原文出处：企业AI 落地被低估的几道坎 为什么 AI 演示时效果惊艳... https://xhslink.cn/o/AI1ZOvchQbD 先复制内容，然后去【小红书】一键查看笔记。

企业 AI 落地：Demo 跑通只是起点，真正的难点在这四件事

腾讯研究院最近发布了一份《前线共创，双向赋能：FDE 模式行业观察与实践》报告。它结合多家机构的一线访谈与调研，以及腾讯云自己的客户实践，分析了企业 AI 落地中反复出现的问题，也讨论了这些困难在交付现场是怎么发生的。FDE（Forward Deployed Engineer，前线部署工程师）要深入客户现场，帮助技术真正落地；但报告里讨论的很多问题，企业内部负责 AI 的团队同样要面对。

把视角从交付方换到企业自己，可以看到四个突出的问题，以及企业需要做出的三点改变。

一、把「Demo 能跑」当成「产品能上线」

AI 项目应当尽早做可行性 Demo：模型在自己数据上的表现怎么样、接口能不能接通、实际效果能不能满足需求，这些都需要在 Demo 里验证。Demo 的价值也正在于此——验证可行性，提前暴露风险。

问题在于，有些 Demo 看起来很惊艳，一进入生产环节就开始暴露问题。以智能客服为例：演示时问「退货条件是什么」，它可能回答得非常完善；但真实客户的问题往往复杂得多——「商品已经拆封了」「上一个客服答应过特殊处理」「我现在到底能不能退」。到了生产环境，订单查询失败怎么办、工具调用超时怎么办、模型判断不确定时是继续操作还是转人工，这些异常路径都需要明确的处置方式。

报告用 80%、95%、99% 这三个数字来说明这种落差。一个 Agent 覆盖 80% 的场景，很快就能跑通，用大模型加简单的提示词就能完成；但要把覆盖率提到 95%、提高生产环境的可靠性，就需要不断补充业务知识、优化提示词，并补齐大量工程工作；最难的是把覆盖率推到 99%。

企业 AI 和个人 AI 不同：一次错误就可能造成严重后果；接入的系统越多，审计、回滚和人工接管也会越复杂。报告把企业 AI 落地分为场景识别、原型验证、试点运行、生产部署和规模扩展五个阶段，但部署上线以后，还有大量工作需要在真实业务中持续打磨。

二、能做 AI 应用，不等于选对了高价值场景

报告把 FDE 需要的能力分成两类：一类负责判断该做什么，另一类负责把它做出来。AI 降低了后者的成本，也就是工程实现的成本；但识别高价值场景、理解业务，仍然需要人的判断。做出来变容易了，不代表企业自然就知道什么值得做。

一个典型的例子是：「竞品有一个 AI 客服，我们也要做一个。」这是一条需求线索，却没有说明我们真正需要解决的是什么问题——是重复咨询太多，是复杂问题处理太慢，还是服务质量不稳定，又或者是信息没有打通？问题不同，方案和投入也不同。有些问题适合引入 AI，有些则可能通过打通信息、调整现有系统就能解决。

企业可以应用 AI 的环节很多，但每个环节的价值和落地难度并不一样。AI 团队需要和业务一起判断：哪些问题值得优先解决，解决之后会改善什么指标，以及投入是否划算。能做一个 AI 应用，和有必要做这个应用，是两回事。

三、员工会做的事，AI 未必做得更好

选中了高价值场景，只回答了「这件事值不值得做」，并没有回答另一半问题：完成这件事所需要的业务知识、规则和系统条件，是不是都准备好了？

企业里很多协作依赖及时沟通，决策依赖关键负责人，大量流程和判断规则存在于员工的经验和团队的默契之中。业务每天能正常运转，不代表这套运行方式已经被清楚地表达出来，更不代表 AI 拿到现有文档就能照章执行。

报告用了 ERP 的例子：企业让 AI 自动处理订单流转，等到实施时才发现还有一堆规则需要适配——比如订单金额超过一定额度，需要总经理审批才能发货；成品仓和原料仓也有不同的收发货规则。通用流程跑得通，不代表它已经理解这家企业是怎么做事的。

所以，与目标场景相关的员工经验、流程规则和隐性知识，都需要经过梳理，转化为 AI 可以使用的上下文。

四、个人提效，不等于组织提效

一个人用 AI 完成任务更快了，但工作仍然要经过原来的交接、审核和决策，整个业务未必就更快。企业希望获得整体效率的改善，就需要重新审视流程协作和考核方式。

首先是业务流程。 在原有业务里「加」AI，和围绕 AI 重新设计流程，是两种完全不同的做法。前者保留了原来的流程和组织，只让 AI 在局部提效。但有了 AI，就该重新问：这项业务是否还要按原来的方式运行？哪些工作可以直接完成？哪些环节可以合并？哪些重复的信息传递可以减少？如果流程里的等待和重复劳动没有减少，个人节省下来的时间就不会转化为整体的效率。

其次是 AI 落地的分工方式。 企业的知识梳理和效果验证，需要业务专家直接参与。但如果企业仍然把业务定位成「提需求的一方」，那谁来输出专业知识，就会出现职责上的空缺：产品和技术拿到了需求，却没有拿到完成需求所必需的领域知识；做出来以后，也需要业务专家持续判断效果。

第三是考核与激励。 围绕 AI 重新设计了流程，业务人员为什么愿意改变原来的工作方式？业务专家花时间去整理经验、分析错误、验证效果，但如果原来的业务任务并没有减少，这些投入又不进入绩效考核，业务效果也没有改善，事情就很难继续推进——说到底，是缺少共同为结果负责的人。

回到企业：三点可以马上着手

企业对 AI 的期待已经提高了，但项目投入、业务参与度和组织管理却没有跟上。希望 Demo 尽快变成稳定产品，希望技术团队拿到高价值场景，希望 AI 掌握员工多年积累的经验——可如果验证、知识梳理和持续改进没有相应的资源安排，这些期待就很难兑现。

结合前面四个问题，有三点可以马上着手改进。

第一，不要用 Demo 的速度去推算整个落地周期。 Demo 跑通之后，真实数据的处理、异常情况的应对和生产环境的可靠性，都需要持续验证。管理层要为这些工作预留时间和资源，并根据阶段性效果判断是否继续投入。过早要求全面上线，很容易把 Demo 中没有暴露的问题带进业务。

第二，围绕高价值场景组织小团队，让业务和技术共同对结果负责。 业务负责人要参与判断什么值得做，业务专家要参与知识梳理。无论使用内部资源还是引入外部团队，业务都不能只在提需求的时候出现。

第三，涉及流程、职责和考核变化时，高层要真正参与推动。 CEO 或者有决策权的业务负责人需要带头，协调部门投入，调整考核方式。如果这些事情始终只是「额外配合」，AI 团队很难独自推动下去。

企业可以把系统开发交给专业团队，但业务怎么改变、人员怎么投入、责任怎么承担，管理层必须自己做出决定。这也是很多企业觉得 AI 落地困难的原因。