企业拥抱 AI 的第一步，不是买工具

企业对 AI 的态度，这两年经历了一个完整循环：从看不懂，到急着上，到发现用不起来。

现在的普遍状态是第三种。账号开了一批，工具试用了一轮，真正进入日常流程的没有几个。于是产生两种极端判断：要么认为 AI 名不副实，要么认为自己的团队能力不够。

这两种判断都跳过了真正的原因。问题通常不在 AI，也不在团队，而在推进的顺序。

常见的错误开场

从工具开始

先看市场上有什么产品，试用几个觉得不错，采购，然后想怎么用。这个顺序的问题在于，工具的能力范围是固定的，而企业的业务问题各不相同。先有工具再找问题，找到的多半是「勉强能用」的场景，用完这一次就没有下一次。

从全员培训开始

请人来讲一次，讲完大家很有热情，一周后回到原样。原因很简单：培训给的是认知，不是工作方式的改变。员工听完知道 AI 有用，但回到岗位上没有任何具体的东西被替换掉，行为自然不会变。

从一个大项目开始

一次性投入做一个覆盖全公司的智能平台。这类项目周期长、涉及部门多，在做成之前看不到任何效果，中途任何一个环节卡住，整个项目就停在那里。

这三种开场的共同点是：都从「投入」开始，而不是从「要改哪件事」开始。

正确的第一步

第一步应该是一次盘点，不是一次采购。盘点要回答三个问题。

哪些事在重复做

把最近一个月各部门反复发生的事务列出来。判断标准很朴素：这件事上周做过、这周又做了、下周还会做。这类事情是候选对象。

哪些事的资料是现成的

要交给 AI 处理的事务，前提是它依赖的资料已经存在且准确。如果一件事需要的资料散落在各人手里、版本不一，那先要解决的是资料本身，不是 AI。

哪些事做成之后能被验收

这一点最容易被忽略，却最关键。如果一件事做完之后没人能判断对错，那它就无法被持续使用——因为没人知道该不该相信结果。

三个条件同时满足的事情不多，通常一个部门能找出一两件。这就够了。

从一个场景开始

选定一件事之后，做法上有几个要点。

要有人负责。 这件事必须落到一个具体的人身上，而不是一个部门。负责人负责推动使用、收集问题、协调调整。没有负责人的项目，在遇到第一个障碍时就会停下来。

要有明确的使用者。 不是「全公司都可以用」，而是「这几个岗位的人每天要用」。范围越小，越容易发现问题，也越容易验证效果。

要有可衡量的判断。 不一定是复杂指标。比如原来一件事要两小时，现在要多久；原来每周处理三十件，现在能处理多少；原来这个问题要找三个人问，现在还要不要。

要允许调整。 第一版的配置几乎一定不完美。用两周，收集问题，改一版，再用两周。这个迭代过程是必要的，不是返工。

为什么很多项目停在试点

试点做出来了，效果也不错，然后就停在那里。这是企业 AI 落地最普遍的现象，原因通常是三个。

试点没有进入正式流程

试点期间大家出于新鲜感会用，试点结束、恢复原有流程，就没有人再打开它。一个工具只有被写进流程，才会被持续使用。

成本归属不清

试点时费用由项目预算出，要推广就需要落到某个部门的日常预算里。这一步涉及内部协调，往往比技术问题更难推进。

没有接续维护

业务在变，配置却停留在上线时的样子，用一段时间之后结果开始偏离预期，使用者就会逐渐放弃。如果没有明确的维护责任，再好的配置也会随时间失效。

这三点都不是技术问题，但它们决定了技术能不能留下。

关于「要不要自己建」

这个问题没有统一答案，取决于三件事。

有没有可维护的人。 自建方案需要有人懂配置、能调整、能处理日常问题。如果团队里没有这样的人，自建的代价会远高于预期。

资料的敏感程度。 涉及内部资料与业务数据的场景，需要评估存储与处理的位置是否符合企业的合规要求。这一点要具体核实，不能想当然。

变化的速度。 如果业务场景经常变化，需要频繁调整配置，那方案的灵活性与维护支持就比初始价格更重要。

这三件事想清楚，选型的方向基本就定了。

结语

企业拥抱 AI，不需要一次战略转型，也不需要等一个完美的方案。

需要的是一次诚实的盘点——找出那些重复做、有资料、能验收的事；然后选一件，交给一个具体的人，用两周时间跑通，再决定要不要扩展。

AI 带来的改变不是从引进技术开始的，是从改掉一件具体的事开始的。 这件事做得成，第二件就容易；这件事做不成，再多的工具也只是库存。

选定场景之后，多数企业遇到的第一个具体问题是资料不成体系，见企业知识库为什么建了没人用。想先弄清智能体与普通工具的差别，可以看企业为什么要用智能体。