企业做AI转型,别先急着采购工具,AI项目最难的其实不是技术

很多企业的负责人，大概都有过这样一段相似的经历，在看过现场演示，听过服务商的介绍之后，大家心里会生出不少对未来的期待，觉得AI可以帮自己的团队卸下不少重复做事的担子，于是乎就立即安排手下的人去挑选合适的产品，然后把这套工具敲定下来。等到系统在完成交付之后，大家才开始慢慢发现，演示里面那种顺畅的效果，很难原样的复现在自己日常的业务里面的。最开始的热情劲会一点点凉下去，然后新工具慢慢就被放在了旁边，最后能够稳定使用起来的部分其实少得可怜。

大家讨论AI的重心，其实已经悄悄地变了。早些年的时候，大家主要在纠结自己要不要跟上这波AI的浪潮，但是到现在，更多人关心的是，把AI引进来之后，怎么才能拿到稳定又实在的效果。要不要做这件事，已经基本形成了共识，但是怎么做才能稳稳的落地，这件事情并没有一个简单的标准答案。

很多的团队都已经尝试过AI，浅一点的会安排小范围的试用，深一点的会专门采购一套系统。可试用和正式跑进业务里面，中间隔着很远的距离。不少项目在展示的时候看着很不错，但是当它被放到真实的工作场景里之后，就会冒出各种各样之前没有预料到的状况。这种落差感，并不是某一个团队不够用心才造成的，它是很多企业在推进AI的时候，都会撞上的一道坎。

01 AI本身就带有不确定性

这一点，其实很容易在选型采购的时候被大家忽略掉。大模型的输出，本身就不是一种绝对的确定性的结果。同样的一个问题，在不同的时机去提问，得到的回复有可能是不一样的。它有可能给出带有偏差的内容，也有可能引用一些已经过时的信息。这样的特性，是技术本身就自带的，并不是我们换了一个更好的模型，或者反复去调整参数，就能够被彻底消除掉的。

如果只是简单的问一句话，那么就算答案不够理想，人还是可以手动修改一下，带来的影响并不会太大。但是AI真正能够发挥价值的场景，是连贯的处理一连串的工作步骤。只要其中任意一步出现了一点偏差，那么这个偏差就会顺着流程一直往下传递，后面每一步的结果，都会跟着受到影响。

这种不稳定的特质在低风险的场景里面还算容易被接受，但是如果我们想让它承接一些关键的业务，而且全程都不安排人来把关，那么风险就会变得很高。我们不能单纯凭着演示里面稳定的表现，就默认它在所有场景里面都可以可靠地工作。

02 打通系统才是繁重的工作

很多人会下意识地觉得，AI落地这件事情，核心就是模型算法好不好，但是等到实际的推进之后，大家才会明白，情况并不是这样的。

模型只是整套体系里其中的一环而已，其实大量的工作量都会被消耗在系统对接和流程适配上面。企业内部原本就存在很多已经运行了多年的系统，这些系统大多是分阶段搭建起来的，彼此之间并不互通。接口的规范、字段的定义，很多都没有被统一好，就算是我们自己的员工，在跨系统核对信息的时候，都需要花上不少精力，更不用说交给AI自动去调用了。

很多时候，AI给出的回答听起来通顺又合理，但是它没有办法主动的推动业务继续往前走，问题往往不是出在它能不能理解文字，而是它拿不到准确、一致的内部信息，也没有办法和现有的系统顺畅地交互。

不少团队会把大量的时间花在寻找更强的模型上面，但是他们忽略了，真正卡住进度的地方，其实藏在这些琐碎的工程对接里面。模型再聪明，也弥补不了底层数据和系统不通顺带来的阻碍。

03 规模上来之后，成本和风控会凸显出来

在很小的范围试用的时候，调用量不大，频次也不高，成本和风险的问题，一般是不会暴露得很明显的。但是一旦我们打算扩大使用的范围，这些问题就会慢慢浮到台面上来。持续的交互会不断地产生算力开销，如果我们为了提升输出的稳妥程度，叠加更多检索和推理的环节，开销还会继续往上增加。

而且算力成本只是其中的一面，风险管控的平衡，也很难被拿捏好。权限给得宽松一点，AI执行起来会更加顺畅，但是数据和操作失控的隐患，也会跟着变大；权限卡得太严格，每一步都要人来确认，AI节省人力的优势，又会被大幅度地削弱。

如果整套运行的体系里面，对应的监控机制没有被搭建起来，管理者很难及时察觉到异常。AI有可能在正常地处理任务，也有可能一直在无效地空转，故障发生之后，也没法第一时间被大家发现。所以我们在判断一个方案能不能放大使用的时候，不能只看理想状态下的收益，还要想清楚后续持续运行的开销、还有风险兜底的方式。

04 人的习惯和组织认知，改动起来最难

前面说到的这些，大多还属于技术和工程层面的难题。

可很多 AI 项目停在半路上，根源其实不在技术，而在人和组织本身。有不少团队，会把演示环境里面跑通的效果，当成是可以直接复制到日常工作里的能力。演示场景是被提前整理好的，数据很干净，而且还有人在旁边兜底，但是真实的业务里面，不会一直维持这样理想的条件。受控环境里的成功，不能等同于常态化的稳定运行。

还有一种很常见的做法，原有的工作流程一点都不改，只是额外加上AI这条新的工作线。员工一边要完成原本手上的工作，并且还要学习和操作新工具，整体的负担反而加重了。

这并不是AI本身存在缺陷，是大家只把它当成一个外挂工具，没有把它融入到整套业务流程里面去重新梳理。

另外，很多管理者会沿用过去信息化项目的思路去看待AI。立项，开发，验收，然后这件事就算结束了。但是AI是需要持续调整的能力，业务会变化，数据也会更新，如果验收之后就不再持续维护，它的效果会慢慢地衰减下去。员工长期养成的工作习惯，也不会因为一套新系统上线，就自动发生改变。如果业务部门没有被深度地吸纳进来，也没有设置长期跟进的安排，这套AI工具，最后大概率只会变成一份验收材料。

当我们认清这些层层叠叠的卡点之后，就更容易看懂一件事：AI转型的起点，并不是着急挑选和采购工具。我们不应该先买好产品，再想着去匹配业务，而是要先向内看清自己当下的真实情况。

市面上可以选择的AI产品有很多，但是能够把AI稳稳扎根进企业业务里面的落地能力，其实并不多见。AI的价值，从来不是花哨的演示效果，而是帮大家把重复琐碎的工作释放出去，让员工可以把精力放在更有创造性的事情上。AI不是用来替换人的，它更像是给团队配上一支超级外脑。