> For the complete documentation index, see [llms.txt](https://doc.duaer.com/zh/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doc.duaer.com/zh/guides/problems-with-ai-implementation.md).

# 2027 年企业 AI 落地的问题：为什么试点在规模化前就停滞

本文探讨 2027 年企业 AI 项目为何常在试点后停滞，并从数据准备、结果迁移、责任归属和价值衡量四个方面给出应对思路。本文在 Duaer 文档站整理发布。

## 你的数据准备度比路线图假设的要低

很多团队从模型选型开始，几周后才发现数据是真正的瓶颈。文档散落在不一致的文件夹里，不同系统中的产品编码互不相同，访问权限也从未考虑过检索场景。如果信息过时、重复，或者受到无人梳理过的访问限制，模型就无法可靠地基于这些信息进行推理。

修复方法并不光鲜。选定一个工作流，列出它真正需要的数据来源，先只清理这一部分，再逐步扩展。试图先把所有数据都理顺的团队，通常很难完成项目。

## 试点结果无法直接迁移到生产环境

试点通常由精心挑选的团队运行，使用经过筛选的问题，并且有工程师盯着每一条输出。生产环境则没有这些条件。边缘情况不断累积，用户会提出试点从未测试过的问题，而错误队列也没有明确的负责人。

在扩展之前，有一个很有用的检验：试点是在普通用户处理杂乱输入时取得成功的，还是只在核心种子团队中成功？如果是后者，那你手里是一个演示，而不是一个可用的系统。关于试点到规模化之间会出现的具体陷阱，可以参阅[企业 AI 采用常见误区](https://doc.duaer.com/zh/guides/enterprise-ai-adoption-pitfalls/)。

## 没有人对结果负责

AI 项目常常夹在 IT 部门、业务部门和供应商之间。IT 负责基础设施，业务方负责问题本身，供应商负责模型。一旦准确率下降，各方都会把责任推给其他人。项目需要一位负有明确责任的业务负责人、一个清晰定义的成功指标，以及一笔用于持续运营的预算，而不仅仅是上线阶段的费用。

## 衡量活动而非衡量价值

提示词数量和登录人数看起来是进展，但它们几乎无法说明工作是否变快了，或决策是否变好了。常见的错误是只追踪采用率，却忽视返工率、升级率，以及推理、集成和维护中的隐性成本。上线前应先建立基线，按固定周期与基线对比，并以总体拥有成本而不是许可证费用来计算。更完整的拆解可以参阅[企业 AI 采用成本测算方法](https://doc.duaer.com/zh/guides/enterprise-ai-adoption-cost/)。

## 本季度该做什么

选定一个有可衡量基线的工作流，指定唯一的业务负责人。清理它所需的最少数据，并确定负责处理错误的审核人员。让真实用户在真实工单上运行试点，至少持续四周。只有当扣除审核时间之后，指标仍优于基线时，才考虑扩大规模；否则就重新设计或停止。停滞的试点远比停滞的整体项目便宜。

AI 很少只因模型本身而失败。它往往失败于数据、责任归属和衡量方式，而这些本应被视为构建过程的一部分却从未被认真对待。

## 常见问题

### 企业 AI 试点为什么很难扩展到生产环境？

试点通常由精心挑选的团队在受控条件下运行，问题经过筛选，输出也有专人监督。进入生产后，用户会带来更杂乱的输入和更多边缘情况，而错误处理、数据维护和责任归属往往还没有准备好。

### 如何判断一个 AI 试点是否可以规模化？

可以检验试点是否在普通用户处理真实、杂乱的输入时依然成功，而不仅仅依赖核心团队。同时要确认试点指标在扣除人工审核时间后仍优于上线前建立的基线。两者都满足，才值得考虑扩大范围。

### 企业 AI 项目的成本应该怎么计算？

不应只看许可证或订阅费用，还需要计入推理费用、系统集成、数据清理、错误审核和持续维护等总体拥有成本。上线前建立基线，并按固定周期对比，有助于看清真实的投入产出。