95% 的AI试点项目失败。微软刚刚押注25亿美元寻求解决方案

微软承诺投入25亿美元和6000名工程师，直接嵌入企业客户内部。计划：修复那些从未进入生产阶段的95%的AI试点项目。

作者：Rajesh Beri·2026年7月4日·阅读时间9分钟

大多数企业内部AI项目从内部看来如出一辙：一个精彩的演示、热情的高管、一个运行六个月的试点项目，然后一切归于沉寂。没有损益表影响。没有生产部署。只有一份PowerPoint演示文稿和明年预算中的一行条目。

麻省理工学院Project NANDA的研究人员去年给出了一个数字，悄无声息地震动了每个主要行业的董事会：95%的企业生成式AI试点项目对利润和亏损产生了零可衡量的影响。在聊天机器人、副驾驶和AI助手问世三年后，绝大多数企业AI投资产生的收益在财务数据中毫无体现。

微软认为自己知道原因——它刚刚承诺投入25亿美元和6000人证明这一点。

微软前沿公司（Microsoft Frontier Company）究竟是什么

2026年7月2日，微软宣布成立微软前沿公司，这是一个运营部门，将工程师、行业专家和技术顾问直接嵌入企业客户内部，现场设计、构建和运行AI系统。该部门由Rodrigo Kede Lima领导，他在美洲和亚洲负责微软企业转型项目已有六年之久。

关键数字引人注目：承诺投资25亿美元，约6000名人员主要来自微软现有的工程和前向部署团队，并计划通过内部调动和外部招聘进行扩张。从背景来看，微软前沿公司现在是在过去两个月内承诺采用这种模式的四家主要科技公司中规模最大的一个。

以下是竞争格局：

• OpenAI于5月推出了其部署公司（Deployment Company）——一家由OpenAI持有多数股权的独立实体，由私募股权公司TPG领投、总额超过40亿美元的合作伙伴关系支持。
• Anthropic同月与高盛、黑石和Hellman & Friedman组建了一家15亿美元的合资企业，旨在将工程师嵌入中型企业，首先从投资者自己的投资组合公司开始。
• AWS于6月30日承诺投入10亿美元，建立一个内部前向部署工程单元。

业界之所以同时行动，是因为他们面临同样的问题。AI模型已经变得出色。企业采用却未能跟上。

他们实际要解决的核心问题

95%的失败率听起来像夸大其词，直到你花时间与那些目睹这些实施停滞不前的人交流。

失败模式几乎从来不是技术问题。模型有能力。API工作正常。概念验证运行顺利。崩溃发生在演示和部署之间——在那个需要有人将AI系统与一个已有12年历史的ERP系统集成、弄清哪些监管标志适用于其辖区的自动化决策、让数据团队真正参与、并说服中层管理者新流程不会淘汰他们的工作的间隙中。

这些不是工程问题。它们是组织问题。而且你无法通过改进模型来解决组织问题。

你潜在地解决它们的方法，是让供应商的人坐在组织内部，在现场实时处理障碍。这就是微软前沿公司背后的理论。这个理论能否在规模化的现实中存活是另一个问题——但诊断是正确的。

前向部署工程：Palantir剧本，现在规模化

微软、OpenAI、Anthropic和AWS正在规模化的模式有一个特定的名称和一个有据可查的起源。前向部署工程——供应商自己的技术人员嵌入客户运营中，而不是出售软件然后一走了之——由Palantir在2010年代早期发明，最初用于情报机构客户，其要求过于敏感，无法通过正常的产品发现流程进行。

Palantir围绕两种不同的团队轮廓组织其合作。Echo团队是领域专家，他们了解客户的运营现实——在反恐领域工作了十五年的安全分析师，在战斗条件下管理过供应链的后勤官员。Delta团队是快速原型工程师，他们在相同的约束下构建生产系统。

使这种模式作为一种业务（而不仅仅是昂贵的咨询）能够站得住脚的机制，是实践者现在所谓的“碎石路到高速公路循环”：遇到新问题的工程师用定制解决方案解决它们，但这些解决方案随后被一般化回核心平台。每次合作都使下一次合作更快。嵌入的工程师不仅仅是为客户构建——他们正在发现平台需要成为什么。

2026年发生变化的是经济学。Palantir的模式对能够承担数百万美元合作费用的国防机构和财富100强公司是可行的。现在这四家公司正在规模化的模式瞄准了一个更广阔的市场——不是因为价格大幅下降，而是因为AI模型成本已经下降得足够多，使得将一支工程师团队嵌入客户内部现在成为合作中最昂贵的部分，而不是被计算成本所掩盖。

技术架构的样子

微软宣布的用于前沿公司合作的架构运行在两个平台上。

智能平台旨在随着时间的推移，复合客户的专有数据、工作流和机构知识。目标是使公司的运营智能不断积累——让合作的每个月都使系统以该客户特有的方式变得更智能——而不是每当员工离职时知识就流失。如果操作正确，这使得AI系统成为一种持久资产，而不是对特定个人的依赖。

