AI 的第二公里

总有朋友拿着一个网页或者一个小程序，问我：”这个做下来大概要多少钱？”

三年前，我的答案是几万到几十万。一年前开始模糊。到今天，我会给他一个相对准确的答案。

几个月的 200 美金。也就是 Claude Code 目前主流的订阅档。

他不信。我说：技术上就是这样，我自己就是在这样做。

但是做出来，只是第一公里。

你怎么让这个东西在你的公司真的跑起来——那是第二公里。它跟你花了多少钱、用哪个 AI，基本没关系。

我做过几十万到几千万规模的企业和政府AI 实施项目，也做过 200 美金就能出原型的个人小东西。第一公里每年都在变便宜。第二公里没变，甚至变贵了。

第一公里已经打完

2023 年你想让一个 AI 看懂公司 PDF 合同，要雇三个工程师、一个算法，做六个月。

今天，一个人一周，200美金。

Anthropic 2025 年 9 月的一份企业端使用数据里，有一个刺眼的数字。在企业调用场景下，77% 的任务是 AI 以完整替代的方式完成的，只有 23% 是在辅助员工。消费者端这个比例还是差不多一半一半。到企业端，自动化直接翻倍。

模型够用。跑分不再是瓶颈。

然后就是第二公里。

MIT 2025 年 7 月那份企业 AI 报告里有两个数字摆在一起挺刺眼。一个是：过去两年全球企业在生成式 AI 上砸了三四百亿美元，95% 的正式投入零可衡量账面回报。另一个是：九成员工已经在用自己的 AI 账号处理工作，只有四成的公司有企业级大模型订阅。员工冲在前面，公司落在后面。

Gartner 2025 年 2 月说得更直接：到 2026 年底，60% 缺乏数据基础的生成式 AI 项目会被放弃。

AI 不是不能做。是做了之后没在跑。

国内去年最典型的一幕是 DeepSeek 一体机的部署热潮。国企、央企、政府、银行都在买。价格几十万到几百万一台，开箱即用，不用连外网。采购流程跑得飞快。

半年过去，很多一体机还在原箱子里。上过一次电、跑过几次 demo 就关机了的，也不在少数。第一公里每家都走得很快——拆箱、插电、上线。第二公里长什么样，没人想过。

国外也一样。澳大利亚联邦银行——五万五千人的大行。

2025 年 7 月，行里一份内部报告显示：自研语音机器人”Bumblebee”上线之后，客服话务量下降。基于这份下降，管理层决定裁掉客服直拨部门 45 个坐席。

裁完不到一个月，话务量不降反升。剩下的人加班都接不完，部门主管和中层自己被拉下去坐在客服的位置上接电话。工会告到公平工作委员会，一句原话——他们谎报了机器人的生产力。

2025 年 8 月 21 日，联邦银行公开道歉，撤回裁员决定，把 45 个岗位恢复过来。官方措辞是：初始评估没有充分考虑所有相关业务因素，这 45 个岗位并不冗余。

模型没错。数据也没错——话务量确实下降了一段时间。错的是这份下降数据进到向上汇报链之后，被解读成了一个可以立即拿去裁人的理由。AI 成了组织里”降本”动作的借口。等真实数据反噬回来，要道歉的不是 AI。

亏的不是模型的钱，是落地的钱。模型在总成本里占不到两成。

讲完一个 AI 故事，讲一个我自己做过的。

AI 落地这件事你如果还没见过太多，数字化的第二公里，大家应该都有共鸣。数字化我做过，智能化我也做过——死法是一样的。

下面这个故事，你把”大屏”换成”AI Agent”，”数据中台”换成”LLM”，”数据驱动决策”换成”数字员工”——读的是同一个故事。技术栈换了，组织学费不变。

第二公里的现场

那是一个周一下午。客户刚开过年度大会，一把手把我叫进办公室，桌上摊着一张 A3 纸。中间是他们自己的标志，外面一圈写着”数据驱动决策”、”智能推荐”、”千人千面”。

