生成式AI凉了？幻觉、高成本、失败率高，这3个新方向方兴未艾

2023年，ChatGPT掀起的生成式AI浪潮有多狂热？企业高管们争相在战略会上提及“AI转型”，创业者扎堆涌入大模型赛道，连普通用户都热衷于用AI写文案、画插画——那时的生成式AI，像极了被捧上神坛的“万能工具”。

但仅仅一年多时间，风向陡转。某互联网大厂AI部门员工私下透露：“去年立项的20多个生成式AI试点项目，今年能落地的不足3个”；电商企业负责人抱怨：“用AI智能体做客服，回答准确率还不如人工，反而引来更多投诉”；甚至有投资人直言：“现在看生成式AI项目，先问‘能解决什么具体问题’，再问‘成本能不能cover’”。

正如Gartner炒作周期预测的那样，生成式AI正从“期望膨胀的顶峰”跌入“幻灭低谷期”。但这场“降温”不是终点，而是行业从“狂热跟风”转向“理性落地”的开始。今天我们就掰开揉碎，聊聊生成式AI为何陷入困境，又有哪些新方向能让它“起死回生”。

一、幻灭期的3大“致命伤”：企业热情退潮的真相

为什么曾经被寄予厚望的生成式AI，会让企业从“争相入局”变得“谨慎观望”？答案藏在三个绕不开的现实问题里——结果不可靠、场景不匹配、成本扛不住。这些问题不是技术细节的瑕疵，而是直接戳中了商业落地的核心痛点。

1. “幻觉”成顽疾：AI写的报告，一半是“编的”

“我们用生成式AI做行业分析报告，结果它引用的‘2024年某行业市场规模达5万亿元’的数据，根本查不到来源，后来发现是AI自己‘编’的。”某咨询公司数据分析师小李的经历，不是个例。

Gartner高级主管分析师Birgi Tamersoy一针见血地指出：生成式AI的“幻觉”和不一致结果，是企业降低期望的首要原因。所谓“AI幻觉”，就是模型在训练数据不足或逻辑推理能力有限时，会编造看似合理、实则虚假的信息——小到错误的引用数据，大到虚构的学术论文，甚至能生成不存在的公司案例。

更麻烦的是，这种“幻觉”很难被及时发现。某金融企业尝试用AI生成客户风险评估报告，AI将一位信用良好的客户误判为“高风险”，理由是“该客户近3个月有5次逾期记录”，但实际该客户从未逾期。直到客户经理复核时才发现问题，险些导致优质客户流失。

对于企业来说，“不可靠”比“没效率”更可怕。尤其是在金融、医疗、法律等对准确性要求极高的领域，AI的一次“幻觉”可能带来百万级损失，甚至法律风险。这也是为什么很多IT领导者坦言：“找不到能容忍不准确性的应用场景”——毕竟没有哪家企业愿意拿核心业务赌AI的“运气”。

2. 试点项目失败率超90%：不是AI不行，是场景“错配”

“去年我们花了200万做生成式AI客服项目，结果上线后，客户问‘退换货流程’，AI答‘产品使用说明’；客户问‘优惠活动’，AI扯‘公司发展史’，最后还是得靠人工兜底，这钱花得像打水漂。”某快消企业运营总监的吐槽，道出了很多企业的困境。

Lucidworks公司2025年《生成式AI报告》显示：仅6%的电子商务公司部分或完全部署了AI智能体解决方案，三分之二的公司连运行AI智能体的基础设施都没有。更残酷的是，即便勉强落地，试点项目的失败率也高达90%以上。

为什么会这样？核心是“场景错配”。很多企业引入生成式AI时，只看到了技术的“炫技能力”，却忽略了业务的“实际需求”。比如，有的制造业企业想用AI生成生产流程优化方案，但AI缺乏对生产线设备参数、工人操作习惯的了解，生成的方案要么不落地，要么反而增加成本；有的教育机构想用AI做个性化辅导，却发现AI无法像老师一样感知学生的情绪变化，也不能及时调整教学节奏。

