概念验证，回答的是「这件事技术上能不能做到」；上线要回答的是「每天、对真实用户、在预算内能不能一直做到」。两个问题只差几个字，中间隔着数据、监控、系统集成和使用者的信任。很多 AI 项目演示时掌声热烈，几个月后仍停在测试环境，原因通常就在这段距离里。
这篇文章不讲模型怎么选，只讲一件事：在概念验证结束之前，哪些问题必须有答案，否则就不该宣布「验证通过」。
四个数字的统计口径各不相同，不能相加或互相换算。完整出处见文末「本文引用的研究」。
概念验证，证明的和生产需要的不是一回事
演示环境是被精心控制过的：数据是清洗好的一次性导出，操作的是项目组自己，只走成功路径。这不是作弊，概念验证本来就该这样做，因为它只需要证明可行性。问题出在把「可行」直接当成了「可上线」。
公开研究给出的原因也集中在这一侧。Gartner 预测生成式 AI 项目在概念验证后被放弃的理由是数据质量差、风险控制不足、成本上升和业务价值不清，没有一条是「模型不够好」。RAND 访谈了 65 位有五年以上经验的数据科学家与工程师，归纳出的五个根因里，排在前面的是对要解决的问题理解或沟通有误，以及缺少训练所需的数据。
概念验证：结束前先过这五道闸门
下面五个问题，每个都要有能拿出来给别人看的证据，而不是会上的一句「没问题」。任何一道过不去，结论应该是「验证了技术可行性，尚不具备上线条件」，并写明差什么。
从验证到上线，建议分四步走
影子运行这一步最容易被跳过，也最值得做：它在不影响业务的前提下，把真实数据里的漂移、异常输入和使用者的真实反应提前暴露出来，而这些恰恰是离线测试看不到的。涉及智能体的场景，可以结合 AI 智能体 与 库存管理智能体用例 看分级自动化怎么落地。
⚠️ 一个常见的成本误算：把概念验证阶段的单次调用成本乘以用户数，当作生产预算。
上线后还会出现这些在演示阶段几乎为零的开销：数据接入与定时刷新、监控与日志存储、回退链路、人工复核工时、故障值守。做预算时逐项列出，哪怕先填估算值，也比漏掉强。
概念验证，在国内企业里还要多答两题
第一题：结果能不能被复核
审计、内控、监管报送这类场景，评审时一定会追问：用的是哪一版数据、口径是谁定的、哪一步被改过、改之前的结果是什么。如果概念验证阶段的处理过程只存在于某个人的笔记本里，上线评审就会卡在这里。
办法是从概念验证开始，就把数据处理步骤固化成可以回放的流程。用脚本配合版本管理可以做到，用可视化工作流也可以做到，关键是第三方能够逐步复核，而且人员交接后别人接得住。两种方式的取舍，可以看 为什么要可视化工作流；模型推理过程的可追溯，可以看 推理引擎：让 AI 决策可解释、可追溯、可审计。
第二题：数据能不能出去，环境能不能跑
《数据安全法》《个人信息保护法》对数据处理与向境外提供数据都规定了明确义务。概念验证里图方便调用的公有云接口，到上线评审时可能因为数据不能出域被否决，届时要么改私有化部署，要么换方案，前面的工作可能要重做。
如果目标运行环境是国产操作系统或国产芯片服务器，模型框架、依赖库和驱动的兼容性也应该在概念验证阶段就实测，而不是等到上线前才发现某个组件没有对应版本。这两件事越晚确认，返工代价越大。
本文引用的研究
| 出处 | 时间 | 说了什么 | 阅读时注意 |
|---|---|---|---|
| RAND：The Root Causes of Failure for Artificial Intelligence Projects | 2024 | 引述外部估计：超过 80% 的 AI 项目失败，约为非 AI 类 IT 项目的两倍；访谈 65 位从业者归纳五个根因 | 80% 是 RAND 引用的估计，不是其自行统计 |
| Gartner 新闻稿 | 2024-07 | 预测到 2025 年底，至少 30% 的生成式 AI 项目会在概念验证后被放弃，原因包括数据质量差、风险控制不足、成本上升、业务价值不清 | 是预测而非事后统计，且只针对生成式 AI |
| BCG：Where’s the Value in AI? | 2024-10 | 调研 59 个国家约 1000 名高管：26% 的企业具备走出概念验证、产生实际价值的能力，74% 尚未看到实际价值 | 衡量的是企业整体能力，不是单个项目成败 |
| NIST AI 800-4：Challenges to the Monitoring of Deployed AI Systems | 2026-03 | 基于从业者研讨会与文献综述，把部署后监控分为六类，列出日志分散、性能退化难以发现、缺少公认工具等障碍 | 美国联邦机构视角，监控分类对国内项目同样有参考价值 |
| Google：Rules of Machine Learning（需境外网络访问） | 长期维护 | 工程实践指南，前几条强调先设计指标、先把基础设施做对、第一个模型保持简单 | 写于传统机器学习时期，原则对大模型项目仍适用 |
说到底，概念验证，不等于生产就绪。把五道闸门的证据在验证阶段就准备好，比在掌声之后再补要便宜得多。
