AI怎么落地商业：砸了预算的项目卡在哪一步

Gartner（全球IT研究机构）在2023年10月发布过一个预测：到2025年底，超过30%的生成式AI项目会在概念验证阶段之后被放弃。

我当时看到这个数字，觉得偏高了。后来接触了几家正在做AI落地的企业，发现Gartner可能还说保守了。

一家做家居分销的公司，花了大半年训练客服AI。上线第一天，AI回答了十个客户问题，其中六个的答案来自两年前已废弃的产品手册。模型本身能跑。但公司内部没人能说清哪份手册是当前版本。

类似的情况我见过好几回。AI怎么落地商业，答案跟模型强弱关系不大。企业自己的数据状态才是关键。

很多企业的AI落地顺序是这样的：

1. 老板看到竞品在用AI，召开AI战略会
2. IT部门调研工具、选模型、搭环境
3. 把现有数据喂给模型
4. 发现数据不对

第四步是最致命的。

举个例子。同一家企业里，钉钉审批流里写的采购审批额度可能是5万，而采购经理实际操作时用的额度可能是15万——因为去年调过一次，但钉钉的审批流没人去改。AI读到的就是5万那个版本。

一个采购审批流程，在企业内部可能同时存在于三个地方：钉钉审批流（正式流程）、采购经理的Excel台账（实际执行的流程）、供应商微信群里的口头确认（灰色流程）。

三套流程同时运转，AI只能读到钉钉里那条。而钉钉里那条恰恰是没人在实际中遵守的那条。结果AI给出的优化建议，是基于一个纸面流程。

Gartner的一篇分析报告里有个说法：业务流程如果没有被数字化记录，就称不上流程，只能叫习惯。

这话不太好听。但在我接触的那些企业里，流程靠习惯比比皆是。你在微信群里跟供应商说“这批货先发，单子后补”，这个决策AI永远读不到。它只能看到钉钉里那个要走三天审批的流程，然后告诉你“审批周期偏长，建议优化”。

这算什么AI落地。你拿AI去撞墙，撞完还怪墙不够软。

再看数据这一侧。一家典型的中小企业，核心业务数据散落在这些地方：

一家年营收几千万的企业，AI能直接读取的结构化数据，可能只有ERP里的库存和财务系统的流水。这些只占企业实际运营信息的不到30%。

剩下70%的信息——客户为什么选了竞品、哪类产品退货最频繁、哪个供应商总拖延交期，全压在聊天记录和Excel表格里。

这是AI落地的物理堵点。模型再强也没用，你没有东西给它读。你总不能让它先学会翻微信群聊天记录，再来帮你做经营分析。

有些企业花了上百万做私有化部署，结果发现能喂给模型的高质量数据只有几千条。买了辆F1赛车，停车场只有十米直道。

更尴尬的是，表格里这几个不能当中，最难搬的不是技术问题。让销售把个人Excel交出来合并到共享系统，比让IT部门部署一个大模型难得多。

这里说一个我不太确定算不算普遍规律的观察。

过去一年接触的那些AI落地还算成功的企业，仔细看它们的过程，会发现一个共同模式：它们在引入AI之前，花了大量时间做一件跟AI没什么关系的事——把流程数字化。

跟那种“数字化转型”的大叙事不沾边。具体到不能再具体：把微信群里口头确认的采购流程搬到审批系统里；把销售个人的报价表合并到共享CRM；把邮件附件里的合同归档到一个可检索的文档库。

这些事情做完之后，AI突然就好落地了。因为AI终于有了干净、完整、能读到的数据。

这些企业的AI项目能跑起来，关键在于AI之前做的那些流程梳理工作。AI本身做的事其实没那么复杂。

这让我开始怀疑：市面上很多“AI落地方法论”搞错了重点。它们教你怎么选模型、怎么写prompt、怎么评估效果，但很少有人先问一个问题：你的业务流程和数据有没有被记录到AI能读到的地方？

Gartner那个30%的放弃率，我现在觉得可能还偏乐观。因为问题出在PoC之前。很多企业连做概念验证的数据基础都不具备。它们在用贫瘠的数据训练一个很强的模型，然后得出结论“AI不适合我们”。

AI读不到你的数据。你的数据压根没有被放到它能读到的地方。

想了解企业AI架构怎么从零搭建，可以看看我们的商业咨询服务。一些已落地的项目案例里有具体做法。HaiAwake体系里，我们把这一步叫“流程归档”，是所有AI应用的地基。

如果你现在正打算在企业里推一个AI项目，我的建议可能没什么新意：

1. 先别碰模型。花两周时间盘点核心业务流程，看看哪些环节的数据是AI能读到的，哪些只存在于微信和Excel里。
2. 挑一个最核心的流程（一个就够），从聊天记录和Excel迁移到一个可被程序读取的系统。这一步可能比训练模型更费时间，但它决定了后面所有AI应用能看到多少东西。
3. 再做AI的概念验证。这时候喂给模型的数据至少是准确的。

整个过程大概三个月到半年。不算快。但比花三个月做PoC然后放弃要快。

这没什么高深的。买F1赛车之前，先确保停车场有赛道。