AI项目为何不适用传统项目管理方法

AI项目并不适合套用传统IT项目管理框架。AI开发具有持续性、数据驱动性和迭代性，这些特点使其难以用传统项目管理方法加以驾驭。

项目管理软件能够借助AI识别传统IT项目中的进度问题和资源限制，但管理AI项目所需的远不止AI辅助规划。

项目管理协会（PMI）等机构正着手为AI项目制定专属管理方法论，将其划分为六个阶段：业务理解、数据理解、数据准备、模型开发、模型评估和模型落地运营。即便如此，CIO在AI项目管理实践层面获得的指导仍然十分有限。

摆在CIO和项目经理面前的核心问题依然是：如何调整传统项目管理方法，以适应AI项目的独特属性？

以下逐一展开分析。

AI项目的动态有何不同

AI系统的开发是持续且迭代的。AI项目以数据为核心，而非以应用程序为中心。如果应用所依赖的数据质量不佳，输出结果自然也无从保障。这改变了IT领域的项目生态——AI项目中的核心角色不再是应用开发者，而是数据专家。

对业务用户而言，这一变化同样带来了挑战。判断数据是否准确，必须由各业务职能部门的主题专家来完成，这使终端用户在以IT为主导的项目中扮演了比以往更为主动的角色。

此外，追踪AI项目的进展往往令人沮丧，因为AI项目本质上是演进式的，可能永远不会真正"结束"，至少不会以传统意义上的方式画上句号。

明确业务目标与选择合适的模型

清晰理解AI系统的业务用例以及企业预期实现的目标，是AI项目管理的第一步。紧随其后的挑战，是为项目确定合适的模型开发策略。

AI模型开发之所以复杂，部分原因在于IT团队和用户都难以准确理解其实质。IBM将AI模型定义为"经过数据训练、能够识别特定模式或在无需人工干预的情况下做出特定决策的程序"。

然而，AI系统的模型开发方式会因业务目标不同而有所差异。

模型可以是一套以编程方式定义的算法，通过特定问题对数据集进行查询；也可以融入机器学习元素，程度从高度监督到完全无监督不等。

企业还可以选择使用预构建的基础模型，这类模型大体能够覆盖其业务需求，并支持针对特定场景进行定制。

选择最合适的AI模型，需要对业务用例有深入理解。如果目标是将AI应用于假设性分析和基于现有数据的财务预测，一套用于标准查询的算法或许已经足够。如果目标是改善癌症诊断，AI系统可能需要同时向内调取本地数据、向外学习全球症状与数据，以不断丰富本地知识。如果企业希望在某个薄弱领域（如客户服务）引入AI，则可以直接采购预配置了数据和算法的基础客服AI系统，并随时间推移按需进行定制。

评估人员能力与基础设施准备情况

在任何AI项目正式启动之前，还需完成一项关键的准备工作：评估员工技能水平和IT基础设施的就绪程度。

如果现有IT基础设施无法有效支撑AI所需的数据处理能力，可以考虑将AI系统部署在云端，在预算允许的前提下实现资源弹性扩展。

更深层的问题在于IT团队和终端用户是否已为AI做好准备。

在IT层面，数据分析师通常具备数据清洗、整理以及ETL（抽取、转换、加载）等数据处理技能，也懂得如何规范化数据，使其能够通过API跨系统流转，并无缝存在于混合数据存储环境中。

然而在AI模型开发层面，IT开发人员和终端用户的现有能力与模型开发的实际需求之间，必然存在差距。AI模型开发需要算法设计乃至统计分析等专业技能，数据科学家具备这些能力，但IT开发人员未必如此。

此外，AI模型训练本身同样不容忽视。在用户侧，模型训练必须由主题专家主导完成，且训练必须持续进行，防止模型输出随时间推移出现偏移，丧失上下文的准确性。

确保AI模型质量并持续演进的唯一途径，是终端用户与IT团队的长期紧密协作。这与传统IT项目管理模式有着根本区别——传统模式会在某个节点宣告项目结束，各方随即分道扬镳。

AI项目的落地部署

将AI正式投入生产环境时，首要目标应当是对特定业务流程步骤进行自动化，而非对整个工作流一次性改造。这有助于保障AI项目初期部署的成功，因为随着业务流程的调整，员工的职责边界也会随之改变，处理不当便可能引发用户抵触，进而影响项目推进和信任建立。以可消化的节奏推动流程变革，是AI项目成功的最优路径。

渐进式推进还有另一层重要原因：AI并不总是正确的，因此必须在流程中保留人工介入环节。AI系统在处理偏斜或存在偏见的数据时，可能产生不可靠的结果，甚至出现"幻觉"。一位CIO曾向我表示："我最近在数据中心完全自动化了一套AI故障转移系统，但真正需要执行故障切换时，我仍然希望由自己亲眼查看数据、亲手按下那个按钮。"

CIO面临的挑战

AI项目的项目管理方法论仍处于演进之中，目前鲜有项目管理软件能够应对AI的独特需求。这意味着AI项目管理的重担，实际上落在了CIO和项目经理的肩上。

我们目前已知以下几点：

责任归属对AI项目同样至关重要。必须有人担负主导责任、拍板决策，并持续向团队成员和高管层传递项目进展信息。

AI项目与传统IT项目有本质区别。这类项目可能持续运转，直至其对应的业务用例失效为止。项目成员和高管层需要在项目启动之初就接受这一现实。

AI项目最好稳步推进。团队成员在实践中不断学习，需要保持审慎。AI项目应聚焦于范围清晰、目标明确且可实现的小型业务用例。

项目任务计划中还应包含IT人员和终端用户的教育培训环节。CIO及其团队应做好心理准备，初期AI项目可能呈现成败交织的局面，而高管层也应对此给予充分理解。

Q&A

Q1：AI项目的项目管理方法与传统IT项目有哪些核心区别？

A：AI项目以数据为中心、具有持续迭代的特性，不像传统IT项目那样有明确的"结束"节点。核心负责人从应用开发者转变为数据专家，终端用户也需深度参与数据验证，而非仅充当需求方。此外，AI项目的模型训练必须长期持续推进，IT团队与业务用户必须保持紧密协作，无法像传统项目那样在某一节点宣告完成后各自散场。

Q2：企业如何为AI项目选择合适的模型开发策略？

A：选择AI模型开发策略需先深入理解业务用例。如果目标是基于内部数据进行预测分析，标准查询算法即可满足需求；如果需要持续从外部数据中"学习"，则应引入机器学习机制；如果企业在某一领域缺乏经验，购买预配置的基础模型并按需定制，往往是更高效的起点。三种策略各有适用场景，业务目标的清晰程度是决策的关键前提。

Q3：AI项目在落地部署阶段应该注意什么？

A：AI项目落地时，不宜对整个业务流程一次性自动化，应优先从部分环节入手，逐步推进。这样既能降低用户抵触风险，也能保留人工介入的空间——因为AI可能出现错误甚至产生"幻觉"。保持人在回路中（Human-in-the-loop）是控制风险的关键机制，尤其在涉及重要决策的场景下，人工审核不可或缺。