企业 AI 落地常见问题

下面是客户在第一次沟通里问得最多的问题。答案尽量直接，该说「不建议做」的地方也会说。

企业 AI 转型一般要花多少钱

没有统一价，但有可判断的量级。一个聚焦单一场景的项目（比如设备维修知识库、门店巡检分析），从诊断到上线通常在十万到几十万元区间；覆盖多个部门、需要对接 ERP / MES 的项目会更高。真正该算的不是报价，而是这个流程现在占用多少人、每人每周多少小时，乘以人力成本得到年度机会成本——如果一到两年内能被覆盖，通常就值得做。

不建议一上来就做大预算的全面转型。先用一个场景验证，拿到真实数据再决定要不要扩大。

企业做 AI 转型要多久才能看到效果

单场景项目的常见节奏是：2 周诊断、4 周做出可用原型、之后进入建设与陪跑。第一个可用版本通常 6 周内上线，但「看到效果」要看使用率——真实的业务指标变化一般出现在上线后的第二到第四个月，因为前期时间都花在让一线真正用起来上。

承诺「两周见效」的方案通常只是演示效果，不是业务效果。

企业 AI 转型应该从哪里开始

从一个「重复度高、有历史数据、责任人明确」的场景开始。三个条件缺一不可：重复度高才有节省空间，有历史数据模型才有依据，责任人明确才有人推动落地。

常见的好起点包括：内部知识问答（把老师傅和老文档里的经验变成可查的）、报表汇总（多门店/多产线的数据整理）、文档初稿生成（投标、合同、周报）。不建议从对外客服起步——它直接面对客户，容错空间最小。

为什么大多数企业 AI 项目最后没人用

失败几乎都不在技术侧。最常见的三个原因：老流程还能用，新工具反而多一道步骤；答案偶尔不准，一线试过两次就不再信任；没有人明确宣布「这件事以后归系统管」，于是新旧并行、最终回到旧的。

这三个都是采纳问题，不是模型能力问题。所以上线之后有没有人持续盯着改流程、跟数据、修问题，比选哪个模型重要得多。

定制开发和买现成 SaaS 该怎么选

选 SaaS：需求还在变、流程和行业通用做法差不多、或者要做的是财务 HR 这类高度标准化的模块。这些领域现成产品的成熟度是多年积累的，自建很难追上。

选定制：核心流程与通用做法差异明显、需要打通多个既有系统而 SaaS 接口不开放、数据敏感必须私有化部署、或者算过账发现按人年费用在你的人数规模下已超过自建成本。

判断方法很朴素：如果你要为了用这个产品去改业务流程，而那个流程恰恰是你的竞争力所在，就该定制。

我们数据很敏感，AI 方案能私有化部署吗

可以。知识库和 Agent 平台都支持部署在企业自己的服务器或自有云账号里，数据不出内网。模型可以选私有化部署的开源模型，也可以走企业级 API 并签数据不留存协议——两种成本差异较大，通常按数据敏感等级分级处理：核心数据走私有化，一般数据走 API。

需要提醒的是，私有化部署解决的是数据不外流，不解决内部权限问题。谁能问到哪些内容，仍然要按部门和岗位单独设计。

企业知识库和 AI Agent 有什么区别

知识库解决「问答」：把散落的资料收拢，员工提问、系统给出带出处的答案。它是被动的，你问它才答。

Agent 解决「办事」：按预设流程自动完成一连串动作，比如接到工单后自动分类、查库存、生成回复草稿、推送给对应负责人。它是主动的，由事件触发。

多数企业的实际路径是先上知识库——它见效快、风险低，也顺便把数据基础整理了一遍，之后再做 Agent 会顺很多。

我们连流程都没线上化，能直接上 AI 吗

不建议。如果核心流程还在纸质单据和微信群里，AI 没有可用的数据来源，做出来的东西只能靠人工录入喂养，很快就没人维护。

这种情况正确的顺序是先把流程数字化——哪怕只是一个简单的表单系统，把关键动作变成结构化记录。通常半年左右的数据积累之后再上 AI，效果和成本都会好得多。我们在诊断阶段遇到这种情况会直说，不会为了成单硬推。

上了 AI 会不会要裁员

我们做过的项目里，绝大多数的实际结果是同样的人处理更多的量，而不是减人。原因很现实：AI 目前擅长的是重复性的信息处理，而这类工作在多数企业里本来就是积压状态——不是人闲着，是活干不完。

但要诚实地说：如果某个岗位的全部内容就是把 A 系统的数字抄进 B 系统，那这个岗位确实会变。比较负责任的做法是提前规划这些人的转岗方向，而不是等系统上线了再说。

