Agent 项目的失败率高达 90%，但真正的问题不在于技术本身。这篇文章深入剖析了一个真实案例：Demo 惊艳全场却在真实场景中黯然下线的 Agent 项目。从过度理想化的用户交互设计，到忽略多步任务的累积错误率，再到无人敢碰的责任归属问题，作者用血泪教训揭示了 AI 产品落地的三大致命误区。更值得深思的是，这些教训背后指向的是整个行业被 Demo 文化扭曲的产品判断力。

去年底我经手的一个 Agent 项目，黄了。

立项的时候特别热闹。老板在群里发了一段硅谷某公司的演示视频，一个 Agent 自己订机票、自己填报销、自己把流程跑完，全程没人插手。他说，这个我们也能做，而且要做得比他们快。

我们真就三个星期搭出来一个 Demo。给业务方演示那天，效果好得吓人。你跟它说”帮我把上个月华东区的销售数据拉出来，做成周报发给张总”，它真的一步步做完了，SQL 自己写，图自己配，邮件自己发。会议室里有人当场鼓掌。

然后我们信心满满地拉了五十个真实用户灰度。

两周后，这个项目被叫停了。

不是模型不行。模型该会的都会。是我们发现，那个在会议室里惊艳全场的东西，一放到真实业务里，就跟换了一个物种一样。

那段时间我特别难受，跟三年前做客服机器人那次一模一样——评测集跑到 92 分，上线第二天投诉爆了。当时我以为那是个孤例，现在做 Agent 又栽一遍，我才慢慢想明白，这根本不是运气问题，是我们对”AI 产品能不能用”这件事的判断方式，从一开始就有毛病。

这篇就把这一年踩的坑，攒一块儿聊聊。没什么体系，就是些经验教训。

先说那个吓人的数字

如果你最近有在看行业消息，大概率刷到过几组数据。

麦肯锡的调研说，超过 90% 的企业 Agent 项目，在试点阶段就宣告失败。硅谷那边更狠，2025 年底到 2026 年初，生产环境里的 Agent 项目失败率据说到了 95%。Gartner 也放话，说到 2027 年，四成以上的 Agentic AI 项目会被直接砍掉，原因是成本收不回、价值说不清、风险控不住。

第一次看到这些数字，我是有点不服气的。90%？这么夸张？

但真自己趟过一遍，我信了。而且我觉得这个数字里最值得说的，不是”失败率高”这件事本身，是大家失败的方式，长得都差不多。

Gartner 那份报告里有句话我记到现在，大意是：现在绝大多数 Agent 项目都还在实验阶段，它们大多是被炒作推着走的，而且经常被用错地方。

被炒作推着走，被用错地方。这两句，基本就是我那个黄掉的项目的墓志铭。

我个人对这种整数一直是半信半疑的——90% 听着就像是为了唬人凑出来的。但趟过一遍之后，我信的不是这个数，是它背后那句更扎心的判断：死掉的那批项目，绝大多数不是败给模型，是败给了立项那天拍脑袋的乐观。这话可能得罪不少人，可我自己就是那个拍脑袋的人之一，没资格站着说话。

翻车的第一层：我们把 Agent 当成了一个”会聊天的人”

复盘的时候我问自己，Demo 那天到底哪里骗了我们。

后来想明白了。Demo 那天，是我们这些做产品的人，坐在那儿，用最规范、最清楚、最”善解人意”的方式在跟它说话。

“帮我把上个月华东区的销售数据拉出来”——这句话干净得不像话。时间明确、地区明确、动作明确，连数据在哪张表里我们心里都有数。Agent 在这种输入下表现好，太正常了。

真实用户是怎么说的？

“上个月那个东区的数据给我搞一下。”

哪个东区，华东还是华东某个省？”搞一下”是拉出来看看，还是做成报表，还是直接发出去？”上个月”是自然月还是他们财务口径的上月？他自己都没说清楚，甚至他自己都没想清楚。

Demo 里的用户，是我们脑补出来的一个理想用户。真实用户是野生的。这中间的差距，模型再聪明也补不上，因为这压根不是模型的问题，是我们把一个”需要反复澄清、经常改主意、说话还带情绪”的真人，简化成了一个”发指令的按钮”。

我以前写过一句话，说评测集跑得好，更像是模型在温室里能开花，产品行不行，得看它在野地里能不能活。做 Agent 之后我发现，这句话还得再狠一点：Demo 就是那个温室，而且是温室里最向阳的那个角落。

翻车的第二层：能跑通一次，和能一直干对，是两回事

Agent 跟传统的问答产品比，最要命的地方在于，它是真的会动手去做事的。

问答产品答错了，用户顶多骂一句，重新问一遍。Agent 做错了，是真的把错的邮件发出去了，真的把不该删的数据删了，真的按错误的参数下了单。

我们那个项目就吃过这个亏。有个用户让它”把这条记录删掉”，它删了。但用户说的”这条”，指的是他上一句提到的另一条，代词指错了。Agent 没有任何迟疑，动作干净利落，错得也干净利落。

这就引出一个 Demo 阶段根本暴露不出来的问题：一个动作，Agent 跑通一次的概率是 95%，听起来很高吧？可一个真实任务往往要连着做五六步。0.95 的五次方，大概是 77%。也就是说，每四个任务里，就有一个会在某一步崴脚。而且这一步崴了，后面全废。

