去年冬天有位做服装批发的老板找过来，说自己看了一年 AI 视频、参加了三场峰会、给 IT 下了死命令"今年必须把 AI 用起来"。结果半年过去，公司里多了一个写着"AI 智能助手"的钉钉群，群里只有他自己和两个 IT，业务部门经理都没拉进来。钱花了、人也调了、模型也选了，怎么就是没动静？
他不是个例。我们接触下来七成企业卡在"想做"和"做成"之间，卡的不是技术而是步骤。AI 落地像装修房子，你不能直接刷墙——得先量房、定预算、拆改、水电、泥工，少一步后面都得返工。这篇就把企业 AI 落地拆成 8 步，每步给可填的输出物清单、时间区间和责任人定义。
一、为什么"想做"和"做成"之间隔着 8 步
很多老板对 AI 项目的误解，是把它当成"采购一套系统"。但 AI 不是 ERP——ERP 是把已存在的流程数字化，AI 是要让原本依赖人脑判断的工作交给模型代办，两者实施逻辑完全不同。
AI 项目失败的原因更隐蔽：场景选错、数据没盘、试点没人用、上线没人管。四件事任何一件出问题，项目就会停在"POC 跑通了但没下文"。我们专门写过 AI 项目卡在 POC 后的真实原因，里面统计过：超过 60% 的项目卡在业务不接手，不是技术不行。
这 8 步不是流程图好看，而是每步对应一个判断节点：这场仗值不值得继续打？答案是不值得，回退或换场景的成本远低于硬撑到上线。
二、步骤 1：业务场景排序（不是技术驱动）
第一步最容易做反：很多公司是"听说 AI 能干 XX，那我也搞一个 XX"——技术驱动几乎一定失败。正确起点是把公司里所有"高频、依赖经验、容易出错"的工作列出来排序。
具体怎么列？把每个部门负责人叫过来，问三个问题：哪件事每周重复做超过 5 次？做错了能不能在 24 小时内被发现？做一次要花多少时间？
| 候选场景 | 频次 | 错误可核对性 | 单次耗时 | 综合排名 |
|---|---|---|---|---|
| 销售跟单提醒 | 每天 100+ | 高（CRM 有记录） | 5-10 分钟 | 1 |
| 客服质检 | 每天 200+ | 高（录音对照） | 8-15 分钟 | 2 |
| 合同审核 | 每周 20-30 | 中（事后才发现） | 30-60 分钟 | 3 |
| 月报汇总 | 每月 1 次 | 低（没人复查） | 4-6 小时 | 4 |
| 战略分析 | 不定期 | 极低 | 不定 | 不适合 AI |
填完会发现反直觉的事实：那些看上去最酷的 AI 应用，恰恰落地排序最靠后。因为频次低、答案没人能核对——AI 答得对错都没人知道，存在意义就很弱。
输出物：场景候选清单（8-12 个）+ 优先级表 / 时间：1 周 / 责任人：老板 + 各部门负责人。
三、步骤 2：数据现状盘点
第一步选完，立刻要看：支撑这个场景的数据，到底在哪里？
我们见过太多企业选了完美场景——"让 AI 帮销售看哪些客户该跟进"，跑到步骤 4 才发现：跟进记录一半在 CRM 里、一半在销售个人微信截图里、还有部分写在每个人的笔记本上。AI 拿不到完整数据，自然给不出靠谱建议。
数据盘点分三层：系统里（CRM/ERP/OA/考勤/财务，注意字段空缺率超 30% 等于没有）、Excel 里（销售自维护的客户表、运营手工记的活动效果，最关键也最分散）、纸面/口头/微信里（聊天截图、纸质单据、口头汇报，依赖这层要么提前数字化要么换场景）。
盘完做一张数据可用性地图，对照场景标"够用/补一补/补不动"。补不动的回退到步骤 1。想做得更系统可参考 企业上 AI Agent 前必做的自检。
四、步骤 3：选试点
数据盘完，你手上应该有 2-3 个"场景靠前、数据够用"的候选。从中选 1 个做试点，四个硬条件：高频、规则清晰、结果可核对、影响可控。
四条都满足才适合做试点。注意"高频"和"重要"不是一回事：CEO 的战略决策很重要，但频次极低、答案对错没人能即时验证，不是好试点。
