销售单签完，主管在群里 @ 三次「赶紧录 ERP」；财务对账还等着仓库回消息；老板半夜翻报表，发现利润少了 12 个点，没人说得清是哪个 SKU 拖的。第二天周会他拍板：「我们也上个 AI Agent。」三个月后复盘，钱花了、模型也接了，团队体感是——还是那群人在加班，AI 只是多了一个要维护的东西。
类似故事这两年见了不下几十遍。同样的预算、产品、实施团队，A 公司半年把客服首响压到 1 分钟以内，B 公司连 POC 都没扩出去。差别不在「选了哪家 AI」，而在上线之前那张体检单。本文把见效项目和打水漂项目摊开对比，给出 6 个先决条件和一张自检表。
一、上 AI 见不见效，七成在「上之前」就定了
很多人以为 AI 项目失败是技术原因：模型不够强、Prompt 写得糙、向量库选错了。复盘下来真不是。同套架构在 A 公司能跑通、在 B 公司跑不通，差的是几样很土的东西：业务场景清不清楚、数据干不干净、有没有人天天盯着帮 AI 改。
我们粗糙统计：上线 6 个月仍在被业务使用的项目，POC 平均做 4 轮以上调整；打水漂的项目里 POC 只跑 1-2 轮就「过验收」然后无人问津。区别不是 AI 跑得对不对，而是组织有没有人把它养起来。在考虑买哪家 AI Agent 之前，先对照下面 6 条自检，配合 为什么 90% 的企业 AI 项目卡在 POC 阶段 看。
二、条件一：有没有「高频、规则清、可核对」的场景
AI Agent 适合做「人嫌烦、规则又不太复杂」的环节。三条判断标准：高频（每天发生几十次以上）、规则清（80% 情况能讲清楚怎么处理）、可核对（做完能客观判断对错）。
| 场景 | 高频 | 规则清 | 可核对 | 适合度 |
|---|---|---|---|---|
| 销售单录入 ERP | 高 | 高 | 高 | 强适合，单点先跑 |
| 客服首轮答疑 | 高 | 中 | 中 | 适合，人工兜底 |
| 经营日报生成 | 中 | 高 | 高 | 强适合，数据稳就上 |
| 战略咨询/创意 | 低 | 低 | 低 | 不适合 |
| 合同条款审查 | 中 | 中 | 中 | 谨慎，限定模板 |
| 跨部门协调 | 中 | 低 | 低 | 暂不适合 |
很多项目败在第一步——选了「老板觉得很值钱但低频又模糊」的场景，比如「让 AI 写战略报告」「让 AI 自动做投资决策」，给的东西没法核对，跑半年也证明不了价值。
三、条件二：核心数据在不在系统里、口径稳不稳
这条是 AI Agent 项目最大的隐形门槛。见过太多公司场景选得很对但一开干就傻眼——客户主数据三套（CRM、ERP、财务 Excel），同一客户写法都不一样；订单状态字段半年改三次；仓库进出库还在 Excel 月底汇总。
AI Agent 要的不是「数据量大」，而是「口径稳」。字段昨天叫「客户简称」、今天叫「客户名」、下周拆两列，再聪明的模型也崩。判断标准：
| 数据成熟度 | 表现 | 上 AI 的姿势 |
|---|---|---|
| L0 全在脑子和纸面 | 关键数据靠群聊和截图传 | 别上 Agent，先搭表单 |
| L1 有系统但口径乱 | 同一指标多套口径 | 先治理核心指标再让 AI 接 |
| L2 主数据稳 | 客户/商品/单据有唯一来源 | 可以单点上 Agent |
| L3 已驱动经营分析 | 老板每天看的数来自系统 | 可接管多个环节 |
L0-L1 硬上 AI Agent 是给自己挖坑。更划算的是先用低代码（宜搭/氚云/简道云）搭一两个表单，或走 钉钉跨系统数据同步架构 的思路。数据稳两三个月再让 AI 接，效果天差地别。
四、条件三：有没有人持续喂需求和反馈
POC 阶段乙方工程师驻场，问题随时改；乙方撤了之后 AI Agent 能不能被养起来，全看内部有没有明确的人在管。这个人不是 IT 也不是老板，是熟悉业务、能讲清需求、愿意天天跟 AI 较劲的人。他做的事：收集反馈、翻译成 Prompt/规则/样本调整、定期抽检输出、向老板汇报数字。
见效项目里这个人通常是业务骨干，老板给他腾出 30%-50% 时间专门搞；打水漂项目里要么没指定人，要么指定了还兼着原来 100% 的活，最后变成「等乙方来催才动一下」。简单判断：三秒内说不出「公司 AI 项目的内部对接人是谁」、且本人也认，就别急着上。
五、条件四：老板是真要解决问题，还是赶时髦
这条决定了项目能不能熬过中后段。AI Agent 上线后通常有「失望期」——扩到全公司后冒出一堆小问题，业务开始抱怨，老板耐心开始消耗。
真要解决问题的老板盯着一个具体痛点不放：回款慢、客服首响慢、报表出得慢。AI 给 30% 改善他都高兴，会投下一轮迭代。赶时髦的老板典型表现：立项讲「让公司更智能」这类宏大叙事，没指定一个自己每周关心的数字，POC 完成之后再不过问，半年后会说「上了 AI 但效果一般」。立项前先回答一个问题：「上线 3 个月后你希望看到哪个数字变化？」答不上来就先做小范围试水，别铺大场子。
六、条件五：能不能接受「先单点跑通再扩」
