AI落地有哪些坑(2) —— 2026全国CIO大会圆桌讨论第二部分

关键讯息，D1时间送达！

企业网D1net  当前各行各业企业推进 AI  试点落地普遍遭遇管理层预期失衡、底层数据薄弱、供应商适配不足、组织协同阻力、数据安全无方案、人才储备短缺等多重现实痛点，不同行业在落地过程中踩坑各异，亟须头部企业实战经验提供参考。

针对以上问题，在近日召开的2026全国CIO大会上，来自万华化学、光明集团、某大型消费类企业、正凯集团、三花集团、万向集团、裕龙石化等企业的CIO、IT高管结合自身企业实际，细致分享了AI  试点落地踩过的坑与现实挑战。圆桌讨论由企业网D1net CEO 范脡主持，嘉宾包括：

抛出的第二个讨论问题是：传统企业在 AI 推进过程中通常会遇到哪些比较突出的困难和挑战？有哪些坑？如何有效破局？

以下是嘉宾核心观点汇总：

1. 裕龙石化信息中心副主任刘文标：管理层预期过高，靠试点激励稳步落地 AI

石化行业管理层普遍存在急于求成的预期，看到同行落地见效便要求自身快速复制成果，忽视企业新建、底层数据储备薄弱的客观现状，给 IT  团队带来巨大压力。在他看来，AI 属于长期深耕项目，并非短期就能快速出成效；目前行业内 AI  应用大多只是传统批处理、小型工具的整合，数字孪生、仿真模拟等深度场景仍处在探索阶段，突破性创新较少，当下主流 AI  工具也仅停留在通用办公辅助层面，能真正赋能产供销核心业务的成熟方案十分稀缺，希望管理层给予充足的落地周期。

裕龙石化团队当前采用内部试点先行的方式，对落地效果突出的试点团队给予奖励与荣誉，以点带面推动内部创新。

2. 万向数智创新中心总经理魏芳芳：内外结合对标，搭建长效机制全域推广 AI

落地 AI 最大误区是单一对外对标，企业对标美的、三一成熟 AI  底座与场景时，必须同步对内对标自身资金、人力、业务配合度、管理层支持等配套资源，脱离自身资源现状的外部对标没有落地价值，向 CEO  汇报时需同步呈现标杆企业完整投入数据，并结合企业产值匹配合理目标。

落地实操思路分为两步：先低成本启动，依托开源平台搭建简易智能体，内部宣传造势快速产出小型成果向业务端展示价值；再借力地方政府揭榜挂帅、产业补贴政策，联合外部生态伙伴与内部数字化团队联合落地项目，以项目奖项、政策补贴反向争取企业资源。

想要实现 AI 长效运营，需搭建完整配套体系：万向集团设立与项目利润挂钩的创新奖励机制；联动 HR 将 AI  能力认证纳入员工定级与绩效考核；搭建覆盖研发、市场、质量、财务及旗下 25 家工厂的 AI大赛，分享优秀案例，邀请专家、政府领导、企业 CEO  站台扩大影响力；最终将 AI 实施、积分奖励机制写入企业正式制度，让 AI 从 IT 部门专项工作转变为全公司统一经营事项。

3. 三花集团 CIO 刘隽：数据、供应商、组织多重落地坑，数据安全尚无解法

落地 AI 过程中遇到四大核心难题，另有 AI 安全问题至今未找到成熟解决方案：

1. 数据与模型选型误区：直接导入未经标准化整理的 PDF、表格等文件搭建 RAG  知识库，输出内容杂乱；盲目追捧大模型，实际质检、图像判别等细分场景轻量化小模型效果更稳定，大模型易出现答非所问、AI 幻觉问题，且企业 ERP  系统存在人工反结账等非常规操作，底层数据本身存在失真。

2. 供应商选型难题：互联网厂商精通大模型技术，但完全不理解制造业工艺流程，无法适配生产业务场景，核心业务模型仍需企业自主攻坚。

3. 组织认知大坑：全员默认 AI 仅为 IT 部门职责，忽视数据、业务流程、企业战略多重约束，需向上对齐管理层，将 AI 升级为公司级战略项目，而非由  IT 团队独立承担全部工作；部分管理层片面否定 AI 价值，落地初期曾试图向管理层解释 AI  幻觉的合理性，事后意识到应当聚焦业务目标，而非辩解模型缺陷。

4. AI 安全未解难题：企业核心工艺、生产数据输入大模型存在外泄风险，目前仍处于摸索阶段，暂无成熟落地解法。

4. 正凯集团 CIO 范天月：智能排产落地阻力大，同行对标 + 业技协同少踩坑

企业落地智能排产智能体前后迭代五次，踩下多重落地大坑：

一是多系统打通难度高，需对接  ERP、设备、质量、能源等多套平台，各系统基础主数据不统一，数据治理工作量巨大；

二是没有业务人员能够完整梳理全套排产业务逻辑，落地过程只能反复试错、迭代验证；

三是  POC 测试环境效果良好，但真实产线存在人为流程卡点、动态变量，会直接导致 AI  决策失效；

四是一线生产人员存在抵触心理，担心自身工艺经验数字化后失去岗位话语权，配合意愿低。

后续优化思路：多向拥有同类落地经验的同行学习，减少试错成本；联合兼具业务与数字化能力的内外部伙伴协同共创项目，降低内部落地阻力、压缩投入成本。

5. 某大型消费类企业CIO：技术迭代不确定性，大规模投入需谨慎

技术落地填坑本质分为客观数据流程问题、主观人员协同问题两类，解决方式依靠人力或资金投入；相比短期落地难题，长期更大挑战是 AI  技术迭代速度极快，行业持续涌现 AGI、SSI 等全新技术概念，行业整体仍处于发展入门阶段，现阶段大规模深度投入存在极高不确定性。

6. 光明集团 CIO邓文佶：严控管理层预期，AI 排产需持续迭代适配业务

企业属于战略管控型总部，无一线实体业务，落地 AI 核心难题集中在管理层预期管理：即便熟悉数字化项目的高管，也容易受媒体、厂商营销宣传影响，高估 AI  落地速度与效果，企业数据治理、管理基础薄弱，无法支撑快速 AI 落地，需要持续沟通各级管理层，合理下调预期。

集团旗下牧场、加工、销售板块存在智能排产刚需，但数字化基础不足，直接上线 AI 核心应用风险极高。他举例校内餐食智能排程项目，POC  阶段效果达标，但模型预设条件过于理想化，实际运营会遭遇季节、物价、校园活动等各类动态变量，必须由 IT  与运营人员持续共创、迭代规则库，无法一次性完成标准化搭建。

7. 万华化学数智化部总经理徐建光：人才与工业知识图谱是 AI 落地核心瓶颈

AI 落地两大核心长期挑战：一是人才缺口，既要提升全员 AI 认知与实操能力，也要引进专业 AI 复合型人才，人才培养优先级高于单一 AI  项目落地；二是工业知识工程搭建难度大，工业场景中通用大模型搭配企业自有知识工程，落地效果优于纯垂类大模型，但企业多年沉淀的工艺、生产知识难以标准化梳理，高质量知识图谱搭建门槛极高，知识体系不完善则大模型无法发挥实际价值。(未完待续)

推荐相关新闻

AI落地有哪些坑（1） —— 2026全国CIO大会圆桌讨论第一部分

扫描 “二维码” 可以查看更多详情