我们辅导过一家做家电分销的中型公司，一开始想拿"经销商返利核算"做试点，结果发现规则一年改三次、各区域政策不一样，AI 学不动。后来改成"经销商订货异常提醒"，规则稳定、每天发生几十次、AI 标的异常人工 10 分钟就能复核，三周跑通。
五、步骤 4：搭 POC 验证可行性
试点定了之后进入 POC（概念验证）。目标不是做出"能用的产品"，而是回答：这件事 AI 到底能不能做到 70 分以上？
最容易犯的错是"想一次做漂亮"。正确做法是用最低成本、最短周期跑一个粗糙版：
| POC 阶段动作 | 时间 | 关键产出 |
|---|---|---|
| 数据样本准备 | 2-3 天 | 100-500 条带答案的样本 |
| Prompt / Agent 流程搭建 | 3-5 天 | 跑通完整链路 |
| 准确率测试 | 2-3 天 | 准确率 / 漏检率 / 误报率 |
| 业务方盲测 | 2-3 天 | 业务人员看输出能不能用 |
| POC 结论会议 | 半天 | 走 / 不走 / 换场景 |
POC 阶段不需要 UI、不需要权限管理、不需要接所有数据源，能跑就行。1-3 周完成，拖到一个月以上说明场景本身有问题，应该回退。POC 还有个隐藏价值：让业务方提前看到 AI 的真实能力上限。很多老板对 AI 的预期建立在视频和发布会上，看到真实 POC 输出后会主动调目标——越早越好。具体节奏可参考 AI Agent 落地路线图。
六、步骤 5：产品化与权限治理
POC 跑通后进入产品化，这是大多数项目从"技术 demo"变成"业务能用"的分水岭，也是预算和时间最容易超支的环节。
产品化要做四件事：接真实数据源、权限治理（谁能看 AI 输出、AI 能调谁的数据、错调了怎么追溯）、业务流程嵌入（单独入口还是嵌在现有 CRM/审批/钉钉群里）、异常兜底（AI 拒答/答错/超时分别走什么流程）。
权限治理很多团队会低估。AI Agent 一旦能"读"全公司数据，权限边界没定清楚会出大问题，具体可看 AI Agent 在企业里的数据安全。
这一步周期通常 4-8 周，预算占比也最大。中小企业常把这段低估为"再加两周"，实际往往要 1-2 个月。好消息是，这两年 AI Coding 工具成熟后，定制开发不再等比例贵——同样的需求过去要 4 个工程师 6 周，现在可能 2 个人 3 周搞定，让产品化这步的可承受成本下来了不少。
七、步骤 6：小范围灰度
产品化完成不等于上线，先让 5-15 个真实业务用户用 2-4 周。灰度目标不是看准确率（POC 阶段已验证过），而是看：
- 业务方愿不愿意主动用（不愿意，准确率再高也白搭）
- 现有流程能不能承接 AI 的输出（AI 标了 50 个跟进客户，销售有没有时间真去跟）
- 异常情况怎么处理（AI 拒答/答错时，业务方实际怎么应对）
最常见的坑是"老板让用，员工被迫用"。这种状态下数据反映不出真实价值。破局靠找 3-5 个真正受益的人，让他们用顺再去说服同事，比老板发邮件强 10 倍。
八、步骤 7：扩到部门/全员（与培训配套）
灰度跑通进入扩面。新增成本主要在培训和支持，不在技术。
| 扩面阶段任务 | 投入估算 | 关键点 |
|---|---|---|
| 部门内培训 | 每部门 0.5-1 天 | 不讲技术，讲"怎么把 AI 嵌到每天的工作里" |
| 一对一答疑 | 持续 2-4 周 | 设答疑人，回答"为什么我这个场景没给我答案" |
| 使用率监控 | 每周复盘 | 看哪个部门用得起来、哪个没动静 |
| 反馈闭环 | 每两周一次 | 收集真实改进需求 |
扩面经常出现"某部门就是不用"。这不一定是 AI 的问题，更多是这个部门的业务流程本就不适配。要做的不是强推，而是分析：真的不适配（承认这个部门暂时不上 AI），还是流程能调（调流程让 AI 进得去）。强推的代价是员工口口相传"AI 没啥用"，反过来影响其他部门接受度。
九、步骤 8：监控与迭代
最后一步也是最被忽视的：AI 项目永远没有上线即完工。