很多老板有个执念：要上就上「全公司平台」，一次把销售、客服、财务、生产都接进去。AI Agent 的特点是「每个场景都要单独调」，同时上 5 个场景意味着 5 套数据要治理、5 个对接人要培养，任何一处出问题整个项目都被拖住。务实节奏：
| 阶段 | 时间 | 范围 | 目标 |
|---|---|---|---|
| 单点 POC | 4-6 周 | 1 场景 1 部门 | 跑出第一个可衡量数字 |
| 单点稳定 | 4-8 周 | 扩到全员使用 | 形成日常依赖、沉淀反馈 |
| 横向扩 | 8-12 周 | 接 1-2 相邻场景 | 验证组织消化能力 |
| 串联打通 | 6-12 月 | 跨部门串联 | 数据和动作在 Agent 间流转 |
按这个节奏走的客户半年后大概率拿到了正向 ROI；执意一次铺开的，多半回到「先关掉几个、留一两个继续跑」的状态——只是中间烧掉的钱回不来了。扩量阶段的坑可参考 AI Agent 实施路线图。
七、条件六：预算与回报周期的预期对不对
AI Agent 不是 SaaS 那种「点几下就能用」的产品，要场景定制、数据接入、长期运维。两种常见误区：「不就是接个大模型嘛 5 万够了」结果半路停摆；「上 AI 应该 3 个月省一半人力」结果第二个月焦虑。常见费用结构：
| 投入项 | 占比区间 | 说明 |
|---|---|---|
| 场景梳理 | 15%-25% | 谁用、用在哪、跟流程怎么搭 |
| 数据治理与接入 | 20%-35% | 主数据清洗、口径、接口 |
| Agent 定制与调试 | 25%-40% | Prompt、工具调用、模型调优 |
| Token 与基础设施 | 5%-15% | 调用费、向量库、运行环境 |
| 上线后运维迭代 | 全年另算 | 业务变了 Agent 就要跟着改 |
过去两年因 AI Coding 成熟，前三项「人天单价」在往下走——同样一个客户回款催收 Agent，两年前要堆 30 人天，现在熟练团队 12-15 人天可以拿下，更多时间花在和业务对齐场景上。这让定制 AI Agent 从「只有大厂玩得起」变成了中型企业也能算得过账的事。
回报周期的合理预期：单点场景 4-8 周见第一个数字、3-6 个月覆盖串联环节、12-18 个月影响经营层面。期待 1 个月省一半人力，是把自己往坑里推。
八、自检打分表：你们公司现在该不该上
把上面 6 条做成可以打分的表，每条 0-3 分，满分 18：
| 条件 | 0 分 | 1 分 | 2 分 | 3 分 |
|---|---|---|---|---|
| 1. 场景清晰度 | 想不出具体场景 | 能列 1 个但模糊 | 有 1-2 个清晰场景 | 有 3+ 个清晰场景 |
| 2. 数据成熟度 | 靠 Excel 和纸 | 系统有但口径乱 | 主数据稳定 | 已支持经营分析 |
| 3. 内部对接人 | 没指定 | 指定了但兼太多活 | 有半个人头投入 | 有专人且老板支持 |
| 4. 老板真问题导向 | 跟风 | 有方向没数字 | 有 1 个明确数字 | 数字+亲自盯 |
| 5. 接受单点节奏 | 要一次铺全公司 | 嘴上同意心里想全上 | 愿意先 1-2 个场景 | 主动要求小步快跑 |
| 6. 预算回报预期 | 期望几万搞定全公司 | 要求 1 个月见效 | 预算和周期都合理 | 已留二期迭代预算 |
打分参考：
- 14 分以上：可以放心启动，挑 1 个最痛的场景先跑；
- 9-13 分：可以启动，同时安排专人补短板，别铺太开；
- 6-8 分：先别急着上 Agent，花 2-3 个月补条件二三再回头看；
- 5 分以下：现阶段上 AI Agent 大概率制造新问题，先把基础信息化跑顺，参考 企业上 AI 之前要不要先把信息化做好。
九、不达标怎么办：哪些是硬门槛、哪些边上边补
不是所有条件同等重要。硬门槛（不补不能上）：条件一（场景）、条件二里的「至少有一个核心环节数据在系统里」、条件四（老板真要解决问题）。任意一条挂零就别上 AI Agent。
软门槛（边上边补）：条件二的「数据治理在路上」、条件三（对接人在培养）、条件五（节奏感）、条件六（预算预期）。这些可在第一阶段并行解决——POC 跑两个月，正好倒逼数据口径和对接人都练出来。
如果属于「场景有、数据一塌糊涂、老板很想上」的典型情况，建议先用 6-8 周把一两个核心环节做轻量化数字化（宜搭这类工具就够），数据稳两个月再让 AI Agent 接进去。这步看似绕远，比硬上后回头补数据快得多——硬上的项目数据治理成本通常翻 2-3 倍。
十、写在最后
AI Agent 难的从来不是技术。模型在变强，定制成本在 AI Coding 加持下也在变低，企业能不能拿到收益越来越取决于上之前那张准备清单——场景对不对、数据稳不稳、人配不配合、老板盯不盯、节奏顺不顺、预算合不合理。
看完心里没底的人不用沮丧，这点犹豫本身就是有价值的，比贸然立项、年底发现钱花了事还没办成要强。先用自检表打个分，分数够了就挑一个最痛的环节单点跑；不够就先补条件，三个月再回头看。把准备做扎实，比追风口重要得多。
