ARTICLE · 1096923
企业上AI,别从买工具开始:一份 0-1 落地清单
企业上AI，别从买工具开始：一份 0-1 落地清单
花了几十万上AI，最后没人用——问题往往不在技术，在第一步。
过去两年，我见过太多企业的 AI 项目死在同一个地方。
有的公司花了上百万搭 AI 中台，半年后登录后台一看，日活个位数； 有的 IT 部门闭门三个月做出了"智能助手"，业务同事打开一次就再没打开过； 还有的老板在年会上喊"全面 AI 化"，下面几百号人面面相觑——不知道从哪下手。
这些项目的钱没少花，技术也不算差。真正的病灶只有一个：把 AI 落地当成了技术项目，而它其实是个管理项目。
真正把 0-1 跑通的公司，做的都是同一件事：先找到一个小到不能再小的场景，把它做出可衡量的结果，然后再谈第二、第三个。
下面这七步，是从一堆真实项目里扒出来的最小可行路径。顺序不能跳。
第一步：先别买工具，先定义"痛在哪"
绝大多数企业上 AI 的第一反应是：选哪家模型？买哪套平台？
错。先选场景，再选工具。
一个值得做 AI 的场景，要同时满足三个条件：
高频 —— 每周至少发生几十次。一年做两次的事，AI 帮不上什么忙，人也记不住怎么用。 输入输出明确 —— 你能说清"喂进去什么、吐出来什么"。说不清的，模型也说不清。 有容错空间 —— AI 万一错了，有人兜得住，不会出大事。
给你一个粗算公式，用来给场景排序：
场景价值 = 发生频次 × 单次耗时 × 人力单价 × 可 AI 化程度
第一批适合做的场景（低风险、见效快）：
客服 / 售前问答（有现成知识库和历史工单） 会议纪要 + 待办自动提取 文档、标书、方案、合同的初稿生成 数据报表的自动解读与摘要 电商商品文案、详情页批量生成 内部制度 / 产品知识的问答助手 研发侧的代码辅助
第一批千万别碰的：
直接对客的自动决策（自动定价、自动审批放款） 强合规对外输出（法律文书终稿、对外财报） 核心交易链路的改造
原因很简单：第一批的目标不是省钱，是跑通流程、建立信心。出一次事故，整个项目就停摆了。
第二步：盘数据——80% 的项目卡死在这里
场景定下来，立刻做一件事：盘数据。
只需要回答四个问题：
数据在哪？ 在系统里？散落在 Excel？还是只在几个老员工的脑子里？ 能不能拿到？ 权限归谁管？跨不跨部门？有没有合规风险？ 干不干净？ 格式统一吗？有没有好几套互相矛盾的版本？过期了吗？ 有没有"标准答案"？ 历史工单的正确回复、过往的成稿、专家的判定记录——这些是后面评测的黄金素材。
最小可行数据量：一个垂直场景，100–500 条高质量样本，足够跑通 MVP。 不用等大数据平台建好，那是后话。
⚠️ 一个必须正视的信号：如果答案是"数据都在几个老员工脑子里"，那你的第一件事不是上模型，是知识萃取——把隐性经验变成文档、表格、问答对。这件事不做，后面全是空转。
第三步：两周做一个能用的东西，别做平台
MVP 阶段有三条铁律：
① 别自研，别训模型，先用现成的大模型 API。 自研和微调是成本高、周期长的事，留给第六步之后再考虑。
② 技术路径按优先级选，从低到高：
大多数团队的毛病是反着来的：一上来就要微调，结果数据没标注、评测没有，三个月白干。
③ MVP 的验收标准只有一条：业务同事愿意每天主动打开用一次。
不是"演示效果好"，不是"领导看了很满意"。是真实用户在没有监督的情况下，还愿意用。
关键点：第一阶段做人机协作，不做全自动。 AI 出初稿，人来审、来改。这既保证质量，又能顺手积累反馈数据。
第四步：建评测集——最容易被跳过、也最容易埋雷的一步
没有评测集的 AI 项目，等于在雾里开车。
怎么做：
从真实业务里抽 50–200 条 case 每条写清三件事：输入 + 期望输出 + 判定标准 每次改提示词、换模型，就跑一遍评测集，看分数变化
有了它，"这个版本好还是上个版本好"这种吵架就可以结束了，看数字。
指标别只看准确率，重点看这三个：
采纳率（最重要） —— AI 输出被直接采用或只需小幅修改的比例。低于 60% 说明离上线还远。 单次耗时下降 —— 原来要多久，现在要多久。这是业务同事唯一真正关心的。 兜底率 —— 需要人工推倒重来的比例。超过 20%，说明还不到放量的时候。
第五步：小范围灰度，人在回路
找 5–20 个真实用户，其中一定要有爱挑刺的。
每个 AI 输出旁边都留反馈入口：好 / 不好 / 哪里不好 每周固定开一次 30 分钟的 bad case 复盘会，雷打不动 反馈要闭环——用户提了意见，下周能看到改进，他才会继续提
迭代的优先级顺序（很多人搞反了）：
补知识库 → 改业务流程 → 改提示词 → 最后才考虑换模型 / 微调
大部分"模型不够聪明"的抱怨，其实是知识没给够。
第六步：算清楚账，决定这个项目是活还是停
上线一个季度后，必须拿出三个数：
省了多少时间 —— 频次 × 单次节省时长 × 人力成本 提升了多少收入 —— 转化率、客单价、响应速度带来的增量 花了多少钱 —— API 调用 + 人力投入 + 运维
判断线：如果 AI 相关成本 > 节省下来的人力成本，就该停下来复盘，而不是继续加码。
也别忽略隐性收益：响应速度快了、新人上手周期短了、知识不再随着员工离职而流失。这些短期内不算钱，长期比省钱更值钱。
第七步：把第一个场景变成"可复制的样板"
跑通一个，比规划十个有用。
沉淀三样东西：
一份场景落地 SOP（选场景 → 盘数据 → MVP → 评测 → 灰度 → 算账） 一套评测集模板 一份踩坑清单（哪些坑我们踩过，下个别踩）
组织上固定一个小队，四个角色缺一不可：
业务负责人（对结果负责，是甲方） 落地负责人（懂 AI、能把需求变成实现） IT / 数据（开权限、保安全、做集成） 高管 Sponsor（跨部门协调资源、改考核）
⚠️ 必须强调：业务负责人是甲方，IT 只是支撑。 AI 项目失败，至少一半是因为业务不参与需求、不参与验收、最后也不用。
三个最常见的死法
① 一把手工程没有一把手 只喊口号，不给资源、不改考核、不容忍试错。这种项目从立项那天就死了。
② 交给 IT 部门单干 业务部门不提需求、不验收、不用，做出来的东西永远"差点意思"。
③ 一上来就做平台 半年过去，平台上线了，场景一个没跑通。
一份 90 天时间表
第 1–2 周：选场景、定指标、成立小组 第 3–4 周：盘数据、建评测集（50–200 条） 第 5–8 周：做 MVP、内部试用、收集 bad case 第 9–12 周：灰度放量、算账、决定扩场景还是停下来复盘
三个月，足够把一个场景从 0 做到 1。至于"全面 AI 化"，那是第 12 个月之后才该讨论的事。
最后
AI 落地最反直觉的一点是：起点越小，跑得越远。
不要问"我们要不要全面 AI 化"，先问一句更实在的：
下周一，哪个岗位能因为 AI 少加班一小时？
从那个岗位开始。
你们公司的第一个 AI 场景，会选哪一个？欢迎在评论区聊聊，或者说说你现在卡在哪一步。