信任平台处理治理、安全和投资回报率测量。这是企业法务、合规和财务团队实际关心的部分。一个无法产生其决策审计追踪的AI系统，无论其能力如何，在金融服务、医疗保健或大多数受监管行业中都是无法部署的。

值得注意的是，微软将前沿公司定位为模型无关的。客户可以运行OpenAI、Anthropic、微软自己的AI部门、开源提供商或专门的行业模型——哪种适合每个工作流就用哪种——而不会被锁定在单一技术栈中。这是一个重大的战术选择。这也是对以下现实的承认：企业客户越来越不愿接受单一供应商的AI依赖，尤其是在模型竞争加剧的情况下。

AWS的架构在执行上略有不同。其团队以45天为周期，每组五到六名工程师，分为三个阶段：初始阶段（AI代理和人类共同定义架构）、构建阶段（AI在持续人工审查下生成代码，采用AWS称之为“Mob Construction”的格式）和运维阶段（AI管理基础设施部署，每一步都需人工批准）。AWS部署的语义层将原始数据源（遗留数据库、ERP系统、外部API）抽象为一个版本化的知识图谱，代理在该图谱上进行推理，而数据不会离开客户端环境。

具体架构有所不同。但底层逻辑相同：供应商对结果承担运营责任，而不仅仅是技术。

对技术领导者的意义

如果你是评估这些产品的CIO、CTO或工程副总裁，有几个问题比头条数字更重要。

速度与控制的权衡。前向部署工程速度很快。但这也是形成对供应商员工比你自己员工更了解你的系统的严重依赖的途径。AWS的模型通过Mob Construction格式解决了这个问题，该格式旨在将知识传递给客户团队，而不仅仅是交付成果。向任何供应商提问：知识转移机制是什么？当初始团队在第13个月撤离时会发生什么？

实践中的模型锁定。微软表示自己是模型无关的。Palantir也说过同样的话，但通过平台层而非模型层构建了极其有效的锁定。锁定体现在数据管道、知识图谱、微调嵌入以及嵌入团队在你的组织中构建的操作流程中。这些比切换API密钥难迁移得多。了解你实际承诺的是什么。

45天冲刺模型。AWS的结构——45天冲刺、清晰的阶段、人工审批关卡——旨在按计划产生可验证的进展。向任何合作要求同样结构化的问责制。“我们在构建”不是一个里程碑。“我们在第二个冲刺中将承保周期时间减少了18%”才是。

安全态势。将供应商的工程师嵌入你的环境是对攻击面的实质性改变。他们的笔记本电脑、访问凭证、开发实践现在都在你的边界内。这需要在合作开始前、而不是之后进行安全审查。

对商业领导者的意义

如果你是试图判断这是否值得投资的CFO、COO或业务部门负责人，框架比具体的美元数字更重要。

95%的AI试点项目失败的原因不是技术不好。而是技术没有连接到运营。你购买了软件，却期望它能自行实施。前向部署工程实际上是一种承认：AI实施既是技术问题，也是专业服务问题——而现有的咨询公司（四大、全球系统集成商）在规模化解决这个问题上一直太慢、太贵。

要问的投资回报率问题不是“我们要付给微软多少钱？”而是“我们现在在产生零成果的AI实验上花了多少？”在与大型企业运营负责人的交谈中，我听到一致的估计：每年500万到1500万美元的AI试点成本产生了零生产部署。如果一个前向部署合作花费200万美元，并产生一个削减了有意义成本（承保时间、理赔处理、财务结账周期）的系统，那么数学上就说得通。

但只有当将合作视为能力建设练习、而不是黑箱时，它才有效。如果你将问题交给供应商并等待交付成果，你会得到输出而不是能力。能从这些项目中提取长期价值的组织，是将嵌入的工程师视为自己AI团队培训基地的组织。

更大的图景

四家主要AI公司在八周内同时转向前向部署工程，反映了对2026年中企业AI实际状况的共同认知。

进入生成式AI周期三年后，与企业董事会的对话已经转变。问题不再是“我们应该投资AI吗？”——那场辩论已经结束。问题是“为什么这没有在我们的数字中体现出来？”这是一个更难的问题，而且它没有一个模型发布作为答案。

这四家公司押注的是，答案是执行——差距在于AI能力和AI价值之间需要由既理解技术又理解运营背景的人架起桥梁，他们现场协作，对结果负责，而不仅仅是软件交付。

这个赌注能否在这些公司尝试的规模上获得回报，确实不确定。Palantir的前向部署模式在客户拥有几乎无限支付意愿以及高度具体、高风险问题的环境下有效。它能否在企业AI用例的广泛范围（人力资源自动化、财务报告、客户服务、供应链优化）中，以这些公司需要收取的经济成本奏效，我们将在18个月后第一批合作报告结果时知道。

对于正在评估是否与这些项目中的任何一个合作的企业领导者，相关的问题不是哪个供应商的承诺最大。而是哪个供应商有最清晰的机制来产生可验证的业务结果——以及支持这些结果的问责结构。

接下来的18个月将揭示答案。

本文由Rajesh Beri撰写。