近日，IFMA官方会刊《FMJ》刊发了Vineet Thuvara的文章《When AI Fails: Rebuilding a Successful Foundation》。文章没有把AI项目的失利简单归因于算法或产品，而是把问题拉回到设施管理的基本功：数据是否可信、流程是否成熟、人员是否具备判断和执行能力。
如今，在设施管理行业启动一个AI试点，似乎已经不算困难。接入几类传感器，整理一批设备数据，建立预测模型，再配置一个可视化界面，短时间内往往就能看到不错的结果。
但从试点走向真实运营，情况常常会发生变化。
建筑管理系统之间未必能够顺畅交换数据，不同项目的设备命名和维修记录各不相同，一线人员工作繁忙，异常信息也未必能按照既定流程得到处理。试点阶段干净、完整的数据条件，到了实际项目中往往并不存在。
因此，文章所讨论的“AI失败”，很多时候并不是AI完全不能工作，而是组织尚未准备好让AI持续工作。
一、试点表现良好，不等于能够长期运行
AI项目在试点阶段往往拥有相对理想的条件：范围较小、设备明确、数据经过筛选、参与人员比较集中，问题也容易得到及时修正。
但设施管理不是实验室环境。
一座实际运行的建筑可能同时存在楼宇自控系统、能源管理平台、设备厂家后台、维修工单系统和多个独立数据库。部分设备已经运行多年，部分信息由不同外包单位掌握，历史记录也可能存在缺项、简写甚至口径不一致。
更现实的问题是，AI给出异常提醒之后，谁来判断？谁来现场核实？谁有权调整控制策略？谁负责记录处置结果？如果这些问题没有明确答案，再准确的预测也可能停留在屏幕上。
原文由此提出，决定AI能否稳定创造价值的，往往不是模型本身，而是模型所依赖的运行基础和组织环境。
这对设施管理单位是一个很实际的提醒：上线系统只是项目开始，并不是项目完成。
二、设施数据真正难处理的，不是数量，而是“缺少上下文”
设施管理领域并不缺数据。
能耗平台保存着水、电、气使用记录；楼宇自控系统保存着温度、压力、启停和报警信息；计算机化维护管理系统中积累了大量工单、巡检和维修记录；设备台账则记录了型号、位置、年限和维保情况。
问题在于，这些数据未必能够完整说明当时发生了什么。
例如，一条维修记录只写着“检查正常”，对当时在场的工程人员而言，可能已经足够，因为他知道检查了哪些部位、设备此前出现过什么问题。但对AI而言，它只能看到“检查正常”四个字。
又如，一次异常振动可能会让有经验的技术人员立即联想到几个月前发生过的类似故障，但模型如果没有获得设备历史、工况变化和维修背景，就很难作出同样判断。
所以，历史数据“不好用”不一定是数据错误，也可能是数据缺少现场人员默认掌握的背景知识。原文指出，随着AI应用扩大，组织往往需要先在数据质量、治理和标准化方面投入大量工作，技术模型反而不是最先需要解决的问题。
对国内设施管理项目而言，这意味着一些基础工作必须重新受到重视：
设备名称是否统一，资产编码是否唯一，设备与空间位置能否对应，故障原因和处置方式是否采用统一分类，工单是否记录关键参数，外包单位提交的数据能否进入组织自己的系统。
这些工作看起来没有AI那么“先进”，却决定了AI以后能读懂什么。
三、最大的障碍，往往不在技术，而在组织能力
原文援引的相关调研显示，不少组织已经将相当比例的维护预算投入新技术，同时也越来越重视网络安全、数据管理和工业AI等与运营可靠性直接相关的领域。
但另一项值得注意的发现是，许多数字化项目遇到的障碍，更多与人员能力和组织成熟度有关，而不是技术或预算本身。
设施管理中的AI应用，最终要进入日常工作。如果一线人员不知道如何理解系统提示，项目负责人没有形成新的工作流程，部门之间仍然各自保管数据，经验丰富的员工也没有参与知识整理，那么AI很难真正改变运营结果。
有时，组织已经拥有比自身消化能力更多的技术。
平台不少，真正每天使用的人不多；数据很多，能够解释数据的人有限；系统不断产生报警，但报警优先级、处置责任和复核要求并不清楚。
因此，AI建设不能只编制设备和软件采购预算，也要同步安排人员培训、流程调整、岗位责任和知识传承。成熟的组织不会把AI当成替代现有团队的工具，而会把它作为提高团队判断效率的一种支持。
四、生成式AI与工业AI，解决的不是同一类问题