用户不会记得你前四步做得多漂亮。他只记得，你把周报发给了错的人。

这里插一句我自己的看法。95% 这个单步成功率，很多人会拿去跟老板汇报，说你看我们已经很稳了。但我现在的习惯是，谁跟我报单步成功率，我都让他先把任务拆到底有几步，再把那几个数乘一遍给我看。乘完往往就没人敢拍胸脯了。这个乘法我是栽了跟头才养成的习惯，之前我也只盯着单步那个好看的数字。

Demo 那天我们只演示了那些能一次跑通的路径。我们不是故意的，是人的本能——谁演示的时候会专门去点那些会出错的地方。可真实用户天天在点。

翻车的第三层：出事了，算谁的？

这是我觉得最没人愿意认真聊、但最要命的一层。

传统软件出了 bug，责任链条是清楚的。是代码的问题，修代码；是用户操作失误，那是用户的事。可 Agent 不一样。它有一定的自主性，它会”自己决定”下一步干什么。那当它自己决定错了，把一笔钱打错了地方，这个锅谁背？

是模型供应商？人家会说我只提供能力，怎么用是你的事。是做产品的我们？我们会说用户自己确认过了。是用户？用户会说这不是你们说 AI 能自动搞定的吗。

我们项目还没上线到要处理真金白银，就已经在内部为这个吵起来了。法务问了一句：”如果它自动操作出了错，公司要承担什么？”整个会议室安静了几秒。没人答得上来。

现在行业里有个说法我挺认同，说 Agent 产品的设计逻辑，正在从”它能不能执行”，变成”它执行的时候谁负责”。以前我们比谁的 Agent 更能干，以后可能得比谁的 Agent 出了事更好追责、更好回滚、更好拦住。

这事儿特别不性感。发布会上没人愿意讲审批阈值、讲操作留痕、讲一键回滚。但恰恰是这些上不了台面的细节，决定了一个 Agent 项目在企业里能不能活过三个月。

那个演示视频里，Agent 一路畅通无阻地把活干完，没有一个确认弹窗。当时我们觉得，这才叫丝滑。现在我觉得，那视频里最危险的，就是那份丝滑。

那 Agent 到底还做不做？

做。这点我从没动摇过。

我不是来唱衰的。我自己每天都在用各种 Agent，也确实离不开了。90% 失败，反过来说也有 10% 活下来了，而且活下来的那些，是真的在给业务省钱、省人、省时间。

我只是觉得，那 90% 死得挺冤，因为它们大多不是死于技术，是死于一开始就没想清楚几件事。做废了这个项目之后，我给自己攒了几条,下次立项前一定要先过一遍。

第一，先问这个场景到底容不容错。 有些场景天生适合 Agent：内部的、只读的、错了也能马上改的，比如查数据、拉信息、生成草稿。有些场景现在就别硬上：对外的、要动钱动权限的、错一次就是事故的。我们那个项目最大的问题，就是一上来就挑了个又要写数据又要发对外邮件的硬骨头。

第二，别拿 Demo 骗自己，也别拿 Demo 骗老板。 Demo 阶段就得主动去点那些会出错的路径，用真实用户那种”没说清楚、带着情绪、中途改主意”的方式去折磨它。能扛住这个的，才值得往下做。演示要演脏活，不能只演漂亮活。

第三，把人留在关键动作那一步。 全自动是最诱人的，也是最容易翻车的。真正能落地的做法，往往是让 Agent 干前面九步，最后那步”要不要发出去””要不要真的删”，交回给人点一下。慢一点，但活得久。

第四，责任这道题，立项时就得答，别等出事再答。 谁负责、怎么留痕、怎么回滚、出了错走什么流程——这些不是上线前才补的东西，是决定这个项目该不该做的前提。

第五，盯真实的账，别盯 Demo 的掌声。 上线之后别只看它跑通了多少次，要看真实任务的最终完成率、人工介入率、出错之后的挽回成本。这些数字通常没 Demo 好看，但它们才是真的。

最后说点掏心窝子的

写到这儿，其实我想说的已经不只是 Agent 了。

做 AI 产品这几年，我越来越觉得，我们这些做产品的人最该警惕的，是被 Demo 惯坏了的判断力。Demo 是一门表演艺术，它天生就是用来展示最好那一面的。可用户不活在 Demo 里，用户活在那些没说清楚的需求、指错的代词、突然的改主意、还有点错按钮之后的懊恼里。

那 90% 翻掉的项目，我猜背后都有一个当初被 Demo 惊艳到、然后一头扎进去的团队。我就是其中之一。

现在再有人给我发那种一路顺到底的演示视频，我第一反应不再是”我们也能做”，而是”它是在什么样的输入下跑成这样的，换成我那些野生用户，它第几步会崴脚”。

这个转变，说实话，是拿一个黄掉的项目换来的。不便宜。但我觉得值。

那些真正能活下来的 AI 产品，背后大概率不是有个更聪明的模型，而是有一群人，肯很笨地去看真实用户到底在拿这玩意儿干什么、在哪一步骂了街、又在哪一步真的把事办成了。

这事儿，Demo 替不了。