为什么30%的企业GenAI会失败？辉瑞用知识图谱给出的答案

在这场来自AI Engineer Summit的演讲中，Neo4j的Stephen Chin与辉瑞的Jonathan Lowe直面一个残酷现实：大量生成式AI项目正在走向失败。通过一个真实的生物制药案例，他们展示了如何用知识图谱和Graph RAG，把“炫技的AI”变成真正能落地、能拯救生命的企业级系统。

从一开始就会失败的GenAI项目

这场演讲并没有从“生成式AI有多强大”讲起，而是从失败谈起。Stephen Chin在开场时引用了Gartner的一项预测：到2025年底，约30%的生成式AI项目将被放弃。他还半开玩笑地问现场观众，“有没有人相信Gartner预测AI趋势？”几乎没人举手，但当问题变成“有没有人亲身经历过失败的GenAI项目”时，很多手举了起来。

这个小互动点出了一个行业共识：问题不在模型，而在落地。很多团队要么还没真正进入生产环境，要么在PoC阶段就卡住了。Stephen直言，这正是企业当前面对的“真实挑战”。生成式AI被高层寄予厚望，但往往被当成“万能解药”——一位高管听说孩子用ChatGPT写作业，就要求“把它用在公司里，两个月上线”。技术愿景和工程现实之间，出现了巨大的断层。

在Stephen看来，真正的难点不是技术本身，而是如何在组织内部建立一个“技术上可实现、业务上讲得通”的愿景。这也是他邀请辉瑞的Jonathan Lowe共同演讲的原因：后者不是在讲理论，而是在一家全球大型生命科学公司里，真正把生成式AI推到了生产环境。

一个足够“沉重”的业务问题，才配得上GenAI

Jonathan Lowe一上来就给自己贴了一个标签——“Debbie Downer”。在别人谈论AI奇点时，他选择从最悲观、也最现实的角度出发。因为只有这样，他的项目才能活下来。

他的业务背景是生物制药中的“技术转移”：如何把实验室里、以毫升级别完成的研发成果，快速放大到全球多家工厂、每天生产数百万剂药品。这一步并不只是工程放大，而是一次知识的大迁移。工业端的工程师需要查阅“成千上万份文档、笔记和实验结果”，而这些资料往往分散在不同系统、不同格式中。

更严峻的是人才结构的变化。Jonathan引用了一项研究数据：2019年，制造业员工的平均任职年限约为20年；而今天，这个数字已经下降到3年。“所有那些经验，要么已经退休，要么很快就会退休。”这句话点出了真正的风险——知识正在以比我们想象中更快的速度流失。

正是在这个背景下，生成式AI不再是“效率工具”，而是刚需。Jonathan的目标很明确：让机器承载那些原本存在于文档里、甚至存在于人脑中的隐性知识，并把它们交到新员工手中，加速技术转移。

为什么他们选择用知识图谱做Graph RAG

解决方案的核心，并不是简单地“把文档丢进向量数据库”。Jonathan详细描述了他们的关键设计：把海量文档拆分成不同层级的“chunks”，并将这些chunk之间的结构关系存入知识图谱中。

这里的图（Graph）并不是存全文，而是存“结构”：文档、章节、段落、甚至行之间的关系。这样做的目的，是为了更精细地理解一次相似度搜索究竟命中了什么层级的内容。Jonathan解释说，他们希望知道，“哪些chunk真正返回了用户最想要的结果”，从而不断反向优化切分策略。

这正是Graph RAG（基于知识图谱的检索增强生成）的价值所在。RAG的基本思想，是在大语言模型生成回答前，先检索可靠的外部知识；而图结构，则让这种检索不再是“一堆孤立向量”，而是有上下文、有路径、有语义结构的知识网络。

Jonathan坦言，这在一开始是“一个全新的空间”。但正因为有了图，他们才能持续学习、持续改进，而不是被一次性的架构决策锁死。这种“可演化性”，是他们最终敢于走向生产环境的重要原因。

真正的阻力，不是技术，而是人

Stephen在对话中指出，Gartner研究里最主要的失败原因，并不是模型效果，而是“没有一个真实、可变现的业务用例”。而即便用例成立，组织内部的阻力依然巨大。

Jonathan面对的，是典型的大公司场景：团队各自为战，“Not Invented Here”心态严重。有人坚持别的框架，有人觉得现有系统“还能用”，还有人直接质疑成本。Stephen点出一个常被忽视的事实：如果架构设计不当，生成式AI系统相比传统计算和云架构，确实可能贵得多。

Jonathan的应对方式，更像一个企业内部的创业者。他并不是先推技术，而是反过来研究高管和业务负责人“真正想完成什么”。只有当GenAI方案被明确地绑定到业务指标、风险降低和速度提升上，它才不再是昂贵的实验，而是合理的R&D投资。

正如Stephen总结的那样，这个案例不仅是一个“好生意”，甚至可能“拯救生命”——因为更快的技术转移，意味着救命药物可以更早到达患者手中。

总结

这场演讲给企业GenAI实践提供了一个罕见的、足够具体的参照系：从一个不可回避的业务痛点出发，用知识图谱为RAG提供结构，用生成式AI承接正在流失的专家经验。它提醒我们，GenAI项目的成败，往往在写第一行代码之前就已决定——是否选对了问题，是否尊重了组织现实，是否为系统的长期演化留下了空间。

关键词： 生成式AI， Graph RAG， 知识图谱， 企业AI落地， 技术转移

事实核查备注： 1. Gartner预测：到2025年底约30%的生成式AI项目将被放弃（演讲引用）。2. 制造业员工平均任职年限：2019年约20年，当前约3年（Jonathan Lowe引用的研究）。3. 技术方案：使用知识图谱存储文档chunk结构，用于Graph RAG。4. 演讲者：Stephen Chin（Neo4j）、Jonathan Lowe（辉瑞）。5. 场合：AI Engineer Summit，视频标题与链接如题所示。