企业 AI 落地的最小单位不是模型，也不是智能体，而是一个有明确输入、处理过程、输出、责任人与结果指标的业务闭环。
一、什么才算“企业 AI 落地”？
很多企业把购买模型账号、组织培训或搭建知识库当成 AI 落地。这些都是准备工作，不是结果。判断是否落地，只需要问三个问题：
- AI 是否进入了一个每天或每周真实发生的业务流程？
- AI 的输出是否被员工、客户或下一个系统真正采用？
- 是否留下了可以复核的效率、成本、质量、收入或风险变化？
三个问题有一个答不上来，项目就仍处于演示阶段。IBM 对 AI 工作流的定义也强调，价值来自 AI 与业务流程的结合，而不是模型单独存在。可参考其公开的 AI 工作流说明。
二、如何选择第一个 AI 场景？
第一个场景决定团队是否会继续投入。最合适的试点通常同时具备五个特征：
- 高频：每周都会发生，优化一次可以重复获益；
- 重复：处理步骤有规律，不完全依赖个人灵感；
- 资料密集：需要阅读、比较、整理或生成大量信息；
- 可复核：人工能够判断答案是否正确；
- 有指标：能记录耗时、转化率、错误率、响应时间或产出数量。
适合先做的例子包括：销售线索整理、客服问题分类、内容素材生产、会议信息转任务、合同要点抽取、订单通知与台账同步。高风险决策、缺乏标准答案、数据尚未整理的流程，不适合成为第一个项目。
三、搭建一个能运转的最小闭环
固定输入
明确数据从哪里来、格式是什么、谁有权限。邮件、表单、CRM、飞书多维表格都可以，但入口必须稳定。
拆开判断与执行
让模型负责理解、分类和生成，让确定性代码负责写库、发通知、计费和权限。不要让语言模型独自承担不可逆操作。
设置人工闸门
低置信度、超预算、涉及客户承诺或敏感信息时，自动转人工。人工不是失败，而是生产系统的责任边界。
记录每次执行
保留输入、输出、状态、耗时、错误和人工修正。没有日志，就无法知道系统是在创造价值还是制造隐性成本。
形成反馈
把人工修改和业务结果回写，持续更新规则、提示词、知识与评估样本。
四、用什么指标证明 AI 有用？
不要只统计生成次数。选择与原流程直接对应的指标：
- 效率：单次处理时间、等待时间、积压数量；
- 质量：一次通过率、人工修改率、漏检率；
- 经营：线索响应率、成交率、客单价、复购；
- 成本：每单处理成本、外包费用、模型与人工总成本；
- 风险：错误操作数量、敏感数据暴露、超权限调用。
上线前先测一周人工基线，上线后用同口径比较。只有模型准确率，没有业务基线，无法判断项目是否值得继续。
五、企业 AI 最常见的失败方式
先买平台，再找需求
平台能力越大，项目越容易失焦。正确顺序是先确认流程和指标，再选择足够完成任务的技术。
只做演示，不接系统
演示中复制粘贴一次很惊艳，真实业务每天重复五百次就会暴露权限、异常、并发和数据质量问题。
追求完全无人化
早期最优解往往是“AI 处理大部分标准任务，人工接管少量复杂任务”，而不是强行删除所有人工节点。
没有负责人
AI 项目必须有业务负责人，不应只交给技术团队。技术负责系统可用，业务负责结果是否有价值。
常见问题
- 企业 AI 落地第一步是什么？
- 先选择一个高频、重复、输入输出清晰、结果可复核的真实业务流程，而不是先采购一批 AI 工具。
- 什么场景适合成为第一个 AI 试点？
- 资料密集、规则相对稳定、人工耗时明显、允许人工复核，并且两到四周内可以看到结果的场景更适合。
- 如何判断项目是否真的落地？
- 系统进入真实工作流，输出被实际采用，并且效率、成本、质量、收入或风险至少一个指标发生可复核变化。
Tech Bridge 主理人、硅基物语创始人、乾X CEO，持续建造 AI 产品、自动化业务系统与智能硬件。