐘更新一篇知識庫文章、10 分鐘調一條對話流程，第二天早上就見到效果。迭代速度就是中小企的優勢。
失敗了的 AI 部署救不救得返？
救得。多數中小企的 AI「失敗」不是永久——是配置問題。AI 答錯（知識庫問題）、團隊不用（培訓問題）、流程對不上真實客戶模式（設計問題），三樣都是幾日內搞得掂，毋須幾個月。想知如何訓練團隊用，可以看 團隊如何與 AI 客服協作。
邊樣最能降低失敗風險？
由窄處開始。為一個具體工作流部署 AI、證明了 work 才擴展的生意，失敗率遠低過同時自動化所有東西的。這個發現在 OECD、McKinsey 與 Gartner 研究入面一致。想知開之前要定什麼規則，可以參考 中小企 AI 治理指南。
應不應該擔心 AI 在面對客戶時失手？
風險真實但可控。最重要的防護是一條清晰轉交規則：AI 不肯定或者查詢複雜時，轉真人而不是靠估。這個單一設計決定，防到最傷的失敗模式——自信地給錯答案給客。
資料來源：
- RAND Corporation「Why AI Projects Fail and How They Can Succeed」（2024）
- BCG AI 採用研究（2025）
- McKinsey State of AI（2025）、Gartner（2025、2026）
- OECD「Generative AI and the SME Workforce」（2025）
- Intercom／Breathe 案例（2025）、Forrester 2026 科技預測