这两年，在AI技术的快速发展的大趋势下，推动了很多传统企业数字化转型的进程。
然而在实际落地过程中，可以看到，AI与业务的结合，往往“雷声大、雨点小”。
很多先进技术对企业的业务影响，总是“隔靴搔痒”，让业务方对智能化技术的实际价值踌躇不定！
有人说，AI浪潮就像二十年前互联网一样，很快就会席卷各行业。但这个过程，可能比想象的更加漫长。
产生AI落地阻力的原因是多方面的。
一方面是技术本身的特质。
在互联网时代，数字技术主要解决的是业务线上化的过程，所有的业务活动都是在物理世界先定义好，然后再到数字系统中被“复现”一遍。
例如某个合同审批流程，之前线下是哪个部门审批还是哪个部门审批，只是无纸化办公了，所有的业务逻辑和决策判断依据没有发生变化。
该由人完成的事务还是由人完成，尽管引入了互联网技术，只是影响流程效率，不影响流程结果。
而在业务中引入AI技术就不一样，事务的处理方式变了，执行主体由人变成了机器。
而大多数的AI技术的底层技术模块大都是基于稠密向量计算的“黑盒”推理逻辑，这就导致AI输出结果极不可控，且对应的结论可解释性也较差。
例如，很多自媒体平台会根据用户的行为日志对其进行"限流”，而当这个用户感到莫名奇妙被"冤枉”想要向平台申诉时，即便是官方客服也经常难以给出令人满意的解释 ...
在企业应用中，AI技术会引入对流程的“失控感”，而风险是几乎所有企业都厌恶的，甚至比成本还更加敏感，AI技术落地到实际业务应用时，其准确性门槛要求非常高。
而为了达到特定的算法准确度，需要投入大量的研发成本，当这个研发成本大于长期人工成本时，企业就会放弃这个“AI替代”的项目。
因此，尽管在理论上很多AI技术也是可以对业务替代，但是经济账划不来，最终也会难以落地。
二是责任和伦理问题。
这个议题在AI技术发展过程中，讨论过很多遍，在此不多赘述。责任的缺位会导致组织的考核激励失衡，风险控制失衡，利益分配失衡等诸多问题。
三是“长尾需求”。
当前大多数的AI技术依赖于一定规模的可见数据集的训练，但是在实际业务中，零样本、小样本问题比比皆是。
例如，上过班的人都知道，每天处理的事情绝大多数是没有见过的“坑”，世界就是个草台班子，哪有那么多规范、标准的事务来处理。
当大多数业务问题都是非标准化，几乎没见过的，AI很容易失灵。这种情况下，AI技术的服务效果就没有“人”来的敏捷灵活。
四是“业数融合”困难。
传统业务从业者理解互联网很容易，但是理解AI技术的门槛更高。AI技术从业者与其他传统业务领域的专业性隔阂更大。
因此，业务人员对于AI技术的能力边界缺少基本的认知和判断，导致AI产品研发团队很难有效地与业务人员在解决方案上达成一致性。
很多业务人员认为很简单能做到的事情，AI技术可能几乎无法实现；反过来，业务上一些看似很难完成的任务，对于AI来说也许早就得到解决。
这主要是因为，人和机器的求解业务问题的底层机理是不同的，因此非AI领域人员难以客观地评价AI的能力或理解AI的输出行为。
也正是基于此，关于AI应用的讨论往往是不愉快的，面临着过高或过低的期待，容易让业务方和技术方之间彼此产生不信任，从而影响好的“AI”需求的发现与落地。