生成式AI不是“万能钥匙”，它需要匹配“对准确性要求不极致、但对效率提升有需求”的场景。比如，企业内部的会议纪要生成、初稿文案撰写、代码注释补充等——这些场景即便有小误差，人工修改成本也很低，能真正发挥AI的效率优势。但很多企业把它用在了“需要100%准确”的核心业务上，失败自然成了大概率事件。

3. 百万级能源成本：企业算不过来的“经济账”

“我们测试用生成式AI处理用户画像分析，单月的服务器能耗成本就超过50万元，而人工处理虽然慢，但每月成本仅10万元。”某互联网公司数据部门负责人给记者算了一笔账：“除非AI能把处理效率提升10倍以上，否则根本不划算。”

成本，正在成为压垮很多生成式AI项目的“最后一根稻草”。Tamersoy透露，在某些复杂AI项目中，仅能源成本就可能高达数百万美元——这些成本包括服务器硬件采购、机房运维、电力消耗等，还没算上数据标注、模型调优的人力成本。

对于中小企业来说，这样的成本更是“不可承受之重”。某初创公司创始人坦言：“我们想做AI驱动的文案生成工具，但光是训练一个中等规模的模型，就需要投入近千万元，还不一定能做出差异化。后来发现，还不如用现成的API接口，按调用次数付费，但即便如此，每月的费用也得几万元，用户付费却收不回来多少。”

更关键的是，很多企业还没算清“投入产出比”。比如，某零售企业花300万引入AI智能推荐系统，最终带来的销售额增长仅100万，这样的“赔本买卖”，显然无法持续。当狂热褪去，企业开始冷静计算“每一分AI投入能带来多少实际收益”时，那些成本高、回报慢的项目，自然会被果断叫停。

二、AI智能体：下一个“幻灭者”？

就在生成式AI陷入低谷时，AI智能体（AI Agent）曾被视为“救星”。这个被描述为“能自主理解任务、制定计划、执行决策”的技术，一度被炒到“将取代80%基础工作”的高度，如今正处于Gartner炒作周期的“期望膨胀顶峰”。

但冷静下来看，AI智能体可能会重走生成式AI的老路——信任缺失，将成为它跌入幻灭期的“导火索”。

什么是AI智能体？简单说，就是一个“能自己干活的AI助手”。比如，你让它“帮我订下周去上海的机票，顺便预订离会议地点最近的酒店，再提醒我准备会议资料”，理想状态下，AI智能体能自主完成查询航班、对比酒店、整理资料等一系列操作，无需你分步指导。

但现实是，目前的AI智能体连“基本信任”都难以建立。Lucidworks首席执行官Mike Sinoway指出，企业对AI智能体的保留态度，本质上是对“自主决策”的不信任——比如，让AI智能体负责采购，它可能会因为算法偏差选择高价供应商；让AI智能体处理客户投诉，它可能会因为理解偏差做出超出权限的承诺。

更核心的问题是“基础设施缺失”。三分之二的企业连运行AI智能体的技术架构都没有——AI智能体需要对接企业内部的CRM系统、ERP系统、财务系统等多个数据库，还需要实时获取外部数据（如天气、交通、市场动态），但很多企业的系统之间“数据不通”，甚至存在数据安全风险，根本无法支撑AI智能体的自主运行。

某电商企业曾尝试用AI智能体做库存管理，结果AI智能体误判了某款商品的销量，导致大量备货积压，最终损失超百万元。该企业IT负责人无奈表示：“现在不敢让AI智能体做决策，只能让它做‘辅助提醒’，比如‘某款商品库存低于安全线’，最终还是得人工判断是否补货。”

Tamersoy的判断很明确：对自主智能体的信任缺失，最终会浇灭当前的过度兴奋，就像生成式AI面临的信任危机一样。AI智能体不是“空中楼阁”，它需要建立在“可靠的决策逻辑、透明的数据来源、可控的风险边界”之上，而这些，目前都还处于探索阶段。

三、破局的3个新方向：从“幻灭”到“重生”的关键

尽管生成式AI陷入低谷，但行业里从不缺“破局者”。Gartner预测，生成式AI需要2-5年才能走出幻灭期，而在这段时间里，复合式AI、结果导向定价、编排系统这三个新方向，正在为生成式AI撕开“重生”的口子。

