ARTICLE · 1257733
你花百万买的 AI,可能只是个更贵的 Excel:3 个信号判断它真落地还是画饼
QUOTE
这一轮真正较劲的，不是谁家模型更强，而是验收权握在谁手里。
大家好！我是 Hrain。信息系统项目管理师，十多年数字化转型实战，这几年扎在 AI 落地一线。
帮中国企业把AI落到业务里、少踩坑、早落地
一场正在发生的“验收权迁移”
很多人以为，企业 AI 这一轮比的是模型。
不对。这一轮真正较劲的，从来不是谁家模型更强、概念更新，而是另外三件事：这笔钱省了多少、出错能不能退回去、上线之后有没有人天天盯。
把这几周头部厂商的动作摆在一起看，会发现它们的路线罕见地收拢到了同一个方向上。
10 月 21 日，百度搭子在杭州开发布会，宣布下一步重点转向企业生产经营场景——按它自己的说法，是要让 AI“从办公桌走上生产线”，当天披露的两个数字是企业客户环比增长 83%、交付物需求环比增长 4.3 倍。10 月 13 日，阿里千问推出 Personal Agent“千问 Go!”，依托 Qwen 3.8 系列的 Agentic 能力，把原本只能处理短链路事务的助手，推到流程不固定的复杂事务上去。10 月 14 日，企业微信与 WorkBuddy 联合发布新版本，实现双向深度互通，办公智能体直接进了企业的通讯录。字节则把飞书与豆包、火山引擎的能力进一步打通，投的是同一条企业协作的路。再往后几天，腾讯全球数字生态大会将在 10 月 29 日到 30 日于深圳召开，主线同为 AI 与 Agent。
几家的话术各不相同，穿到底下却是同一个动作：AI 正在从一个“能聊天的工具”，变成一条“能干活的业务流程”。
这件事我给它起了个名字，叫一场静悄悄的“验收权迁移”。以前验收的是模型漂不漂亮，往后要验收的，是你的业务到底有没有变。
过去那套想法，是怎么把自己卡住的
过去普遍以为：模型越强，离落地就越近。
这个判断错得很实在，它把“能不能做出来”当成了“有没有真的落地”。演示厅里跑通的那一秒，跟你的业务真的变了，中间隔着三道坎。
它卡你一次，卡在数据调不动。
同一批零件，仓库台账按批次编号记，售后系统按工单号记，两边的标识对不上；同一个人的联系方式，在三个系统里更新进度各不相同。AI 拿到的上下文是残缺的，模型再强也只能在半截信息上硬猜。这不是模型的问题，是这批数据从来没有被指派过责任人。
再卡你第二次，卡在流程传不下来。
真正值钱的那部分，往往锁在老师傅脑子里：这台参数的设备在冬天该怎么调、这类投诉到什么程度该放行。它从来没被写下来过，也就没有东西能喂给 AI。人一走，know-how 跟着人就走了。
还卡你第三次，卡在上线之后没人盯。
上线那天格外热闹，之后就没人管了。业务在变、话术在变、产品线在变，AI 还是上线那天那个 AI。等半年后它开始答非所问，你才发现已经三个月没人看过它的日志。
这三道坎，任何一道都能把“演示惊艳”变成“上线哑火”。
代价是可以量化的。艾瑞咨询的数据显示，2026 年一季度大型和中型企业的 AI 总体采用率已经到 90.9%——用，是差不多都在用了。
可往下看一层，画风就变了。中国信通院《人工智能赋能中小企业高质量发展研究报告（2025 年）》给出的分层是：在已经用上 AI 的受访中小企业里，实现核心业务规模化应用的只有 23%，45% 还停在部分业务试点，28% 处于实验性探索，真正全流程嵌入的只有 4%。
另一组数更说明问题。十月的人工智能产业大会上，同一家机构梳理了 1119 个制造业 AI 场景，其中“验证级”场景的占比排在各类场景之首，达到 45%——已经跨过技术可行性这道门槛，却没能迈进规模化推广。
一边是“差不多都在用了”，一边是卡在验证到规模化之间。这两句之间隔着的那段距离，就是“买了”和“落地了”的距离。
图：演示惊艳与上线哑火之间，隔着这三道坎
本质是一次验收权的迁移
