AI落地第一步:不是选模型,是找场景

 一家中型制造企业，2024年花了200万上一套AI视觉质检系统。选型时，CTO做了充分调研：选了当时最热门的深度学习框架，找了行业头部供应商，POC（概念验证）阶段准确率达到了95%。但上线6个月后，实际使用率不到30%。 

 为什么？因为AI系统解决的是"外观缺陷检测"，但工厂真正的痛点是"工艺参数优化"——产品不良率的根因不在外观，而在生产过程中的温度、压力、时间参数。质检员早就能靠经验检出外观问题，但工艺工程师调不好参数。 

 "AI用错了场景，再好的技术也是浪费。" 

 我在AI落地咨询项目中观察到一个共性现象：AI项目失败的企业里，超过60%的根因不在技术选型错误，而在"场景优先级"设计错误。技术团队忙着选模型、调参数、搭平台，但业务部门真正需要解决的问题，AI根本没覆盖到。 

 Gartner的调研也印证了这一点：预计到2027年，超40%的企业AI Agent项目将被叫停，主要原因是场景选择不当。 

 差距在哪？拆开看三个层面的"坑"。 

 一、场景错配：追热点选"高大上"场景，但业务痛点不在那 

 大多数企业选AI场景的方式是这样的：看到同行上了"AI视觉检测"，我也要上；听说"智能客服"能降本，先搞一个；"大模型"火了，内部先做个ChatGPT试试。 

 这些场景本身没问题，但问题是：它们是不是你业务中最痛的那个点？

 某零售企业2024年上了AI智能客服项目。选型逻辑是：客服成本高、同行都在做、技术成熟。但上线后发现：客服成本确实降了15%，但业务部门抱怨"库存预测还是靠猜，缺货和积压同时存在"。 

 当企业追热点选场景时，往往忽略了"业务痛点优先级"。智能客服是"锦上添花"的场景，但库存预测才是"雪中送炭"的场景。AI解决了不痛的问题，痛的问题还在。 

 通俗理解：就像你身体不舒服去医院，医生不问你哪里疼，直接给你开最贵的体检套餐——全身PET-CT。但你可能只是需要查个血常规。检查很全面，但没解决你的问题。 

 某零售企业后来调整了策略：把AI资源从"智能客服"转向"库存预测"。基于历史销售数据、天气、促销计划训练预测模型，3个月后，库存周转率提升25%，缺货率下降40%。 

 "关键转折点不是换了更好的AI技术，而是选对了场景。" 

 ▲ 图：AI场景优先级矩阵——业务痛点 × 数据可用性 × 技术可行性三维评估 

 正确的做法是建立场景优先级矩阵，用三个维度评估每个候选场景：业务痛点程度（这个问题每年造成多少损失？）、数据可用性（解决这个问题的数据是否可获取？）、技术可行性（现有AI技术能否解决这个问题？）。 

 二、价值模糊：AI场景没有清晰的ROI测算，"为了AI而AI" 

 即使场景选对了，还有一个问题：这个场景值不值得用AI解决？

 很多企业的AI项目是这样立项的："竞争对手上了AI，我们不能落后"、"AI是趋势，我们要提前布局"、"这个场景用AI看起来很酷"。这些都不是ROI（投资回报率）测算。没有清晰的商业价值论证，AI项目很容易变成"为了AI而AI"。 

 某金融企业花150万上了AI文档分类系统。项目目标是"提升文档处理效率"。但上线后算账：AI系统每年节省人工成本约20万，但系统维护成本每年30万。投入产出比是负的。

 为什么？因为文档分类不是高频高价值场景。员工每天处理文档的时间本来就不多，而且大部分文档有固定模板，规则引擎就能解决，不需要AI。 

 通俗理解：就像你买了一个昂贵的咖啡机，每天花30分钟清洗维护，但一个月只喝10杯咖啡。机器很高级，但算下来还不如买速溶划算。 

正确的做法是"先算账，再立项"——这个场景每年能节省多少人工成本？能提升多少转化率/降低多少损失？AI系统的总拥有成本（TCO，包括硬件、软件、人力、维护）是多少？投资回收期是多久？ 

 ▲ 图：AI项目失败根因分析——场景选择错误占比超60% 

 某制造企业AI质检项目的ROI测算：场景是工艺参数优化（不是外观检测），价值是每年减少不良品损失约300万，成本是AI系统总投入120万、年维护20万，回收期约5个月。这才是值得做的AI场景。 

 三、资源错配：把AI项目交给IT部门，但业务部门不参与 

 即使场景选对了、价值算清了，还有一个问题：谁来负责这个项目？

 大多数企业的AI项目是这样分配的：IT部门负责选型、实施、上线；业务部门"提需求"、"验收"；项目上线后，业务部门"使用"。这个分工看起来没问题，但有个致命缺陷：业务部门不深度参与，AI项目很容易"上线不上用"。

 某制造企业AI质检项目，IT部门全程主导。从选型到上线，业务部门只在需求阶段提了几条要求，验收阶段签了个字。结果上线后，质检员不愿意用——"AI说这个有缺陷，但我看没问题"；工艺工程师不愿意调——"AI推荐的参数我没见过，不敢用"。 

 通俗理解：就像装修房子，你请了最好的施工队，但你全程不参与设计。结果装完了，插座位置不对、厨房动线不合理、卫生间没留洗衣机位。施工很专业，但不适合你住。 

 某制造企业的正确做法：AI质检项目启动时，成立了"联合项目组"——业务负责人（质检经理）担任项目联合Owner，对业务效果负责；IT负责人担任技术Owner，对系统稳定性负责；质检员代表参与需求设计、数据标注、验收测试；工艺工程师参与模型训练、参数推荐逻辑设计。 

 结果是：质检员主动使用，工艺工程师信任AI推荐。3个月内，缺陷检出率从82%提升到96%。关键成功因素不是技术更好，而是业务部门深度参与。 

 ▲ 图：AI落地正确路径——场景评估 → ROI测算 → 联合项目组 

 回到开头那个案例——那家制造企业后来怎么解决的？他们停掉了"AI视觉检测"项目，重新梳理业务痛点，发现真正的痛点是"工艺参数优化"。切换场景后，联合质检、工艺、IT三个部门组建项目组，3个月内缺陷检出率从82%提升到96%，每年减少不良品损失约300万。 

 "AI落地的第一步，不是选模型，是找场景。场景选对了，技术才有价值；场景选错了，再好的AI也是浪费。"