“你看，”他说，”我们要做一个能复刻京东淘宝的东西。就照着他们抄，应该不难吧。”

我当时头麻了一下。

京东淘宝背后是一万个工程师写了十年的系统。我们这个项目合同那时候还没签，预算口头估算百万上下，团队 20 来个人，工期八个月。他们服务的不是上亿消费者，是一线的公务员和办事员。

但我没说。乙方的第一课是不要在第一次见面就挑老板的逻辑。

“好，”我说，”我们先把数据理一遍。”

开工第一件事是梳理数据。几十个部门，每个部门都有自己的系统。有的在 ERP 里，有的在财务系统里，有的在一个叫”XX 综合管理平台”的上古遗物里。

印象最深是综合办公室张主任部门的核心数据——在他手下一个老同志桌上的 Access 文件里。那个老同志再过两个月退休。没备份。

我问张主任：”退休之前得把数据接过来吧？”

张主任说：”我们过几天研究一下。”

我们过几天再问，他还在研究。这件事一直研究到那个老同志真的退休。数据库在他电脑上，IT 那边要回收硬盘了，我们的项目经理飞过去，在擦盘之前把两百多个 G 的 Access 文件拷了出来，带回公司用两个礼拜读懂结构，才接进了系统。

这是几十个部门里的一个。

接通数据之后，我们做了 12 套标准模版下发到各部门，每周汇总一次。第一周收上来一看：每个部门都还是各报各的一套。

我说这个不行，都用我们发的统一模版。下一周收上来再看：连我们发下去的统一模版都不一样了。有人多加了一列”备注”；有人把”销售额”改成”营业额”；有人把单位从元改成了万元但没告诉任何人。

最后我们不得不请机构办公室走一道公文，题目叫《关于规范使用 XX 数据模版的通知》。走完流程、盖了三个章、下发到各部门，用了两周。通知下去之后我们再收的模版，80% 还是乱的。但那个时候下发者已经有了一个可以向上汇报的动作——通知已发。

从那之后，各部门的数据员每天下班前多交一份日报。几十个部门，每天多出一到两个小时的填表时间。

数据拉通之后接中台，中台上驾驶舱，驾驶舱上大屏。

验收那天是一个下午。会议室一整面墙是刚上线的大屏。十几个部门的关键指标在上面流转、聚合、跳动——销售额、人员变动、项目进度、业务评价、访客数——好看得像科幻片里的控制台。

我后来才知道，大屏左下角那个”实时反馈”数字跳了一下午，是工程师开了一个测试脚本在模拟用户。这个反馈入口从上线起没有一个真实用户提交过。那一下午，大屏上只有这一个数字是活的。

主持人让大家鼓掌。

我在角落想一件事。过去六个月，这个机构的几十个部门总共填了多少张汇总表，才让这面墙看起来像个东西。而这面墙此刻，没在驱动任何一件事。

上线三周后，我回那个机构做回访。项目经理陪我走了一圈。

走到综合办公室，门敞着。张主任坐在里面，手里拿着一张 A4 纸，跟一个年轻同事讨论下季度预算。A4 上是一张打印出来的表——表头我隔着几步就认出来了，跟他们立项前在用的是同一张。

我敲门进去。

“你们大屏上有预算模块吧？”我说。

张主任抬头看了我一眼。停了一下，像是在想该怎么答。

“大屏是给领导看的。”他说，语气很平，像在说一件大家都知道的事。”我们做决策还是用这个。”他抖了抖手上那张 A4。

旁边那个年轻同事大概想替他圆一下，说：”其实大屏挺好看的，数据也多。”

我没接话。我注意到张主任桌上的电脑屏幕是黑的——没开机。

回来的路上，我在茶水间碰到刘老师，他负责另一个部门。他正给一个微信群发语音，群名是他自己部门的工作群。挂掉语音他看见我，笑了一下。

“你们要的日报我让下面的人下午之前整理好。”他说。然后像是怕我多想，补了一句，”大屏上的数据是三天前的。我要的是三小时前的。”