这里有个很多人忽略的关键点：厂商担的风险，锚在“能不能交付”这一端；你担的风险，锚在“交付完之后有没有真的跑起来”这一端。
这两件事，从来不在一个地方。
演示里十秒读完一百份合同，证明的是前者；它证明不了你的售后工程师这周是不是少加了两个小时班。
所以本质就是完成一次验收权的迁移——从“厂商拿着 PPT 告诉我它有用”，迁到“我自己能查出来它有用”。过去验收的人是他，往后验收的人是你，这一换，判断的起点就完全不一样了。
图：验收权从厂商那一端，搬到你自己的业务里
一、共识：几条路不一样，落点是一个
看起来四家在打四场仗。
百度的路是从个人办公切入再往生产环节推，先解决“值不值得用”；阿里的路是拿 Qwen 3.8 的 Agentic 能力把办事范围往复杂事务上扩，先解决“能不能办得成”；字节的路是把飞书与豆包、火山引擎打通，先解决“在企业里落在哪个入口”；腾讯的路则是把大模型、办公智能体和企业通讯录连成一整条链。
路径差得很远，穿透来看却是同一个结论：AI 的胜负手，已经从“模型有多强”，挪到了“它在业务流程里占住什么位置”。
以前是模型带着场景跑，给什么能力就凑什么场景；现在是场景反过来挑模型，验不过就换。顺序颠倒，整个逻辑就彻底变了。
二、壁垒：这三样东西，砸钱也买不来
既然方向这么清楚，多花点钱是不是就能买个落地？
买不来。因为这三样东西的定价，不在报价单上，而在组织架构图上。
模型、部署、工具链都可以打包卖给你，但下面这三件事，没有任何一家厂商能替你签字。
一样是数据归属的确认。
表面是把接口打通，实际是逼着几个部门回答“这批数以后归谁维护、出错了扣谁的分”。这件事从来卡在有人不愿松手，而不是卡在缺一个技术方案。后果也很直接：这一步不做，AI 永远只能站在业务外围喊加油。
一样是流程规则的改写。
把老师傅脑子里的东西落到纸上，等于把个人经验收编成公司资产，顺带还会动到一群人的话语权。所以真正难的不是“写不出来”，而是“写出来动了谁的奶酪”。代价是明摆着的：这一步不做，AI 学到的是一条没有例外的理想流程，真碰到例外立刻原形毕露。
一样是考核表里多出来的一行。
长期盯着 AI 跑得怎么样，前提是这件事在考核里占一行；而多数公司这一行是空的——做成了不算功劳，出事却要担责。它致命的地方在于：前两样即便都攒齐了，没人盯也会慢慢烂掉。
这三样，钱买不来，只能自己攒。这跟买算力不一样：算力加钱就有，这套东西加钱，只会加到别人口袋里去。
三、分化：你的位置不在全链路，在“窄而深”
看清楚这三道壁垒，分工也就清楚了。
四家当下在做的事，本质是把“模型、记忆、工具链、部署、入口”这一整层做成通用底盘，把成本摊到全行业。这是它们的活，也是它们的优势——你不要去抢。
你要咬住的，是它们永远铺不过来的那一块：你自家的业务细节。底盘越通用，自家的业务细节就越值钱，因为这是少数几家大厂摊不掉的成本。
具体的生存窗口，我给起了个名字，叫窄而深。
窄而深不是保守，是把本来就不多的验收能力，压到一个能被当场证伪的点上。
“窄”指的是场景要窄：别一上来就搞“全员 AI”，挑一个高频、输入输出明确、答错能被立刻发现的位置切入——售后知识库的问答、投标文件的初筛、门店巡检报告的汇总，都属于这类。“深”指的是要埋得深：把这一个小场景里的数据、规则、例外情况全部吃透，做到 AI 答错能被当场揪出来。
这类切口其实高度同构。拿一个典型的样子来看——三十来人的售后团队，每天要应付两百来条重复问答。他们没有先挑工具，而是先把验收标准落在纸上：每周省下八个人工小时算达标、答错率超过 5% 就停机回滚、每周五由主管复盘一次。跑到第六周前后，团队往往会撞上一个不大不小的坎——相当一部分错误回答来自早已停产机型的旧知识库。这类毛病跟模型聪不聪明没关系，根子在知识库压根没人维护；而把它揪出来的，恰恰是每周五那一小时的复盘。
