为什么这么多内部企业AI项目在演示阶段后停滞不前？

我注意到许多中型企业在尝试基于自身数据构建内部AI系统时存在一种模式。试点/演示阶段通常有效。LLM能够回答一些精心策划的问题，甚至可能生成SQL。但一旦他们试图使其足够可靠以用于实际业务，进展就会急剧放缓。意想不到的瓶颈似乎是： * 跨碎片化系统的模式映射 * 定义跨团队指标的实际含义 * 查询验证和可审计性 * 处理随时间变化的模式/连接器 * 跨部门获得一致的答案 * 一旦实际决策依赖于输出时维护信任 我采访过的一些工程负责人表示，“AI模型”部分实际上是最简单的。底层的基础设施和接地层才是真正的项目。好奇这里其他人是如何思考的： * 公司是否低估了企业数据上生产AI的运营复杂性？ * 一旦包含维护和治理，构建与购买是否开始显得不同？ * 有没有人真正见过内部text-to-SQL / AI分析层在生产中顺利扩展？ 非常希望听到真实经验，尤其是来自BFSI、SaaS、医疗保健或数据密集型团队的经验。