“你们部门里看大屏的人多吗？”我问。

他笑笑，没答。

一层层问下去。中台的对接方告诉我，很多部门的”指标”其实是凌晨跑一次批的，不是实时算的，但大屏上默认展示成实时。大屏的日活用户数是 3%。

项目交付已经一段时间。上个月我去那个城市出差，绕路过了一下他们单位楼下。大屏的灯还亮着，数据还在跳。一楼的办公室窗户里，有人在打印表格。

立项评审会那天是在一个中午。桌上每人一杯纸杯装的茶。PPT 还没开始放，一把手问我：”你有什么建议？”

我说了一句话——当时没被采纳。原话是：

“不如不做这个大屏。买一套飞书，或者企业微信。你们真实的需求本质是表格协同加流程审批，不是 AI 数据中台。大多数所谓的’信息化’系统，本质上就是一个 Excel 导入导出功能。”

会议室安静了一下。不是震惊的那种安静，是有点尴尬的那种——一个乙方在甲方还没签字之前说自己不想做。坐在一把手右边的办公室主任替他圆场：”咱们再听听他后面的方案。”

一把手自己笑了一下：”我们要的是数据驱动决策，不是你说的那种协同办公。”

我点点头。接下来两个小时，我照着原计划讲完了整套方案。

但他要的其实不是数据驱动决策。

他要的是一个可以在下一次向上汇报时展示的东西。

一套飞书能做出来，但飞书的标志不能贴到汇报 PPT 的封面上。一个定制大屏能做出来，有交互，有自家标志，有上线仪式。

老板买的不是功能。是叙事。

八个月交付之后，一把手很高兴。大屏很有科技感。验收通过。尾款打款。

这也是一种成功。

按项目管理的定义，完全成功。按”有没有真的在驱动一件事”的定义，完全失败。

这是我做乙方这些年看得最清楚的一件事。乙方的考核只走到第一公里，第二公里没有甲方替你买单。甲方的采购流程、验收标准、审计指标全部停在第一公里那一天。

第二公里这段路，乙方没钱赚，甲方没人管，员工默默地回到上线之前的工作方式。

那天我说了”买一套飞书”。我在想，那天如果再多问一句：

“这件事如果只花几万块买飞书能不能解决？不能解决的部分，具体是哪一部分？”

把”不能解决的部分”逼出来，甲方就不得不具体说出定制化的真实价值到底在哪。说不出来，这个项目本来就不该开；说得出来，范围也会自然收窄到那一小块上。

乙方问不出这句话。问完之后，项目可能就没了。

第二公里的五种死法

把上面这个故事拆开，加上这些年在这条路上看到的其他场面，第二公里反复出现的死法就这五种。每一种都不是技术问题。

一、数据：不是接口问题，是权责问题。

没人愿意交数据，不是因为接口不通，是因为没人敢答”这份数据交上去之后出了问题算谁头上”。12 套模版收上来依然是 12 种格式，每个人都在模版上给自己留一道后门。这事靠的不是更好的接口，是把”谁为这份数据负责”写进合同、岗位职责、考核。没写清楚就不要开始。

二、流程：没改，AI 就是多出来的一件事。

大屏上线那天，几乎没有一个人的 KPI 因此改变，没有一条流程因此删掉一环。”AI 驱动决策” 永远是旧流程之外多出来的事。多一件事的东西没人会用。

而且 AI 比数字化还多一层难——它是一个会长大的东西。ERP 跑五年不换底层，AI 三个月换一代。员工刚培训完用法，模型换了培训作废；合规审查走到一半新能力涌现，审查重来。你不是在装一个系统，是在跟一个每个季度都长大的东西合作。减掉一件旧事不是一次性的事，是持续的事。

三、员工：没被重新考核，培训没用；而且他同时是可能被替代的那个人。

签到率 100%，使用率 3%。不是他们不会用，是他们的考核没改——”表格准时上报率”是他的 KPI，”通过大屏做出的决策数”不是。

比 KPI 更深一层，是心理。数字化没有这个矛盾——Excel 不会替代任何人。AI 会。35 岁的中层白天用 AI 写报告觉得爽，晚上躺床上想下一轮裁员会不会轮到自己。嘴上说好好好，手上能不推就不推。你找他培训他来，你让他给 AI 提调优反馈他不来。这不是 KPI 能修的。你没法用考核方案修好一个觉得自己正在被这件事优化掉的人。