所以真要动手，三件事按顺序来。先把验收标准写死，再谈采购——标准写不出来，合同签了也是一笔糊涂账。接着给它配一个活的责任人，是那个能改提示词、能调知识库、能当场做决定的人，不是让项目经理顺手兼着；这个人不必懂大模型原理，但必须懂这块业务。最后留一条退回去的路：答错能不能一键撤回、能不能立刻转人工、凌晨出问题谁能拍板。出事那一秒找不到人，这套东西在业务里就是个没人值守的开关。
也诚实说一句反向筛选：这三类先别急着掏钱。
流程还没理顺、指望 AI 倒逼管理的；全公司找不到一个愿意接手的人；数据散在各人自用的表格里、连本统一台账都没有的。不是不能做，是现在做，钱大概率会打水漂。
四、终局：三个信号，半年就能验出来
往后判断一家企业的 AI 是资产还是摆设，看的是验收权握在谁手里。
这里有个分寸值得留意：这三个信号验的不是“你做没做过”，而是“这件事有没有变成公司的固定动作”。能启动一次不算数，能周周复现才算数——中一条算及格，中两条算真用上了，三条全中才算跑通。
信号一：这笔账能算到具体的人头上。
不是让你做一份多精细的测算表，是你说得出省了哪个岗位、哪几个人、哪几个小时的班，而且这个数字对得上排班表。“提效了”三个字是画饼；“售后组每周少排两个重复答疑的班”是可验证的事实。算不到人头，这笔钱就还没跟业务真正发生关系。
信号二：出错有人认领，而不是有人围观。
一键撤回和转人工只是及格线，真正的信号是“谁有权当场拍板停机、这次事故算谁的”已经写明白，不用临时开会找人。因为百分之几的错误率在演示厅里只是个小数字，落到真实的客服场景，就是若干位客户被实实在在冒犯了一次。能撤销、有人担责，才叫可控；可控，你才敢往核心业务里放。
信号三：盯盘这件事进了例会。
不是老板哪天忽然想起才问一句，是每周有固定一小时、固定的人、一张固定的表，并且“错到什么程度就回滚”已经写进流程。真正跑通的团队往往还先定了“哪类活不接”——比如不接没有业务对接人的项目。道理不复杂：没人长期负责，再好的方案也会长草。
半年下来，跨过这条线的团队张口就能报出这三样；没跨过去的，只能掏出供应商那份季度报告——数字挺好看，跟自己的账对不上。
图：验的不是做没做过，是有没有变成固定动作
说回标题那句话。如果这套东西只是把原先在 Excel 里做的事换了个界面，没有触动流程、没有责任人、也没人给它出题判卷，那它并没有进入业务——它只是一个比 Excel 贵得多、还需要额外维护的摆件。
写在最后
潮水退去，靠模型新鲜感撑起来的好奇心会先退场。留在岸上的，会是那些把验收权握在自己手里的企业——它们未必买了很贵的模型，但省了多少、能不能退回去、有没有人盯，这三问都答得出来。
计算机领域有句老话，杰拉德·温伯格说的：无论问题看起来多复杂，总有一个简单的错误答案。放在 AI 落地这件事上，那个简单的错误答案就是“模型够强，落地自然就来了”。
老子也讲：知人者智，自知者明。看懂四家在台上怎么摆造型不难，难的是看清自己这笔钱到底落地没有。
表面是 AI 与 Excel 的取舍，底层是对“投入能不能被自己验证”的敬畏——脱离业务细节的 AI，再贵也只是个更好看的摆设。
大家还在问（FAQ）
问：模型半年一换代，现在投的钱会不会白扔？
大概率不会，前提是你的钱花在数据归属、流程落纸、专人盯盘这些地方。模型换成谁家的都行，这些东西不会跟着换代一起作废。真正容易白扔的，是把钱全押在某个特定模型的调用费上。
问：我们团队里没有懂 AI 的人，这三个信号是不是更做不到了？
恰恰相反。要把这笔账算到具体的人头上、要保证每周有人坐下来复盘，靠的都是懂业务的人，跟团队里有没有人会写提示词关系不大。先别急着招算法的人，先找一个愿意接手、又熟悉这块业务的负责人。
问：选公有云上的方案，还是本地部署，这三个信号还适用吗？
适用，而且更应该先看。部署形态解决的是“数据放在哪儿、谁碰得到”，解决不了“有没有人盯、出错能不能退回去、这笔账能不能算到人头”。把这三件事卡住，比纠结上云还是放本地，更能决定这笔钱的下场。
你手上的项目，这三个信号中了几条？
评论区说说你见过的那些“电子吉祥物”式用法，咱们一起排排雷。