1. 复合式AI：用“组合拳”解决单一技术的缺陷

“单独用生成式AI做质检，准确率只有70%；但结合计算机视觉识别缺陷、机器学习分析历史数据后，准确率能提升到95%以上。”某汽车制造企业的AI项目负责人，分享了他们的成功案例——这就是“复合式AI”的威力。

所谓“复合式AI”，就是将生成式AI、计算机视觉、机器学习、AI智能体等多种AI技术“打包组合”，针对具体业务问题设计解决方案，而不是依赖某一种单一技术。这也是Gartner认为“最有前景的AI技术之一”，因为它能直接解决独立AI工具的可靠性问题。

举个具体的例子：在物流仓储领域，单一的生成式AI无法完成“货物分拣”任务——它能生成分拣流程，但无法识别货物位置、判断货物重量。而复合式AI的解决方案是：先用计算机视觉识别货物的条码和位置，再用机器学习分析历史分拣数据确定最优路径，最后用生成式AI生成分拣操作指南，甚至联动AI智能体控制分拣机器人执行任务。这样一套“组合拳”下来，不仅效率提升，准确率也能大幅提高。

复合式AI的核心逻辑是“扬长避短”：生成式AI擅长“生成内容和方案”，计算机视觉擅长“识别图像和物体”，机器学习擅长“分析数据和预测”，把这些技术的优势结合起来，就能覆盖更复杂的业务场景。某医疗科技公司用复合式AI做“远程问诊辅助”：先用计算机视觉识别患者的CT影像，再用机器学习对比病历数据，最后用生成式AI生成初步诊断建议，医生只需在此基础上调整，既提高了问诊效率，又降低了误诊风险。

对于企业来说，复合式AI不是“另起炉灶”，而是“盘活现有资源”——很多企业已经引入了计算机视觉、机器学习等技术，只需将生成式AI与这些技术整合，就能形成更强大的解决方案。这也是为什么Tamersoy强调：“复合式AI有潜力解决独立AI工具的可靠性及其他问题，是未来的主要方向之一。”

2. 结果导向定价：从“按次收费”到“按效果付费”

“之前用AI生成营销文案，按调用次数收费，一次1元，生成100次可能只有10次能用，相当于花100元买10个可用文案，成本太高。如果能按‘可用文案数量’收费，一次5元，反而更划算。”某营销公司负责人的想法，正成为行业的新需求。

Doitong首席执行官Dmitry Mishunin的观点很尖锐：“当前生成式AI的‘按使用量付费’模式，是行业发展的一大障碍。一旦这些服务开始按结果而不是按尝试次数收费，整个行业将会腾飞。”

这句话戳中了很多企业的痛点。目前，大多数生成式AI服务采用“按调用次数”或“按token数量”收费——不管生成的结果是否可用，只要你用了，就得付钱。这就像去餐厅吃饭，不管菜好不好吃，只要点了就得买单，显然不符合企业的“成本逻辑”。

而“结果导向定价”，则是按“生成结果的质量”或“实际产生的价值”收费。比如，AI生成的文案如果被企业采用，按“采用数量”收费；AI优化的生产流程如果带来成本下降，按“成本节约金额的比例”收费。这种模式下，AI服务商需要对“结果负责”，倒逼技术提升质量；企业则能降低试错成本，更愿意尝试AI应用。

目前，已经有部分企业开始尝试这种模式。某AI文案工具提供商推出“按转化付费”服务：企业用AI生成的文案投放广告，如果广告带来了客户转化，再按转化数量付费，每转化一个客户收费20元；如果没有转化，则不收费。这种模式推出后，该平台的企业用户增长了3倍——因为企业没有“试错风险”，反而更愿意投入。

结果导向定价，本质上是“将AI服务商与企业的利益绑定”。当AI服务商不再只关心“调用量”，而是关心“企业是否真正受益”时，技术才会真正向“解决实际问题”倾斜，而这，正是生成式AI走出低谷的关键一步。

3. 编排系统：让AI智能体“协同作战”，而不是“单打独斗”