四、合规：政策有，没长进流程；而且监管本身也在漂移。

审批链是”法务审、部门审、总经理审”，AI 输出进哪一步？谁替它负责？绝大多数公司的实际解法是把 AI 输出伪装成员工手写，走原来的审批链。结果是 AI 在灰区里被使用，审不了、追不了。

再加一条 AI 特有——监管本身也在漂移。欧盟 AI Act 年年换一版，国内正在快速立法，美国联邦和州在博弈。合规审不是一次做完就了事，是得养一个持续跟进的动作。这个动作的成本，立项报价单上没有。

五、老板：预期定生死。

预期太高，要补锅。Klarna 的老板曾公开承诺 AI 客服能替掉 700 个坐席、一年多赚 4000 万美元。13 个月后 CEO 在 Bloomberg 上承认”成本被当成了过于主导的评估因素”。

预期太低，直接不做。一个过去一年批过三个百万级 SAP 升级的 IT 主管，看到 42 万一年的 AI 订阅会盯五分钟，脸沉下去——”这个续费以后每年都要交？”最后缩回去买一个月费几千块的最便宜版本。三个月后使用率 2%。

两种老板面上正相反，底下是同一个认知差——都没把 AI 当 AI 看。上极当魔法，一次性定价整个组织的未来。下极当传统 SaaS，按招投标要求它。真正的 AI 采购姿势——小步试、按用量扩、随时可关——IT 采购流程里根本没留这一档。

这里还藏着一个 AI 特有的幻觉：跑分越高，摔得越狠。跑分越漂亮，老板越容易把”模型在跑分上的上限”自动对齐到”AI 在他公司里能做到的上限”。两者中间，隔着整条第二公里。跑分不是朋友。跑分是陷阱的入口。

第二公里死在这里最隐秘。不是模型跑不动，不是数据不够。是甲方在用一把错的尺子量这件事。后面所有的动作，都是在给这把错的尺子补锅。

这张账单供应商报价单上永远不会出现。最后每一家都要交——AI 的落地税。你花的那些买模型的钱，只是单据上写着的那一部分。真实的账在组织里。

但也有人走通了

死法讲完，翻到另一面。

2026 年前四个月，AI 原生公司的人效/营收比，第一次跑出工业级的读数。

Cursor 大约 50 人的团队，ARR 冲到 20 亿美元——软件史上没见过的人均数字。Lovable 146 人做到 ARR 4 亿，Fortune 500 里超过一半在用它。Kimi K2.5 发布当月，海外 API 调用量环比涨了两百多倍。

你会说这些是 AI 原生公司，没有历史包袱。

那 JPMorgan 呢——一家 200 年的老银行，CEO 2026 年致股东信里写：60% 员工在用内部 AI，450 个生产级用例在跑，每年省下约 20 亿美元。Shopify 发出那份”先证明 AI 做不了再招人”的 memo 之后一年，员工数维持在 8000–8300，营收同比 +31%，连续十个季度双位数自由现金流。

都走通了第二公里。拆开看，共同的东西大致四件。

一、AI 先用起来，再谈战略。

Shopify 那句 “prove AI can’t do it before hiring” 不是战略宣言。是每个经理招人时必须先回答的一个具体问题。这个问题被写进了绩效。

写进绩效的战略和没写进的，一年后看，是两个公司。没写进绩效的 AI 战略，一年后多半会被发现从没落地过。

二、决策权在用 AI 的人手上，不在批预算的人手上。

字节 2026 年把 AI Lab 并入 Seed，直接向 CEO 汇报。阿里组建 ATH 事业群，CEO 自己挂帅。”AI 实验室”和”业务线”中间每多一层汇报关系，AI 真跑起来的可能就减一半。走通的公司都在把这层拆掉。

