本文目录导读：
这个问题很难给一个单一数字，因为"AI预测"覆盖的场景差异极大，准确率可以从接近随机到接近完美，我按几个维度给你梳理一下公开项目里常见的数据范围,以及影响准确率的关键因素。
按任务类型的大致区间
时间序列/数值预测（如销量、流量、股价）
- 经典基准（M5、M4竞赛）：机器学习方法在零售销量预测上 MAPE 大约 10–25%；股票日频方向预测准确率通常只有 50–55%,基本接近随机。
- 天气预报类（GraphCast、Pangu-Weather 等）：中期预报在某些指标上已超过传统数值模式，但那是"相对改进"，不是"准确率 95%"这种概念。
分类/检测类（图像、文本）
- 在标准 benchmark 上，SOTA 模型准确率常达 90%+（如 ImageNet top-1 已超 90%）。
- 但换到真实业务分布，掉 10–20 个点是常态。
大语言模型的事实性预测
- 开放域问答/事实核查准确率波动很大，常见评测里 60–85% 不等,且有明显幻觉问题。
推荐/点击率预测
- AUC 常在 0.7–0.8 区间,离线指标和线上效果差距显著。
决定准确率的关键因素
- 数据质量与分布偏移：开源项目报告的指标几乎都在同分布测试集上,真实部署时分布漂移是准确率下降的头号原因。
- 任务本身的不可预测性：金融、社会事件等本质高噪声领域,天花板很低。
- 评测口径：MAPE、AUC、F1、top-k 准确率不可直接比较；很多"准确率 99%"是特定子集或特定阈值下的结果。
- 过拟合 benchmark：开源项目常针对公开测试集调优，存在 benchmark 污染问题。
实用建议
与其问"能到多少",不如：
- 找与你业务同分布的开源项目复现其 baseline,再在你的数据上验证；
- 关注论文里的跨数据集泛化实验和消融,而不是单一最优数字；
- 对高噪声领域，把"提升几个百分点"作为目标比追求绝对准确率更现实。
如果你能说明具体场景（比如销量预测、故障预警、文本分类、股价）,我可以给出更贴近的公开项目数据和典型区间。
