过去两年，我们给制造、贸易、连锁、法律服务、短剧 MCN、知识付费等行业做过二十多个企业AI化项目。复盘下来，失败的项目几乎都栽在同一个地方：一开始就把力气花在"选什么工具"上，而不是"先解决哪个问题"。
典型场景是这样的——公司买了一堆 AI 工具，请讲师做了两场全员培训，业务同学在培训现场用得很兴奋，回到工位第二天就再也没打开过。三个月后管理层问"AI到底带来了什么"，没人答得上来。
这不是员工的问题，也不是工具的问题，而是场景选错了。
为什么"先培训后找场景"一定失败
培训解决的是"知道"，但业务结果来自"用得上"。这两件事之间隔着一整套东西：数据在哪里、流程怎么改、谁来负责、效果怎么衡量。
我们把它叫做落地断层。断层不补，培训越多，落差越大。
一个来自真实交付的对照组：某传统制造企业第一次做AI培训时，也是全员听课、课后无感；第二次我们换了个做法——先不谈工具，先用一周时间把"阿米巴薪资核算要 4 小时"这个具体痛点拆开，再针对性教。结果这套核算流程从 4 小时压缩到 5 分钟，提速 98%。同一批人，同一个工具，差别只在场景选得对不对。
场景筛选的六个标准
我们内部用一个六维打分表来筛场景，每一项 1-5 分，总分低于 20 分的场景先不做：
| 维度 | 判断问题 | 高分特征 |
|---|---|---|
| 频次 | 这件事多久做一次？ | 每天或每周都做 |
| 耗时 | 单次花多长时间？ | 单次 30 分钟以上 |
| 规则明确度 | 能不能写清楚"什么样算做完"？ | 有明确验收标准 |
| 数据可得性 | 做这件事要用的资料在哪？ | 已有电子化、可访问 |
| 容错空间 | 出错代价大不大？ | 错了能人工复核 |
| 责任人 | 谁为结果负责？ | 有明确业务负责人 |
把这六项拉出来打分，很快就筛掉了那些"听起来很酷但落不了地"的想法。相反，一些看起来不起眼的场景得分很高——比如跨系统订单查询，业务员查一次要辗转几个系统、平均耗时按小时计，我们改完之后查询耗时降到秒级，下降 90%；再比如外贸邮件响应，模板化+辅助生成之后响应效率提升 50%。
这些场景不性感，但它们每天都在消耗真实的人力。
四步推进法
选好场景之后，推进路径其实是可以标准化的。我们沉淀下来的是这四步：
- 拆流程：把这件事从头到尾写成步骤，标出每步的输入、输出、判断规则。很多企业卡在这一步就发现，原来自己都没把流程讲清楚。
- 切片：把流程切成"AI 能做的"和"必须人做的"。原则是让 AI 做重复、检索、生成、比对，让 AI 输出初稿，让人做判断和签字。
- 定验收：上线前先约定指标，例如耗时、产出量、错误率。没有指标的改造，最后一定会变成"感觉快了"。
- 跑两周再调：前两周一定会有意外情况，要留出调整窗口，而不是上线即宣发。
某法律服务企业的例子很典型：律师函原本按小时级产出，我们把文书生成的重复部分交给 AI 之后，变成批量分钟级生成，文书产出提升 80%，证据整理的事务性工时下降 50%。注意这里降下来的是事务工时，不是律师的判断——这才是健康的提效。
组织层面必须做的三件事
技术和流程之外，还有三件事决定项目能不能活下来：
- 让业务负责人当项目 owner，而不是 IT 部门。AI 落地是业务改造，不是信息化项目。
- 先在一个部门跑通样板，再横向复制。某轻美容连锁需要覆盖 2000+ 门店做千店千面的差异化营销素材，他们没有一上来就全量铺开，而是先跑通区域样板。
- 把"用AI"写进日常动作，而不是做成额外任务。例如把日报、周报、经营分析的生成环节直接嵌进原有流程。某连锁的项目里，区域经理的经营报告已经实现移动端实时查看，而不是靠人额外整理。
常见的三个疑问
Q：我们公司数据基础差，能用 AI 吗？
能，但切口要更小。数据基础差的时候，优先选"单点、单文件、单个人就能完成"的场景，例如合同条款比对、文案初稿、会议纪要整理。等大家建立信心之后再碰跨系统的事情。
Q：要不要先做私有化部署？
看数据敏感度。某大宗贸易集团年营收 800 亿，业务数据不允许出企业，这类场景我们会做私有化部署。但多数中小企业并不需要——先用起来，比先搭好基础设施更重要。
Q：多久能看到结果？
我们自己的经验是：单点场景 2-4 周可以看到可量化的变化，跨部门流程改造通常需要 2-3 个月。如果半年还看不到任何指标变化，基本可以判断场景选错了。
小结
企业AI落地的顺序应该反过来：先找那个每天都在消耗人力的具体问题，再谈工具和培训。工具会换，模型会升级，但"从业务痛点出发、用指标验收"这套方法不会过时。
如果你不确定从哪个场景切入，可以从我们整理的那张六维打分表开始——先给手上三五件烦人的事打分，答案通常就浮出来了。