八成项目卡在试点之后
IBM（国际商业机器公司）在 2024 年底发布的一份企业调研里有个数字：约 80% 的生成式 AI 项目没能从试点走进日常业务。模型跑得动，预算也没断，可试点通过了，后面不知道该让谁、按什么流程、在什么场景里把它用下去。
这个比例听起来夸张，但你只要多问几家正在做 AI 落地的公司，会发现数字背后的事挺常见。市场部用 AI 写了一条还不错的文案，销售部看了一眼，说"挺好，但我这里客户画像不一样"；客服团队训练了一个问答机器人，一线客服觉得它回答太死板，最后宁可自己打字；财务部门跑通了自动对账的 demo，到了月底真正要对账的时候，发现原始单据的字段根本对不上。
AI 怎么落地商业，技术能不能做只是其中一环。大多数时候，技术已经能做，业务却没准备好接。
PoC 是实验室，生产是战场
试点阶段（PoC，Proof of Concept）有一个隐藏的优点，也是它的缺点：一切都在可控环境里。数据是清洗过的，场景是挑好的，用户是配合的。验证的是"这件事在理想条件下能不能跑通"，而不是"这件事在真实业务里能不能活"。
真实业务里没有理想条件。客户的问题不会按你训练好的分类来；同事发来的表格可能缺列、错行、字段叫法不一样；审批流程中间还夹着几个必须人工签字的节点。AI 在实验室里面对的是"给定输入，输出结果"，在生产环境里面对的是"输入不确定、结果要负责、错了要找人"。
所以 PoC 通过之后，真正的设计才刚刚开始。你要回答：谁对结果负责？错了怎么回退？数据从哪里来？输出之后下一步动作是什么？这些问题不解决，AI 就永远是实验室里的展品。
业务流程没改，AI 就是外挂
我见过一个企业，给销售团队上了一款 AI 辅助写跟进邮件的工具。功能没问题，生成速度也快，但三个月后使用率不到 15%。去问原因，销售说："我写完邮件还要复制到 CRM 里，再手动改一遍客户标签，比以前多一步。"
问题很清楚了。AI 工具没有改变销售人员的工作流程，只是多增加了一个步骤。在没有 AI 的时候，销售人员写邮件、贴到 CRM、改标签，是一套连贯动作。AI 进来之后，变成了"让 AI 写、自己再改、再复制、再贴标签"。对使用者来说，负担反而更重了。
AI 落地商业，给原流程插一个智能模块和重新画流程图，完全是两回事。哪些步骤由 AI 完成，哪些步骤由人完成，交接点在哪里，数据怎么回流，这些都要在上线前定义清楚。震楠商业策划在 AI 商业架构服务 里把它叫做"人机接口设计"，它关注的是工作和责任的交接点，而不是技术接口本身。
反馈回路决定 AI 能不能进化
很多 AI 项目上线后就不再迭代了。想迭代，但找不到反馈。模型输出了一个答案，用户点了个赞或者没点赞，这个信号回到系统里了吗？业务人员发现 AI 给的建议不准，这个信息有没有被记录、被分析、被用来调优？
没有反馈回路的 AI，就像一个永远在做模拟考的学生。模拟考分数再高，也不知道真实考试里哪里会错。反馈回路表面看是技术问题，实际上是组织问题。它要求业务部门愿意花时间标注错误、技术部门愿意按业务反馈调整模型、管理层愿意为这种"看不到即时产出"的工作持续投入。
这里有个容易被忽视的点：反馈不能只靠"用户打分"。真正有用的反馈来自业务结果。AI 推荐的客户线索，最后成交率是多少？AI 生成的文案，点击率比人工写的高还是低？AI 辅助的报价，客户接受率有没有变化？这些数字比"满意/不满意"更有价值，但也更难拿到，因为它们需要把 AI 输出和业务数据打通。
先把三件事做对
AI 怎么落地商业，我的建议是把三件事放在模型选型之前：画人机接口、改业务流程、建反馈回路。
画人机接口，就是先想清楚"AI 负责什么、人负责什么"。不是所有决定都适合交给 AI。判断边界模糊、后果不可逆、需要承担责任的环节，应该保留给人。重复性高、规则明确、反馈迅速的工作，才适合交给 AI。这个边界需要业务团队和决策层一起定，不能只靠技术团队。
改业务流程，是让 AI 嵌入之后，整体效率真的变高，避免局部变快、整体变慢。这一步通常最痛苦，因为它会动到岗位职责、绩效考核、汇报关系。很多 AI 项目死在组织不愿改，技术本身反而没问题。
建反馈回路，是给 AI 一个持续学习的机制。上线第一天就要想清楚：数据怎么回收、错误怎么归因、模型多久更新一次、谁对更新结果负责。没有这一步，AI 会随着时间的推移越来越不准，最后被人弃用。
我们在 HaiAwake 方法体系 里把这叫"AI 落地的最后一公里"。前面九十九里路走得再漂亮，最后这一里没接上，前面都白走。如果你正在评估一个 AI 项目能不能成，与其看 demo 有多炫，不如看团队有没有把这三件事写进计划里。那些 真正跑出来的案例，往往是流程改得最彻底的，技术反而不是最强的。
常见问题
AI 项目 PoC 通过了，是不是就成功了一半？
不算。PoC 验证的是理想条件下的可行性，真实业务里还有流程、岗位、数据、责任边界等问题。很多项目恰恰是 PoC 之后才开始真正困难。
小企业没有专门的技术团队，AI 还能落地吗？
可以，但建议从单点、高频、规则明确的环节入手，比如客服 FAQ、标准报价单生成。关键是先改好一个小流程，再逐步扩展，不要一开始就追求全链路智能化。
AI 落地失败最常见的原因是什么？
业务流程没改。AI 工具被当成外挂插在旧流程里，增加了操作步骤，没有减少人的负担，最后被一线员工自然弃用。
怎么判断一个 AI 项目该不该继续投入？
看反馈回路是否跑通。如果上线三个月后，你仍然拿不到"AI 输出→业务结果"的对应数据，说明这个项目还处在黑箱阶段，需要先把测量机制补上。
