生成式AI可能是21世纪最大的商业伪需求
一台西装定制机，放在了经济型酒店的角落里。24小时无人值守，生成式AI量体，在线定制。房价不到300块的那种酒店。
办入住的客人拖着行李，赶高铁的赶高铁，急着上楼休息的急着上楼。谁会站在那儿量体裁衣？
放在便利店里卖包子和矿泉水，很合理。放在经济型酒店的角落里让别人定制西装，那就是扯淡。
一个需求到底真不真，就问三个问题：
用户会不会在真实环境里使用？
比现有的替代方案好在哪里？
用户愿不愿意为此付出时间或者改变习惯？
西装定制机三个问题一个都答不上。
三年下来，大部分AI项目都是同样的剧本。
只不过西装定制机摆在大堂里谁都看得见是错的，生成式AI项目摆在PPT里的时候，没人觉得不对。
什么叫真需求？
有一个真实可感知的问题；
有一个稳定可靠的解法；
赚回来的大于花出去的，钱、时间、习惯改变都算。
用户有明确理由替换现有的做法。
现在看生成式AI的底层，它是统计学上的模式匹配。每次调用，同样的输入可能得到不同的输出。
不是理解了你的问题，是猜了一个最可能的回答。
商业操作要求输出稳定，AI的输出是概率性的。
任何生成式AI产品投入生产之前，都得先有一层人工审核兜底。
而这层"人在回路"，直接推翻了"AI替代人"的前提。
你省了一个人的工资，多雇了一个人盯着生成式AI，账面上到底省了还是多了？
前阵子那个大厂删邮件事件，不是代码写了漏洞，是生成式AI在概率上把执行放宽了。
当概率在真实数据上跑，翻车是统计学的必然。卡内基梅隆那组数据就是这个逻辑的最直接印证。
商业上要作为需求成立，必须满足扩展的成本越摊越薄。或者至少不变，但AI的成本曲线是反的。
高德纳有个预测：2027年40%以上的生成式智能体项目会因成本失控被砍。
50个用户的时候，每次调用的成本一个月几千块。扩展到5000个用户，每天几十万次调用，加上重试、调用工具、人工审核、备用方案开销。
实际成本不是100倍，是300到500倍。
试点阶段算的账，到大面积推广时全是错的。
2026年最典型的案例是Klarna，2024年首席执行官骄傲宣布用生成式AI替代了700个客服，省下4000万美元，全球媒体欢呼。
到了2025年末，Klarna开始悄悄重新招人。
2026年首席执行官公开承认力度过了头，复杂的工单处理质量持续下滑，客户流失成本超过了节省的人力。
生成式AI没有消灭成本，它只是把成本从"人力"转移到了"流失"上。账面上省了，流水上跑了。
生成式AI要吃数据，大量、干净、有标签的。
克劳德拉和哈佛商业评论2026年的联合调研：只有7%的企业说自己的数据能直接喂生成式AI。
高德纳直接断言，到2026年底，60%没有准备好数据给生成式AI用的项目会被砍掉。
一家工厂花了150万上生成式AI质检系统，算盘打得很响：人工漏检率太高，生成式AI能降下来，一年省多少多少钱。结果生产线上的数据，47种格式，分散在23个旧系统里。有的字段十年前就废弃了还在跑。数据拉出来的当天，技术总监看着屏幕愣了半天。最后前前后后砸进去2000万，项目还是黄了。
传统软件不是这样，你上套企业管理系统，数据格式不对可以在实施阶段统一。
但生成式AI对数据质量的要求比传统软件高了一个数量级，不是预算不够，是数据本身就不满足AI的生存条件，很多项目刚开始就结束了。
商业需求成立的前提是：买单的人和用的人是同一批，或者利益一致。
但生成式AI项目里，买单的往往是老板或信息主管，用的是下面的一线员工。
领导在大会上对着屏幕说"上个月华东区销售完成率"，系统啪吐出一张漂亮图表，台下鼓掌。
然后一线该拉表格还是拉表格。因为问法稍微变一下，系统就答非所问。数据对不对得先验证半天，不比从数据库中拖拽快。
麻省理工2026年研究发现：73%的失败AI项目，从生到死没人定义过"成功是什么"。定义成功的应该是最终使用的人，但买单的人替他们定义了。
兰德公司的数据更直接，56%的项目，高管在6个月内撤走支持。"这玩意儿到底帮了谁"，从头到尾没人答上来。
麻省理工：95%的生成式AI试点，零可衡量回报。
标普全球：42%的公司废弃了大部分生成式AI项目，比2024年的17%翻了两倍。
高德纳：60%没好数据的项目将被砍；40%以上的项目因成本失控死掉；56%的项目高管6个月内撤资。
还有一份独立研究追踪了847个AI智能体的部署，76%在头90天内出现关键性故障。
不是缓慢衰退，是上线不到三个月就崩了。
2025年全球392个生成式AI工具停止服务，平均每天超过一个。
国内那份死亡名单也很长：冒泡鸭600万下载停运，鹿班亿级海报停服，腾讯智影暂停，讯飞写作关停，狸谱月活百万死了。
没有一个是"做得不够好"，都是没人真正需要。
从最底层往下推，生成式AI真正能站稳的场景，需要同时满足四个条件：
容错度高，输出错了也没大事，比如内容推荐、翻译辅助。
成本结构清晰可控，比如单一窄场景的客服分流。
数据已经准备好，比如数字化业务的支付反欺诈。
使用者和买单者是同一人，比如个人翻译、写代码辅助。
符合这四个条件的场景，在经济总量里占比很小。大部分企业级AI项目，四个条件至少违反两个。
结论不是AI没用，而是生成式AI的有用范围被自己的底层性质限制得非常窄。推广到超出这个边界的地方，就是伪需求。
蛋白质折叠、材料发现、流体仿真、药物分子设计，核心是物理信息神经网络、图神经网络、分子动力学模拟。它们依赖领域先验知识，不需要万亿参数大模型，很多场景单卡甚至消费级显卡即可运行，却直接推动基础科学进步，价值远高于通用生成式AI
动驾驶感知决策、机器人运动控制、电网调度、工业质检，核心要求是低延迟、高确定性、可闭环验证。生成式AI的幻觉、高延迟、不可控性在这些场景是致命缺陷，主流方案仍是强化学习、传统计算机视觉、经典控制算法，很多场景连 GPU 都不需要，嵌入式芯片即可运行。
金融风控、用户推荐、客户分层、故障预警，XGBoost、随机森林、逻辑回归至今仍是绝对主力。原因无他：可解释性强、训练成本极低、推理速度毫秒级、效果可量化评估。生成式AI在这些场景大多只能做辅助交互，无法进入核心决策链路。
为什么整个行业都在渲染 “AI=大模型=生成式AI ”？核心是多方利益绑定：
只有大模型的训练与推理，需要海量高端通用 GPU，支撑起数千亿的营收与估值；专用 AI 芯片、小模型、传统机器学习，对高端 GPU 的需求会下降一个数量级，这是它们绝不愿意看到的。
大模型 + 通用生成式AI的叙事有足够想象空间，可以撑起百倍估值，方便融资与退出；而垂直领域的专用 AI、传统机器学习，天花板清晰、估值低，没有炒作空间。
页:
[1]