夜雨聆风这几年我看企业做AI，最常见的一种场景是这样的。
老板听完一个AI产品演示，很兴奋。现场效果很好，PPT也漂亮，客服、销售、财务、人事、知识库、数据分析，好像每个部门都能马上被AI改造一遍。
然后项目启动。
一个月过去，Demo出来了。
两个月过去，还是Demo。
三个月以后，大家开始开会讨论：“为什么效果没有预期那么好？”
最后项目被放进一个很体面的文件夹里，名字通常叫“AI创新试点”。
这不是个别现象。很多企业AI项目，看起来差的是最后一步，其实从第一步就已经埋了雷。
01｜模型通常不是第一个问题
很多人一谈企业AI，就先问模型。
用哪一个模型？OpenAI、Claude，还是DeepSeek？要不要本地部署？参数够不够大？
这些问题当然重要，但在真实企业里，它们经常不是第一问题。
企业AI最早卡住的地方，往往很朴素：
你到底想让AI解决哪一个问题？
这个问题现在由谁来做？
每天发生多少次？
现在的成本是多少？
成功以后用什么指标判断？
这些问题答不上来，后面模型再强，也只能做出一个看起来很热闹的演示。
我见过太多需求，开头都是一句话：
“我们想用AI提效。”
听起来很正确，也很危险。因为“提效”不是需求，它只是愿望。
真正的需求一定要落到某个流程里：谁在什么场景下，用什么输入，做什么判断，产出什么结果，结果给谁用，错了谁来改。
没落到这里，AI项目就会一直飘在天上。
02｜数据没准备好，AI只会放大混乱
企业AI第二个常见问题，是数据。
很多公司以为自己有很多数据：客户资料有，销售记录有，合同有，会议纪要有，报价单有，历史项目也有。
但真正到AI落地时，才发现这些东西散在不同地方。
有人存在个人电脑里，有人在微信群里发过，有的在Excel里，有的在飞书里，有的在旧系统里，还有一些只存在老员工脑子里。
这时候你让AI进来，它看到的不是一个公司知识库。
它看到的是一片雾。
AI本身不是整理公司历史债务的神仙。资料乱，它会把乱放大；字段不统一，它会把不统一放大；旧流程互相冲突，它会把冲突带进回答里。
很多企业以为自己缺AI，其实先缺的是干净的资料、明确的字段、稳定的流程和能被追溯的记录。
数据不是越多越好。
能被用起来的数据才有价值。
03｜系统接不进去，Demo就永远是Demo
Demo最容易漂亮，因为Demo可以绕开真实系统。
演示时可以用一份准备好的数据，一个干净的页面，一条设计好的流程。
但企业真正上线时，AI要面对的是旧系统、权限、审批、日志、异常、报错、人工复核和各种历史包袱。
这时候问题就来了。
AI生成的结果要写回哪里？
谁有权限看？谁能修改？
如果它调用了客户资料，是否合规？
如果它给出错误建议，系统有没有记录？
如果员工不接受它的建议，后续流程怎么走？
很多AI项目停在Demo，不是因为演示不够好，而是因为它一碰真实系统就露怯。
企业不是一个聊天框。
企业是一堆流程、权限、责任和利益关系叠在一起的复杂系统。AI要进入公司，必须进入这个系统。只停在一个漂亮页面上，它就永远只是个展示品。
【文中图1｜放在这里】
主题：企业AI从Demo到上线的四道门槛
画面：四个并列模块，分别是“需求、数据、系统、责任”，中间用一条从Demo走向真实业务的线连接。
用途：让读者一眼看到，企业AI不是单点工具问题，而是一条落地链路问题。
04｜最难的，是责任边界
还有一个问题，很多AI方案不愿意讲。
谁负责？
AI写错了，谁负责？
AI推荐了错误客户，谁负责？
AI漏掉了风险，谁负责？
AI把不该给的人看到的资料调出来了，谁负责？
只要这个问题没回答清楚，企业内部就会天然保守。
员工不敢用，因为怕背锅。
管理层不敢放，因为怕失控。
技术团队不敢接，因为需求随时变。
业务部门不愿配合，因为数据整理和流程改造都要他们出力。
最后大家都说支持AI，但每个人都在等别人先承担责任。
这就是很多企业AI项目真正的死法。它不是死在技术上，它死在组织里。
05｜企业AI需要先做落地体检
我现在越来越觉得，企业做AI之前，最好先别急着买工具，也别急着上大系统。
第一步应该是做一次AI落地体检。
企业AI落地体检四问
需求是不是具体：不能只说提效、智能化、数字化，要说清楚从哪个流程开始，解决哪个环节，衡量哪一个指标。 数据是不是能用：资料在哪里，格式是否统一，能不能授权，能不能持续更新，能不能追溯来源。 系统能不能接：AI的结果是只给人看，还是要写回业务系统，有没有权限、日志、审批和回滚机制。 责任有没有边界：哪些结果AI可以建议，哪些必须人工确认；出了问题谁审核，谁修改，谁最终拍板。
这四件事没想清楚，AI项目很容易从“全面智能化”开始，最后变成“全面开会化”。
06｜FDE为什么会变得重要
这也是我为什么越来越关注FDE这个角色。
FDE不是传统意义上的销售，也不是只会写代码的工程师。它更像一个把客户问题翻译成AI系统的人。
客户说“我想用AI提效”，FDE要把它翻译成流程。
客户说“我们资料很多”，FDE要判断哪些资料真的能用。
客户说“能不能先做一个Demo”，FDE要知道Demo后面能不能进入系统。
客户说“这个结果能不能自动决策”，FDE要问清楚风险、权限和责任边界。
这个角色的价值，不在于把AI说得多神。
恰恰相反，它要把AI从神话里拉出来，放进真实业务里。
会做企业AI的人，最后比拼的不会只是模型调用能力，而是能不能同时理解业务、数据、系统和人。
这几件事放在一起，才叫落地。
07｜AI落地，本质上是在重编公司
企业AI真正难的地方，不是让AI回答一句话。
难的是让它进入公司的日常运转。
进入日常运转，就一定会碰到流程。
碰到流程，就一定会碰到数据。
碰到数据，就一定会碰到权限。
碰到权限，就一定会碰到责任。
碰到责任，就一定会碰到组织里的真实人性。
这条链条走不完，AI就只能停在Demo。
很多老板以为AI是一个外挂，装上以后公司就会变快。
但真实情况往往是，AI像一面镜子，会照出公司原来就存在的问题：流程乱、数据散、责任虚、系统旧、部门之间互相不信任。
你把AI装进去，它不会自动消灭这些问题。
它会让这些问题变得更明显。
所以企业AI落地，从来不是把一个模型装进公司里。
它更像是把公司的业务流程、组织经验、系统约束和责任边界重新编排一遍。
谁能把这几件事同时处理好，谁才真的在做AI落地。
只会做演示的人，最后做出的是Demo。
能把Demo接进真实业务的人，才可能做出生产力。
如果你想系统地学 AI，而不是每天被各种新工具、新名词牵着跑，我已经把「跟着剑龙学AI」的视频课内容，陆续放进了视频号「剑龙东京野说」的会员专区。加入方式很简单：打开视频号「剑龙东京野说」，进入主页，点击「会员专区」即可。后面我会把更多需要展开讲清楚的 AI 课程、社会观察、商业判断和个人思考，持续放在会员内容里。适合想长期跟着我一起学习、一起思考的人。
