企业 AI 怎么落地：从 PoC 到真实流程的 5 步、KPI 与失败原因

不建议一开始就挑最高风险、最复杂、责任边界最模糊的场景。如果数据散乱、流程未标准化，或合规要求很高但治理机制尚未建立，应先补数据和流程，再谈生成式 AI。

3. 在 PoC 前盘点数据、权限与系统连接

AI 落地的难点常不在模型本身，而在数据能否被安全、正确、及时地调用。Talyx 对 RAND Corporation 2024 研究的整理指出，该研究访谈了 65 位资深数据科学家与工程师，并归纳出几个常见 AI 项目失败根因：问题定义被误解、训练数据不足、技术导向而非问题导向、基础设施不足，以及问题本身超出可行范围。

PoC 前至少要检查：

• 数据在哪里：文档库、CRM、ERP、工单系统、数据仓库，还是分散在个人电脑和聊天记录里？
• 数据质量如何：是否过期、重复、缺字段、格式不一致？
• 权限怎么管：不同部门、职级、地区能看到的数据是否不同？
• 更新频率如何：AI 回答的是最新版本，还是几个月前的资料？
• 系统能否连接：AI 输出是否能回到工单、CRM、报表、审批或文档流程？
• 审计是否可追溯：谁问了什么、AI 回答什么、谁采纳或修改，是否能留下记录？

如果数据不可用，模型再强也只能做展示；如果权限设计不清，项目很可能卡在信息安全、隐私、法务、合规或审计环节。

4. 做小型 PoC，但必须接入真实工作流

PoC，也就是概念验证，不应只是会议室里的演示版。更好的做法，是把 PoC 当作第一版产品：接真实用户、真实数据、真实流程，并提前定义成功、扩大和停止条件。

一个能进入运营的 PoC，至少要回答：

• 用户在哪里触发 AI：客服后台、Slack、Teams、CRM、内部门户，还是既有业务系统？
• AI 产出的内容由谁复核？哪些情况必须转人工？
• 错误怎么反馈？反馈后谁负责修数据、调规则或优化提示？
• 哪些任务只能辅助，不能自动完成？
• KPI 达到什么门槛才扩大？低于什么门槛就停止？

这一步的关键不是证明 AI 会回答，而是证明 AI 能在现有流程中被稳定使用，并让某个业务指标变好。

5. 通过治理后，再扩展到第二个部门或更高自动化

扩大 AI 不是多开几个账号。每扩到一个部门，都会遇到新的数据来源、权限规则、流程差异、合规要求和 KPI。

尤其当 AI 从查询、摘要、草拟，走向 AI agents（智能体）或更自主的 agentic AI 时，更应该循序渐进。McKinsey 2025 调查摘要显示，在任何单一职能中，报告已规模化部署 AI agents 的受访者都不超过 10%。McKinsey 另指出，安全与风险是扩展 agentic AI 的首要障碍，而不准确和网络安全仍是最常被提到的 AI 风险。

更稳妥的扩展顺序是：

1. 先让 AI 协助搜索、整理、摘要、草拟。
2. 保留 human-in-the-loop，也就是关键环节有人复核，积累错误、例外和使用记录。
3. 当正确率、流程稳定性、权限和审计机制成熟后，再自动化低风险步骤。
4. 每次扩到新部门前，重新审查数据、权限、法务、合规、信息安全、隐私和审计要求。

KPI 怎么设：不要只看模型准确率

AI 项目如果只量模型准确率，很容易忽略真正的运营价值。更好的 KPI 设计，是先量当前基准，再用多层指标判断是否值得扩大。

KPI 一开始不必很多，但必须和流程连在一起。如果 PoC 只能证明 AI 能生成一段文字，却不能证明流程更快、更准、更省人力或更可控，就还不能算真正落地。

为什么很多 AI 项目落不了地？

1. 先买工具，再找场景

很多项目从供应商 Demo 或模型能力出发，最后做出看起来很炫、但没人每天需要的功能。Talyx 对 RAND 研究的整理也把「技术导向而非问题导向」列为常见失败根因之一。

2. 问题定义不清，导致各部门期待不同

如果业务端想降低客服工时，IT 端在优化模型准确率，管理层期待成本下降，法务又担心风险，项目就会在不同目标之间拉扯。问题定义被误解同样被列为 AI 项目失败根因之一。

3. 数据和系统没有接上

AI 如果拿不到正确的文档、客户资料、工单记录或交易数据，就只能回答通用问题。即使答案不错，如果输出不能回到 CRM、ERP、文档库或工单系统，用户仍要手动复制粘贴，价值会被流程成本抵消。基础设施不足也是 Talyx 对 RAND 研究整理出的常见失败根因之一。

4. PoC 没有改变真实工作方式

AI 使用率提高，不代表已经完成规模化落地。一篇整理 McKinsey 调查的报道指出，虽然 88% 的组织已在至少一个业务职能使用 AI，但近三分之二仍停在实验或早期试点阶段。如果 PoC 没有进入真实流程、没有业务负责人、没有 KPI，最后往往只会停在展示阶段。

5. 风险治理太晚补

信息安全、隐私、合规、审计和权限控制如果等到上线前才处理，项目很可能被迫返工。对 agentic AI 尤其如此，因为更自主的系统通常需要更清楚的数据边界、行动权限、人工复核和责任归属；McKinsey 指出，安全与风险是扩展 agentic AI 的首要障碍。

场景判断表：什么先做，什么先缓一缓？

落在右栏的场景不是永远不能做，而是要先补数据、标准化流程、厘清责任和治理，再导入 AI。

一页 AI 导入检查清单

启动任何 AI 项目前，可以用这 10 个问题快速检查：

1. 这个场景解决的是哪个具体业务问题？
2. 当前流程基准是多少，例如时间、错误率、成本或投诉率？
3. 谁是业务负责人？谁能决定流程要不要改？
4. 用户是否真的高频遇到这个问题？
5. 所需数据是否已存在、可获取、可更新？
6. 权限、隐私、法务、合规、信息安全与审计要求是否清楚？
7. AI 输出会进入哪个真实系统或工作流？
8. 哪些情况必须保留人工复核？
9. 成功、扩大、停止的 KPI 门槛是什么？
10. 如果扩到第二个部门，数据、流程与风险假设是否仍然成立？

结论：先把一个流程做成，再谈全公司 AI

企业 AI 落地要从流程改造出发，而不是从模型采购出发。模型是必要能力，但不是落地本身。真正决定项目能否从 PoC 走向运营的，是数据是否可用、权限是否清楚、流程是否愿意改变、风险是否可控，以及 KPI 是否能证明价值。