每周都有人带着同样的请求来找我:“我们想引入 AI,您有什么建议?“几乎每次,这个对话都开错了头。起点不该是技术,而是一个具体的流程——一个眼下正在吞噬时间和金钱的流程。

画架上的演示图表与真正运转的齿轮

夭折的试点从何而来

据多方估计,高达 80% 的 AI 试点无法进入生产阶段。原因几乎总是一样的:从模型出发,而不是从任务出发。买了 LLM 的访问权限,用合成数据做了个漂亮的 demo,向管理层演示——然后就卡住了。一遇到真实数据,demo 就散了架:数据是脏的,流程从没被梳理过,效果也没人计算过。至于AI 并不是什么,我另写过一篇,没有炒作。

我从 2017 年就开始落地 AI——远早于这波热潮。这些年的核心教训很简单:AI 在有可度量流程的地方才有效,在有狂热爱好者的地方无效。

我如何选择要自动化的流程

在提出任何技术方案之前,我会先回答三个问题:

  1. 现在这件事花多少钱? 员工工时、错误、损耗。如果流程本身很便宜,AI 也救不了它。
  2. 什么算成功? KPI 在启动前就定好,用业务单位衡量:小时、金额、周期。不是“提升质量”,而是“把分析准备周期从几周缩短到几小时”。
  3. 如果不奏效怎么办? 停止标准同样提前定好。几周后就放弃一个试点是正常的——总比烧掉一整年的预算强。

朴实的技术同样管用

一个有趣的秘密:经过这样的梳理,有一半的情况根本不需要 AI。一个普通的脚本、一条 CRM 规则,或者仅仅是数据管理的纪律,就能更便宜、更可靠地解决问题。一句诚实的“你们暂时不需要 AI”,成本低于一次失败的试点——这同样是咨询的价值。

按照同样的原则、针对具体职能的拆解见:俄罗斯的会计智能化:2026 年真正落地的部分。而在我服务的企业里,最常通过这个筛选的场景,是为每位员工配备个人 AI 助手——它有价格、有指标,还有一场关于风险的单独对话。而员工一拿到权限就会犯的典型错误——从空泛的提问到盲目信任——则汇总在员工使用 AI 的十大错误一文。

简而言之

AI 的关键不在于模型,而在于有价格、有指标、有负责人的流程。

如果您想梳理自己的流程——从诊断开始。三大风险、速赢地图,以及一个诚实的答案:您到底需不需要 AI。这需要 3–5 天,而不是几个月。