AI 和传统软件最大的区别就在这里。ERP 上线半年规则没变就会稳定运行；AI 上线半年，业务变化、数据漂移、模型更新，准确率会自然下降。没有监控和迭代机制，半年到一年后 AI 会变成"鸡肋"——用不顺、删不掉。
监控的最低标准：每周看使用率，每月抽样 100 条看准确率有没有下降，季度核算业务价值（节省多少时间/减少多少错误），同时盯 token 调用量和 API 费用走势对比预算。这部分没规划好，企业 AI 成本失控的真实路径 那篇里讲的坑很容易踩。
迭代节奏建议：月度小迭代（prompt 调优）+ 季度中迭代（接新数据源/新场景）+ 半年大迭代（架构升级）。这里有个常见误区：以为"AI 上线了 IT 就可以撤了"。实际上AI 项目需要一个长期的产品负责人，可以是 IT 也可以是业务方，关键是有人对结果负责。没有这个角色，AI 项目最后会变成谁都管谁都不管的孤儿。
十、把 8 步贴在墙上——输出物、责任人、判断点
| 步骤 | 输出物 | 时间 | 责任人 | 关键判断点 |
|---|---|---|---|---|
| 1 场景排序 | 候选清单 + 优先级表 | 1 周 | 老板 + 部门负责人 | 排名前 3 是否高频可核对 |
| 2 数据盘点 | 数据源地图 + 可用性评级 | 1-2 周 | IT + 业务主管 | 前 3 场景数据是否够用 |
| 3 选试点 | 1 个场景 + 立项书 | 3-5 天 | 老板拍板 | 四硬条件是否全满足 |
| 4 POC | 跑通 + 准确率报告 | 1-3 周 | 技术方 + 业务盲测 | 准确率是否过 70 分 |
| 5 产品化 | 产品版本 + 权限矩阵 | 4-8 周 | IT / 外部实施方 | 能否承接真实业务流 |
| 6 灰度 | 灰度周报 + 改进清单 | 2-4 周 | 业务主管 | 业务方是否自发使用 |
| 7 扩面 | 培训记录 + 使用率 | 4-8 周 | 业务主管 + HR | 各部门使用率是否爬升 |
| 8 监控迭代 | 月报 + 季度迭代计划 | 持续 | 产品负责人 | 价值是否持续大于成本 |
十一、走之前给自己打个分
读到这里你心里大概有数自己卡在哪。给一份自检清单，每条回答"是"得 1 分：
- 能列出至少 5 个候选 AI 场景并按频次/可核对/耗时打分排序
- 知道这 5 个场景的数据分别存在哪里（系统/Excel/纸面）
- 能挑出 1 个"四条硬条件全满足"的试点
- 有合理的 POC 预算和时间预期（1-3 周）
- 知道产品化阶段权限治理具体要做什么
- 有 3-5 个愿意做种子用户的业务方，不是被迫使用
- 有负责扩面培训的人，不靠老板发邮件推广
- 有明确的产品负责人，会持续跟进监控和迭代
7 分以上：按 8 步走完整流程。4-6 分：先补缺再启动。3 分及以下：现在启动大概率翻车，先做半个月内部准备。打分看着土，价值是把模糊的"我们要做 AI"变成可追踪的具体动作。真正决定成败的不是模型多先进、预算多充足，而是 8 步每一步有没有人对结果负责。
写在最后
AI 落地不是技术问题，是组织问题。8 步看着是流程，背后是"谁来想清楚业务、谁来盘清楚数据、谁来对结果负责"。技术工具这两年进步飞快，POC 周期从过去两个月压到两三周，剩下的难点全在业务和组织这一侧。
如果你是老板，第 1、3、8 步必须亲自参与——选场景、定试点、定产品负责人，别人替不了。如果你是 IT 负责人，第 2、4、5 步是主战场，数据盘点和权限治理做得多细，后面就多顺。如果你是业务主管，第 6、7 步看怎么发动同事一起用起来——AI 不是替你节省人力的工具，是给部门提一档天花板的杠杆。
8 步走完平均 4-6 个月，预算从 10 万到 80 万不等，看场景复杂度。这是企业从"想要 AI"到"AI 真的在跑"的合理代价。下次有人问你"AI 落地难不难"，可以这样回答：不难，难的是有没有人愿意把这 8 步一步一步走完。