“单独让一个AI智能体处理客户全流程服务，很容易出错；但如果让‘客服智能体’负责沟通，‘数据分析智能体’负责用户画像，‘决策智能体’负责优惠推荐，最后由编排系统统一调度，效率和准确率能提升50%以上。”Lucidworks首席执行官Mike Sinoway的这个发现，点出了AI智能体的破局方向——编排系统。

所谓“编排系统”，就是一个“AI指挥官”，它能根据任务需求，将不同功能的AI智能体（或AI模型）组合起来，分配任务、协调流程、整合结果，最终完成复杂任务。Sinoway的判断很明确：“未来的突破不会来自单独工作的智能体，而是来自将任务分配给最具成本效益模型的编排系统。”

举个通俗易懂的例子：企业要做一次“新品营销活动”，如果让一个AI智能体单独完成，它可能会顾此失彼——要么忽略了用户偏好，要么算错了营销预算。而编排系统的做法是：

1. 先让“数据采集智能体”收集目标用户的消费习惯、竞品活动信息；

2. 再让“数据分析智能体”分析用户偏好，确定营销重点人群；

3. 然后让“生成式AI”生成3套营销文案和活动方案；

4. 接着让“决策智能体”根据预算和预期效果，筛选出最优方案；

5. 最后让“执行智能体”将方案落地到各个营销渠道，并实时监控效果。

整个过程中，每个AI智能体只负责自己最擅长的环节，编排系统则负责“串起流程”，并在某个环节出错时及时调整（比如生成式AI的文案不符合品牌调性，编排系统会让它重新生成，或切换到另一个更合适的模型）。

这种“协同作战”的模式，不仅能提升任务完成的准确率，还能降低成本。比如，处理简单的数据分析任务，编排系统会调用低成本的开源模型；处理复杂的文案生成任务，再调用高精度的商业模型——这样既能保证效果，又能控制成本。

目前，谷歌、微软等科技巨头已经在布局编排系统。谷歌推出的“AI Orchestration Platform”，能帮助企业快速搭建AI智能体的协同流程；微软则在Azure中集成了编排功能，支持用户按需组合不同的AI服务。对于中小企业来说，不需要自己开发编排系统，只需借助这些平台的工具，就能实现AI智能体的“协同作战”。

编排系统的出现，让AI智能体从“单打独斗的莽夫”变成了“协同作战的团队”，而这，正是解决AI智能体信任危机、提升实用性的核心——毕竟，再厉害的个体，也比不上一个高效协作的团队。

四、理性看待“幻灭期”：这不是终点，而是行业的“成人礼”

当生成式AI陷入幻灭期，有人说“AI凉了”，有人说“之前的炒作都是泡沫”。但在Planview首席数据科学家Richard Sonnenblick看来，这是行业发展的必经之路：“对AI信心的缺乏，主要是因为我们对ChatGPT的辉煌初体验，与频繁出现‘幻觉’、难以商业落地的现实之间存在不协调。但即便如此，承担风险并快速失败也值得庆贺。”

他的观点很有道理：100个生成式AI项目中，哪怕只有1个能产生价值，从长远来看，这个价值也足以证明总体投资是合理的。比如，某物流企业用生成式AI优化运输路线，虽然前期投入了150万，但最终每年能节省300万运输成本，不到一年就收回了投资；某媒体用生成式AI生成新闻摘要，虽然准确率不是100%，但每天能节省80%的编辑时间，让编辑有更多精力做深度报道。

这些成功案例告诉我们：生成式AI不是“不行”，而是“还没找到正确的打开方式”。它需要的不是“狂热的追捧”，而是“理性的探索”——企业需要放下“AI万能”的幻想，从自身业务痛点出发，选择合适的技术和场景；AI服务商则需要跳出“炫技”的误区，聚焦“解决实际问题”，用可靠的结果和合理的成本赢得企业信任。

Gartner预测，生成式AI需要2-5年才能走出幻灭期，进入“启蒙爬坡期”和“生产力平稳期”。在这段时间里，那些能沉下心解决“可靠性、成本、场景匹配”问题的企业和技术，终将成为行业的“幸存者”和“引领者”。

毕竟，任何新技术的发展都不是一条直线——从蒸汽机到电力，从互联网到移动支付，都经历过