- MIT《2025年商业AI状况》报告显示，企业已在生成式AI上花费300-400亿美元，但95%未见投资回报；只有5%跨越了“生成式AI鸿沟”（GenAI Divide）。
- Qlik & ESG：94%的企业增加了AI投资，但只有21%实现了有效运营。 Informatica指出：主要原因是数据质量差、准备不足和基础设施不成熟。
- 问题不在于AI模型本身，而在于缺乏集成、无法衡量数据适用性、员工期望以及动态治理。
- 传统框架（RICE, ICE, MoSCoW）在AI项目上失败的原因是：
- Reach（覆盖范围）基于绝对用户数，容易被夸大。
- Confidence（信心）过于主观，忽略了数据风险和模型能力。
- Effort（投入）只计算编码成本，未计算数据清洗的成本。
- Impact（影响）难以衡量，因为AI可以辅助或替代人类，行为不一致。
- 苹果公司的研究《思维的幻觉》（The Illusion of Thinking）指出了大型推理模型（LRM）的局限性：难以泛化到训练数据之外，行为不稳定。
- 斯坦福大学2025年一项针对100个职业/800项任务的研究发现：员工希望AI能辅助近50%的工作，但许多AI项目却专注于错误的任务。提出的“人类能动性量表”显示，最高价值在于AI辅助，而非替代。
- 为取代RICE，ARISE（AI就绪度与影响评分评估）应运而生：
- 保留了覆盖范围、影响、信心和投入，但对评分标准进行了标准化。
- 增加了3个新因素：AI Desire（真实需求）、AI Capability（数据、模型成熟度）和Intent（AI辅助或自动化）。
- 公式：ARISE分数 = (覆盖范围 * 影响 * 信心 / 投入) × AI需求度 × AI能力 × 意图乘数。
- 例如：一个AI编码助手（ARISE分数为20）的优先级高于一个自动修复错误的AI（分数为1），因为数据能力仍然较弱。
- ARISE帮助企业避免追逐虚假的演示，专注于具有实际价值、平衡人与AI关系的项目。
📌
尽管300-400亿美元已投入生成式AI，但95%的组织仍未获益，主要原因是项目管理框架过时和数据准备不足。ARISE作为取代RICE的原生AI工具应运而生，增加了AI需求度、能力和意图的衡量标准，以确保可行性和实际价值。借此，企业可以避免常见错误，优先处理正确的AI项目，并在辅助人类与自动化之间取得平衡。