需要我们公司配合什么

最关键的是一位有决策权的业务负责人，能拍板改流程。纯 IT 部门推动的 AI 项目成功率明显更低，因为要改的是业务动作而不是技术架构。

其次是数据访问权限——诊断阶段需要看现有系统里的真实数据，这一步常常卡在审批上，建议提前安排。

时间投入方面：诊断期各业务线各需 2–3 人接受访谈，每人 1–2 小时；上线陪跑期需要一线配合试用和反馈。

怎么判断一家 AI 服务商靠不靠谱

几个可以当场验证的信号：

• 会不会问你的业务。上来就讲模型和技术架构、不问你流程怎么跑的，通常做不好落地。
• 敢不敢说「这个不建议做」。什么需求都接的，往往是按工时结算。
• 案例里有没有量化结果和失败经验。只讲成功不讲踩坑的案例，多半没真正做完过。
• 上线后管不管。合同里只有交付验收、没有陪跑条款的，大概率交付完就消失。
• 交付物归谁。代码、文档、部署脚本是否完整交付，还是系统握在对方手里。

你们和大型软件公司比有什么不同

我们规模小，能做的是深入现场。上线前后我们的人每周会在客户那边，跟着班组长一起改流程——这件事大公司通常由项目经理远程协调，很难做到。

反过来说，如果你需要的是几百人月的大型系统集成、或者需要供应商有全国范围的驻场服务能力，我们不合适，这种时候我们会建议你找更大的团队。

你们服务哪些行业

已交付的项目集中在制造业、零售连锁、专业服务、食品加工、医药和日化。团队有 13 年企业系统实施经验，做过 SAP 级别的系统，所以对生产、供应链、财务这些标准流程比较熟悉。

行业本身不是硬门槛，数据基础和流程成熟度才是。一个流程清晰的小企业，往往比流程混乱的大企业更容易做出效果。

你们在上海，外地企业能服务吗

可以，但要看项目类型。咨询和培训可以远程加少量出差完成；实施陪跑需要长期在现场，长三角以外的项目我们会评估驻场成本后再决定接不接——接不下来会直说，而不是承诺了做不到。

我们在上海，长三角范围内的项目现场支持成本最低，响应也最快。

一个 AI 项目大概需要多少数据才能做

比数据量更重要的是数据质量和结构。一个知识库场景，几百份规范的文档就能跑出可用效果；反过来，几十万条字段含义无人能解释的历史记录，可能什么也做不了。

诊断阶段我们会先做数据勘察：有什么、质量如何、能不能取出来、有没有权限障碍。很多方案死在「取不出来」这一步，所以我们提前查，而不是签了合同再发现。

AI 给出的答案不准怎么办

先要接受一件事：准确率不是上线那天定死的数字，而是靠持续调整抬上去的。我们的做法是把「问了但没得到有用答案」的提问全部记录下来，回头补数据、调检索、改提示词，形成循环。

同时在产品侧做两件事降低风险：答案必须带出处，用户能点开原文核对；高风险场景（合同条款、财务数字）设计成给建议而非直接生成结论，保留人工确认环节。

员工把公司资料贴进公网 AI 工具，有风险吗

有，而且这是多数企业最先遇到的 AI 事故——不是模型出错，是客户名单、合同条款、财务数据被贴进了公网聊天工具。

务实的处理办法是分级而不是一刀切禁止：明确哪些内容绝对不能外发、哪些脱敏后可以用、内部提供哪些合规工具替代。只发一封禁止邮件而不提供替代方案，结果通常是员工转到手机上继续用。

培训和上线陪跑有什么区别

培训是把工具用法讲清楚，一两天完成，产出是「会用」。陪跑是盯着它真的被用起来，通常三个月，中间要改流程、调系统、处理抵触情绪，产出是「在用」。

只做培训不做陪跑，是我们见过最常见的失败模式——课上得很好，回到岗位上没人改流程，两周后一切照旧。

可以只做咨询，实施找别人吗

可以。咨询交付物是完整独立的场景优先级清单和投入产出测算，换任何一家实施方都能用。实际上有客户拿着清单先自己做了最简单的一项，跑通之后才回来找我们做后面的。

同理，系统不是我们做的也可以只找我们做陪跑，我们会先花一周诊断使用情况再决定接不接。

项目做完之后维护怎么办

代码、文档、部署脚本全部交付，客户的 IT 团队可以直接接手。需要我们持续维护也可以，按年计费，但这是可选项而非绑定条件。

我们不做「系统在我们手上、你只能一直找我们」这种安排——这一条可以写进合同。

怎么衡量 AI 项目做得成不成功

上线时看三个数：日活跃使用人数占目标人群的比例、人均使用频次、以及「问了没得到有用答案」的比例。这三个数比准确率更早反映问题。

三个月后看业务指标：某个流程的耗时变化、某类工作的积压量变化。我们对成功的定义是——把我们撤走，业务照常运转，没人想退回旧流程。

怎么开始，第一步做什么

发一封邮件到 info@aipartner.cn，或直接致电 135 0449 5774，约 30 分钟沟通。这次沟通是免费的，目的是判断你这儿有没有值得做的事——如果结论是现在不适合做，我们会直说，也会告诉你该先补什么。

沟通前不需要准备材料，把最头疼的那个业务问题讲清楚就够了。