文章还区分了生成式AI和工业AI在设施管理中的不同作用。
生成式AI更适合处理文档类工作，例如检索制度和手册、整理维修记录、归纳会议内容、辅助形成报告。它可以减少行政性工作，让设施管理人员把更多时间用于现场运营。
工业AI则更靠近设备和资产本身。它通过传感器、运行参数和历史状态识别异常趋势，支持预测性维护，帮助管理者判断哪些设备风险正在上升，以及有限的维护资源应优先投向哪里。
两者带来的后果也不同。
一份报告摘要出现偏差，可能造成沟通不便；但如果关键配电设备、暖通系统或控制系统的早期故障信号被漏掉，就可能影响建筑的正常运行，甚至业务连续性。
因此，设施管理单位在选择AI应用时，不能笼统地问“要不要上AI”，而应先问：这个场景允许多大的误差？错误建议会带来什么后果？最终判断是否仍由专业人员完成？
原文的态度并不否定AI，而是强调在工业和设施场景中，技术必须与可靠数据、明确流程和专业判断共同使用。
五、最有价值的AI，可能并不会出现在展示大屏上
设施管理中的AI价值，不一定表现为更复杂的界面、更炫目的图表，或者更多自动生成的分析结论。
它更可能体现为一些“没有发生的事情”。
一台关键设备在故障前得到维修，一次空调异常在影响使用者之前被发现，一处电气隐患在造成停机前得到处理，一项反复出现的小问题终于通过趋势分析找到根因。
这些结果往往不显眼，因为没有事故、没有投诉，也没有大规模抢修。但对于设施管理来说，这恰恰是可靠性提升最直接的表现。
原文提出了一个非常实用的判断标准：AI是否缩短了从异常信号到可靠运营决策之间的距离？
如果系统只是增加了更多数据，却没有让问题更早被发现；只是增加了更多报警，却没有改善处理速度；只是生成了更多报告，却没有降低设备故障和运营风险，那么它的价值仍然有限。
设施管理不缺展示数据，真正需要的是能够转化为行动的信息。
六、AI项目启动前，先回答几个朴素的问题
结合文章观点和国内设施管理实践，在引入AI之前，项目团队不妨先回答几个基础问题。
我们到底希望解决什么问题？是降低故障率，减少能耗，优化巡检，还是改善维修资源配置？
现有数据来自哪里，是否连续、可靠，资产编码和设备层级是否清楚？
系统发现异常后，谁负责判断，谁到现场处理，谁负责复核和关闭工单？
一线人员是否认同这套工具，是否具备使用它所需要的知识和权限？
项目效果用什么指标评价？是预测准确率，还是停机时间、维修成本、能源费用和投诉数量的实际变化？
这些问题不复杂，却比“采用什么模型”“部署多少传感器”更接近项目成败的核心。
尤其对高校、医院、产业园区、商业综合体和公共建筑而言，AI应用涉及的不只是效率，还可能涉及安全、舒适、合规和连续运营。项目不能只在技术团队内部完成设计，工程人员、运维人员、使用部门和管理者都应参与其中。
七、对设施管理行业的启示
这篇文章给设施管理行业带来的启示，并不是要放慢技术创新，而是要改变技术落地的顺序。
先把问题说清楚，再选择工具；先把数据基础整理好，再训练模型；先明确流程和责任，再考虑自动化；先让现场人员参与，再讨论规模化推广。
设施管理数字化走到今天，行业已经逐渐从“有没有系统”转向“系统有没有持续价值”。未来衡量AI项目的标准，也不会只是平台是否上线、算法是否先进，而是它是否真正改善了设备可靠性、人员效率、能源表现和运营连续性。
AI当然可以帮助设施管理团队处理更多信息，更早发现异常，也可以缓解专业人员不足带来的压力。但它无法自动弥补混乱的数据、模糊的职责和不成熟的流程。
结语：AI失灵时，应先回头检查基础
《When AI Fails》并不是一篇唱衰AI的文章。相反，它讨论的是如何让AI真正发挥作用。
技术已经能够提供越来越多的可能，接下来的问题是，组织是否拥有承接这些可能的能力。
对设施管理而言，最可靠的AI基础并不神秘：清晰的设备台账，规范的工单记录，稳定的数据来源，成熟的维护流程，有经验并愿意使用新工具的团队，以及异常发生后能够迅速执行的责任机制。
当这些基础具备时，AI可以成为设施管理人员的助手，帮助他们更早看见问题、更快找到重点、更合理地安排资源。基础不足时，再先进的系统也可能只完成一次漂亮的试点。
设施管理中的AI竞争，最终比拼的未必是谁先用了技术，而是谁先把数据、流程和人真正连接起来。
