夜雨聆风
很多公司上 AI 的第一天，画面都差不多。
预算批了，工具买了，模型接口也打通了。会议室里演示一跑，PPT 上那几行字终于变成了会回答问题的系统。
这时候人很容易松一口气：看起来，公司总算开始 AI 转型了。
再过几周，另一个画面也会出现。客服想接客户数据，销售说权限要评估；法务要求输出先过审；IT 发现老系统没有接口；业务部门说工具不错，但 KPI 还是按旧流程算。最后项目没有失败得很壮烈，只是慢慢变成了一个“曾经演示过”的 Demo。
Anthropic 在 The Enterprise AI Transformation Guide[1]（企业 AI 转型指南）里提醒的，就是这层麻烦：企业 AI 转型不只是在车上装一台更快的发动机，还得检查整辆车能不能上路。
模型能力当然重要。只是到了企业里，模型只是一环。它要接数据、进流程、受权限约束、被人验收，还要有人持续维护。
AI 项目常见的断点，经常出现在模型回答之后：组织能不能把这次回答变成一段稳定工作。
Anthropic 在指南最后放了一张组织就绪度评估表，一共 8 个维度，每项 1 到 6 分，总分 48 分。
打开表格会先看到分数，但每个分数背后都落到四件基础工作。
第一，谁来拍板，谁来付账，谁来处理冲突。
这对应高层承诺、预算与资源。
AI 项目一旦进入真实业务，就很难再留在技术部门手里。客服要接数据，销售要开放字段，法务要改审核规则，财务要追加预算。每个部门都可以说“我支持”，但一到利益和责任重排，支持就会变得很贵。
所以高层承诺不能只停在一句“我们重视 AI”。部门之间开始互相等、互相卡、互相担心背锅时，要有人能把人、钱、权责重新摆到桌面上。
第二，数据能不能被模型安全、稳定、低成本地拿到。
这对应数据基础设施和技术能力。
很多公司有数据，只是数据住得太分散：销售记录在旧 CRM，客户沟通在微信，售后问题在 Excel，合同条款在共享盘。做 Demo 时，大家可以手工导出、清洗、上传一次。到了上线阶段，每天都这么搬，就没人受得了。
AI 要长期工作，不能靠“临时搬砖”。它需要知道数据从哪里来、谁能看、多久更新、错了怎么回滚。否则模型再聪明，也只是被放进一个没有水电气的样板间。
第三，流程、岗位和激励有没有跟着变。
这对应变革管理和跨职能协作。
一个常见例子是合同初审。AI 把两小时的初审压到十分钟，听起来很好。但如果公司考核法务仍然按处理时长、人工复核量、旧系统流转记录来算，员工就会很自然地绕回旧流程。
员工未必排斥 AI。很多时候，组织还在奖励旧动作。
跨职能协作要落到这些问题上：业务、技术、法务、安全、财务从项目第一天就围绕同一个结果工作。这个场景允许 AI 做到哪一步？哪一步必须人工确认？出了错谁负责？上线后看什么指标？
第四，风险边界和复盘机制能不能一起上线。
这对应 AI/ML 成熟度、风险与合规。
企业最容易低估的是这一步。Demo 阶段，大家关心“能不能跑”。生产阶段，问题会换一个问法：能不能每天跑，能不能解释为什么跑错，能不能在扩大到 100 个用户以后仍然可控。
比如财务助手可以读取报销、薪酬、合同和预算数据，如果没有权限分级、操作日志、人工复核和异常报警，它越好用，风险越集中。
成熟的 AI 应用不会把所有事都交给模型自由发挥。哪些数据能用、哪些动作能做、哪些输出要人审、哪些错误要记录，这些规则要提前写进系统里。
Demo 阶段没暴露的问题，上线后会一起冒出来
AI Demo 经常跑得不错，因为它绕开了企业里最麻烦的东西。
它不需要处理历史系统的脾气，不需要面对部门 KPI，不需要解释权限边界，也不需要在三个月后继续维护。
上线以后，问题变了。AI 要从一个“会回答问题的东西”，变成一条“能反复交付结果的工作链路”。
这条链路通常有六段：
先有高层授权，把这个项目从某个部门的兴趣实验，变成公司层面认可的业务任务。再有数据和系统，让模型拿到真实上下文。然后有技术交付，把原型变成可监控、可回滚的服务。接着有业务流程，把 AI 输出嵌进员工每天的动作里。再接着有治理边界，管住权限、审计和人工验收。最后还要有复盘扩展，决定哪些场景继续放大，哪些场景及时停掉。