三、预算从一次投改成用量制。

那个被 42 万年费吓退的 IT 主管，其实接受得了”这个月先 500 美金跑起来，下个月看着扩”。真正用起来的组织，把 AI 的花钱方式从”一次投、年年付”改成”用多少付多少、随时可停”。

老的 IT 采购流程装不下这种合同——它要报价单、要招投标、要三年签字。所以走通第二公里的公司，往往得先动采购流程，而不是先买模型。

四、第二公里是一条学习曲线，不是一次上线。

Anthropic 2026 年 3 月的 Economic Index 里有一个数字：用得越久的用户，从 AI 身上榨出的价值越高——Claude.ai 前十个任务的集中度从四个月前的 24% 掉到 19%。用户在自己发现更多用法。

这件事的意思是：甲方真正要养的不是 AI 系统，是一个持续学习和改进 AI 用法的能力。这个能力比模型本身更稀缺。

四件事写完，本质是一件——把 AI 当作一个会长期跟你一起工作的东西放进组织里。不是装进去。是和它一起长。

回到开头

朋友问我：”这个做下来大概多少钱？”

今天的答案是几个月的 200 美金。

但如果他真正要问的是：”做出来之后会发生什么？”

那个答案大概是——你公司会有一个飞着数据的大屏、一个高兴的一把手、一件没被驱动的事。

AI 在那里跑着。没人需要它跑。

第一公里崩了。第二公里没变。

这条路不是一次性爬过，是一项要养起来的能力。第一公里一年比一年便宜，第二公里没降过价，甚至还在涨。接下来五年，它会分出一批新的赢家和一批新的死队。

我现在的精力都放在这条路上——把看过的死法、走法，攒成一张第二公里的地形图。你正在走，或者要走，这张图应该用得上。

数据来源

• Anthropic Economic Index V3（2025-09-15）. https://www.anthropic.com/research/anthropic-economic-index-september-2025-report
• Anthropic Economic Index, Learning Curves（2026-03）. https://www.anthropic.com/research/economic-index-march-2026-report
• MIT Project NANDA, The GenAI Divide: State of AI in Business 2025（2025-07）. https://nanda.media.mit.edu/ai_report_2025.pdf
• Gartner, Lack of AI-ready data puts AI projects at risk（2025-02-26）. https://www.gartner.com/en/newsroom/press-releases/2025-02-26-lack-of-ai-ready-data-puts-ai-projects-at-risk
• Bloomberg（2025-08-21，Commonwealth Bank reverses job cuts decision over AI chatbots）. https://www.bloomberg.com/news/articles/2025-08-21/commonwealth-bank-reverses-job-cuts-decision-over-ai-chatbots
• TechCrunch（2026-04-17，Cursor / Anysphere $2B ARR、~50 人）. https://techcrunch.com/2026/04/17/sources-cursor-in-talks-to-raise-2b-at-50b-valuation-as-enterprise-growth-surges/
• TechCrunch（2026-03-11，Lovable 146 人 $400M ARR）. https://techcrunch.com/2026/03/11/lovable-says-it-added-100m-in-revenue-last-month-alone-with-just-146-employees/
• 新浪财经（2026-04-06，Kimi K2.5 ARR 破亿）. https://finance.sina.com.cn/jjxw/2026-04-06/doc-inhtnpyp1565088.shtml
• Shopify Q4 2025 财报（2026-02-11）. https://www.shopify.com/news/shopify-q4-2025-financial-results
• PYMNTS（2026 Q1，JPMorgan / Dimon 致股东信）. https://www.pymnts.com/news/banking/2026/jpmorgans-dimon-positions-ai-as-competitive-banking-battleground/
• 新浪财经（2026-04-22，字节 / 阿里 AI 组织重构）. https://finance.sina.com.cn/wm/2026-04-22/doc-inhvkcsk4382170.shtml
• Claude 订阅定价（2026-04 验证）. https://claude.com/pricing

本文由「新人类AI实验室」写作 Harness 产出。