人工智慧（Artificial Intelligence, AI）的無聲危機：為什麼 85% 的機器學習（Machine Learning, ML）專案從未進入生產環境

人工智慧的承諾吸引了全球董事會的目光，驅動了數十億的投資與策略轉向。然而，在生成式 AI 突破與自動化未來的頭條新聞之下，存在一個嚴峻的現實：絕大多數的機器學習（ML）計畫未能帶來具體的商業價值。

近來的產業分析揭示了一個令人警醒的統計數據：歷史上，ML 專案的失敗率曾高達 85%。即便在如今較為成熟的環境中，2023 年的一項調查也顯示，只有 32% 的從業者回報他們的模型成功進入生產環境。這種潛力與執行之間的落差不僅僅是技術障礙；它是根植於組織如何構思、構建與部署人工智慧解決方案的一個系統性問題。

在 Creati.ai，我們分析了來自行業資深人士的最新見解，以拆解導致這一失敗率的五大關鍵陷阱。理解這些障礙是將實驗性程式碼轉化為生產級價值的第一步。

陷阱一：定錯問題的陷阱

最根本的錯誤發生在還沒寫下一行程式碼之前：優化了錯誤的目標。在搶搭 AI 熱潮的過程中，組織經常把技術可行性或「炒作」放在商業必要性之前。調查顯示，只有 29% 的從業者認為他們的專案目標在一開始就被清楚定義，而超過四分之一的人表示明確目標很少被設立。

成功的 ML 實作需要三個因素的精確對齊：可被需求面接受（desirability，利害關係人的需求）、獲利性（profitability，商業影響足以證明成本）與技術可行性（technical feasibility）。

以金融科技場景為例，當多個業務線競爭 AI 資源時，專案常因以時髦詞彙做宣傳而非具體成果而失敗。相反地，成功案例——例如用於個人銀行的預測模型——具有共同特徵：直接關聯營收，且能整合到現有系統中，ML 元件只是取代了效率較低的既有方案。

關鍵重點：如果商業目標需要後期大幅轉向，ML 管線（如資料工程、目標函數）的剛性會讓調整變得昂貴。團隊必須在一開始就問辛辣的問題：這個問題真的需要 ML 嗎？預期的利潤是否能證明基礎設施成本？

陷阱二：資料品質──隱藏的冰山

「Garbage in, garbage out（輸入垃圾，輸出垃圾）」之所以成為老生常談，是有理由的。資料問題仍然是專案失敗的最大技術原因。雖然組織通常有標準的資料清理與特徵工程流程，但這些表層程序常常無法發現更深層的結構性缺陷。

對同行評審的 ML 論文回顧發現，資料洩漏（data leakage）——訓練資料意外包含來自目標變數的資訊——損害了數十篇研究的結果。在企業環境中，這表現為模型在測試時表現驚人，但在真實世界中卻災難性地失敗。

超越洩漏之外，標註問題往往被低估。團隊可能假設原始資料就足夠，卻在投入高品質「黃金測試集」（golden sets）做評估時發現這是不可妥協的投資。資料孤島進一步加劇問題，導致團隊因無法取得隱藏於其他部門資料庫的關鍵特徵而得出「無解」的結論。

資料準備的現實：

• 洩漏：需要嚴格分離訓練與測試環境。
• 孤島：因資料分散，團隊常錯過具預測力的特徵。
• 標註：若對標準答案無共識，模型訓練毫無意義。

陷阱三：模型與產品之間的深淵

運作中的原型與可上線的產品之間存在深刻差異。Google 對 ML 系統的著名評估指出，實際的 ML 程式碼常常只是整體架構中最小的一部分。周邊的基礎建設——服務系統、監控、資源管理——才構成工程工作的大宗。

以檢索增強式生成（Retrieval-Augmented Generation, RAG）為現代例子。用一個大型語言模型（Large Language Model, LLM）的 API 和向量資料庫構建示範相對簡單。然而，要把它變成面向客戶的客服代理，則需要複雜的工程工作：延遲降低、隱私防護、幻覺防禦與可解釋性功能。

這個「模型到產品」的落差是 機器學習運維（MLOps） 變得關鍵的地方。把模型當成最終交付物而非更大軟體生態系統中的一個元件的團隊，必然會掙扎。成功需要跨職能的協作，在解決工程限制的同時兼顧模型準確度。

陷阱四：離線與線上之間的不協調

或許最令人沮喪的失敗情況是：模型在離線測試上完全驗證，但部署後反而惡化了使用者體驗。這種不協調發生，因為離線指標（如準確率或精確度）很少能與商業指標（如留存或營收）做 1:1 的對應。

一個經典例子是為新用戶解決「冷啟動」問題而設計的照片推薦系統。離線上，模型依視覺內容成功識別出高品質照片。然而部署後，用戶會話時長下降。系統在技術上是準確的，但在功能上卻造成干擾——儘管推薦是「高品質」的，使用者卻因推薦的同質性而感到無聊。

解決之道：不要在真空中過度優化。目標應該是盡快進入 A/B 測試（A/B testing）階段。真實世界的回饋是唯一重要的驗證。

陷阱五：非技術性的阻礙

令人驚訝的是，最強大的障礙往往不是技術性的。缺乏利害關係人的支持與規劃不足常常高居部署阻礙的榜首。沒有 AI 背景的決策者可能低估了機器學習（machine learning）專案固有的不確定性。不同於傳統軟體，其輸入與輸出是決定論的，ML 是機率性的。

當利害關係人期待立即的完美或不理解模型需要學習與迭代時，經費會被削減，專案被放棄。教育是 AI 從業者的一項核心責任。利害關係人必須理解風險、對穩健資料管線（data pipelines）的需求，以及並非每一次實驗都會產生回報的現實。

為了緩解這點，成功的組織通常會將其產品組合分開：一個用於高風險、可能帶來顛覆性改變的孵化器，以及一條用於擴大已驗證、風險較低解決方案的精簡生產線。

成功的策略框架

為了迴避這些陷阱，組織必須採取對人工智慧實施（AI implementation）有紀律的方法。下表概述了從常見失敗模式到最佳實務的轉換。

結論

機器學習專案的高失敗率並非對技術的否定，而是對其實施複雜性的反映。成功很少來自發現新穎的架構；而是來自嚴謹的問題選擇、紀律化的資料工程，與縮短資料科學家與商業利害關係人之間文化落差的努力。

對於希望在 AI 時代領先的組織，前進的道路需要超越炒作。它需要對不確定性的務實接受、對 MLOps 最佳實務的承諾，以及對用正確資料解決正確問題的不懈專注。唯有如此，85% 的失敗率才能被逆轉，將潛力轉化為生產力。