这几段里，任何一段断掉，项目都会变形。
没有授权，部门之间会互相等。没有数据，AI 只能靠人工喂材料。没有工程化能力，原型一更新就失效。没有流程调整，员工会回到旧办法。没有治理，越扩大越危险。没有复盘，项目会停在“试过了”的状态。
不少 AI 项目走到最后，模型没有出大问题，项目却被这些很普通的企业问题一点点磨掉。
分数用来决定项目半径
Anthropic 给了三个分数区间。
30 到 48 分，属于高就绪度。这样的公司可以考虑多部门推进。不过“一口气铺满全公司”仍然风险很高。更合理的做法，是用统一的数据权限、评估指标和技术平台，同时跑几个有明确负责人的试点。
16 到 29 分，属于中等就绪度。更适合选 3 到 5 个战略试点，在做业务结果的同时，把缺的基础能力一起搭起来。比如一个试点梳理数据权限，一个试点建立效果指标，另一个试点跑通人工复核和审计。
8 到 15 分，属于基础建设期。这个阶段仍然可以做 AI，只是项目要避开大规模运动。先选一两个低风险、边界清楚、数据相对干净的内部场景，比如制度问答、会议纪要整理、内部知识检索，把授权、数据、验收和维护这四件事跑通。
这里要先把话说清楚：低分不等于禁止上 AI，高分也不等于一定成功。分数更像是在提醒你，项目半径该画多大。
组织还没准备好时，项目半径就要小一点，治理要靠前一点，场景要低风险一点。组织准备得越充分，才有资格把 AI 放进更复杂、更跨部门、更高价值的链路里。
如果把这张表当审批门槛，很容易变成形式主义。把它当成项目半径的判断工具，才更接近它的用法。
企业可以怎么用这张表
这张表不适合拿来预测 ROI，也不适合当成“打完分就知道能不能赢”的神奇量表。更合适的用法，是把它当成一次管理体检。
企业可以先把它用在三件事上。
第一，开一次 90 分钟的就绪度会。
不要只让技术团队打分。CEO 或业务负责人、IT、数据、法务、安全、财务、实际使用部门都要在场。每个维度不用争论到小数点，只要把分歧说出来。
如果技术觉得数据基础设施 4 分，业务觉得只有 2 分，先别急着平均。先问清楚分歧从哪来：是数据能查但不好用，还是权限能批但周期太长？
第二，选试点时不要只看“场景大不大”，还要看“失败成本高不高”。
Anthropic 在指南里建议，早期试点要快速看到价值，很多成功试点会在 30 到 60 天内展示有意义的结果；更完整的试点通常跑 8 到 12 周，足够看到使用、效率、质量和满意度的变化。
这里的逻辑很朴素：试点不能变成许愿池。范围要小到可以快速验证，也要真实到能暴露数据、流程、权限、复盘这些问题。
第三，每个试点都要留下可复用资产。
一个试点如果只证明“这个场景能做”，价值很有限。更好的结果，是它顺手留下几样东西：一套数据权限规则，一组效果指标，一个人工复核流程，一份异常处理机制，一个跨部门协作节奏。
下一次做别的场景时，团队不用从零开始吵。
这些东西会在下一轮试点里继续派上用场。AI 转型的复利，往往藏在这里。
最后，别把 AI 转型想成买工具
买工具是最容易的部分。难的是让工具进入组织的真实工作。
真实工作里有旧系统，有历史数据，有部门边界，有审批习惯，有 KPI，有人对风险负责，也有人对结果负责。
只在这些东西外面另开一个漂亮页面，解决不了前面那些问题。AI 要慢慢进到这些旧系统、旧流程和旧责任里。
所以，上 AI 之前可以先少问一句：“模型够不够强？”
多问三句：
它要用哪些数据？谁批准？谁维护？它改变了哪段流程？员工为什么愿意换做法？它出错时谁能发现、谁能叫停、谁负责复盘？
这些问题听起来不性感，但它们决定了 AI 项目会变成长期能力，还是变成一次热闹的演示。
模型决定车能跑多快。组织决定这辆车能不能真的开上路，还能不能开到下一站。
欢迎扫码加我微信，交流企业 AI 落地、产品和效率工具。
引用链接
[1] The Enterprise AI Transformation Guide: https://resources.anthropic.com/hubfs/The%20Enterprise%20AI%20Transformation%20Guide%20101425%20%281%29.pdf?hsLang=en
