我见过太多企业第一步就走错：AI 落地应该先做一次诊断一、先讲一个反例：为什么"买了工具"不等于"落地了"二、不做诊断，会在三处断点上撞墙三、诊断不是聊天：我用 AI 应用成熟度五维四、诊断之后应该产出什么五、外部案例能给我们什么启示六、做一次五维自测七、我建议现在做的第一件事
做企业 AI 落地这件事，我见过太多企业第一步就走错：把预算先给了工具，把顺序留给了运气。
我的判断很直接：企业想做 AI 落地，第一步不是买工具，而是先诊断。这句话我概括成四个字加四个字：先诊断，再落地。
一个典型的推进路径是这样的：老板拍板做 AI，团队开始试用各类模型和工具，做了几个演示，觉得效果不错；三个月后回头看，日常业务里没有人真正在用。
问题不在工具，而在于几个关键事实从来没被确认过：要改善的是哪一个流程？相关数据能不能拿到？谁会每天用它？谁来核对结果？
工具是最后一步，不是第一步。
▸业务断点：大家说"想提高效率"，却没有说清是哪一个流程、哪个岗位、哪一个结果要改善。目标越泛，后面越容易变成展示功能。
▸数据断点：业务想法很明确，但数据散落在表格、聊天记录、系统和个人电脑里，字段不统一，权限也不清楚。没有可用数据，模型只能生成看起来正确的答案。
▸组织断点：老板觉得应该做，中层担心增加工作量，一线员工不知道怎么用。工具上线不等于流程改变，流程改变也不等于组织真正采用。
所以，第一步要做的是把"想用 AI"翻译成一个可验证的问题：哪个业务环节最痛？当前流程怎样？数据在哪里？谁来使用？什么结果可以在一段时间内被核对？
这就是先诊断，再落地：先把问题边界画出来，再决定工具、模型和实施节奏。
为了避免诊断变成凭感觉聊天，我会把企业当前的准备程度拆成一套AI 应用成熟度五维。它是我的实战评估框架，不是某个行业认证，也不是所有企业必须照抄的标准。它的作用，是帮助团队在同一张图上讨论优先级。
数据基础：先看与目标场景有关的数据是否存在、是否能拿到、是否有基本质量。可以问四个问题：目标流程产生什么数据？数据保存在哪里？字段是否稳定？谁有权使用？如果数据只有口头描述、没有历史记录，或者数据存在但无法授权访问，就不能把"接入 AI"写成近期任务。重点不是数据越多越好，而是与目标场景相关的数据能否被核对、整理和使用。实用的自测方式：随机抽取一段时间的业务记录，看看不同人员能不能用同一套口径找到同一个结果。
流程清晰度：AI 只能嵌入流程，不能替企业凭空创造流程。需要把当前流程按顺序写出来：谁在什么节点接收什么输入，做什么判断，产生什么输出，异常情况由谁处理。流程越依赖个人经验，越要先把关键判断显性化。清晰不等于先进：一个步骤较多但边界清楚的流程，反而更适合从小处验证；一个人人都说熟悉却没有记录的流程，通常不适合直接上线自动化。
组织接受度：AI 项目不是技术部门的单项作业。要看老板是否愿意给出明确目标、业务负责人是否愿意提供真实流程、一线使用者是否愿意在日常工作中试用，以及出现错误时谁来反馈和纠正。我会特别关注一个问题：这个场景的使用者，是把 AI 当成额外任务，还是能把它嵌入原有工作？如果每次使用都要多填一张表、多开一个系统，哪怕技术上可行，采用也可能很低。
技术接口：看现有系统能否与目标方案连接，包括账号权限、数据导入导出、接口能力、部署环境和安全要求。最容易出现的误判是：能演示不等于能接入。演示环境里复制粘贴可以完成的动作，放进真实流程后，可能需要权限申请、字段映射、日志记录和异常处理。及格线不是"能不能调用某个模型"，而是能不能在合规前提下，把输入、处理、输出稳定地接到现有流程里。
ROI 可验证性：最后看投入是否能被核对。ROI 不只指立刻省了多少钱，也可以是减少重复整理、缩短某个环节时间、提高信息完整度，或者让管理者更快发现异常。关键是先定义验证口径：比较什么时间段、观察哪些指标、由谁记录、什么变化可以归因于这次试点、什么变化不能归因。我更看重可验证，而不是一开始就承诺一个漂亮数字。
一次有用的诊断，至少应该留下三样东西，而不是只留下一份会议纪要。
▸场景清单：列出企业当前想做的场景，写明使用者、输入、输出、现有流程和主要障碍。
▸优先级判断：解释为什么先做这个、不先做那个。判断依据可以包括痛点、数据、流程、风险、验证周期。
▸试点路线：把第一个小场景拆成可执行的阶段，明确谁参与、何时检查、什么条件下继续，什么情况下暂停或调整。
在具体项目中，我会把它进一步接到90 天试点模型：前期完成诊断选场景，中段做小范围验证，再进入上线和复盘。重点不是把 90 天当成保证，而是给团队一个共同的检查节奏。
【外部案例】上海家化把 6000 万行账单交给数字员工，覆盖 9 大部门、平均提效 4.5 倍（来源：腾讯云官方公众号，2026-08-27；另见羊城晚报·新快报，2026-08-31）。这是公开报道中的外部案例，不是我的客户案例，也不能直接推导出其他企业一定得到同样结果。
我从中看到的启示不是"所有企业都应该照做"，而是大规模应用也需要从明确业务对象和可处理的数据入手。对中小企业而言，更应该先缩小场景，把数据、流程和使用者确认清楚，再谈扩大范围。
▸数据基础：相关数据在哪里？能否取得？能否核对？
▸流程清晰度：输入、判断、输出和异常处理是否写得出来？
▸组织接受度：谁使用？谁反馈？谁负责推动？
▸技术接口：现有系统、权限和安全要求能否接上？
▸ROI 可验证性：试点前后的比较口径是什么？谁记录？
如果其中两项以上只能回答"还不知道"，不要急着把项目包装成上线计划。先补齐事实，再选择最小可行场景。若五项都能给出相对清晰的答案，也不代表一定成功，只说明具备了进入小范围验证的基础。
把"我们要做 AI"改写成一句具体的话：我们希望在什么业务流程里，帮助什么人，减少什么重复工作，使用哪些现有数据，并在什么时间点检查结果。
这句话写不出来，先别选工具；写得出来，再用AI 应用成熟度五维检查准备程度；准备程度基本清楚后，再进入小范围试点。顺序不要反过来。
梳理企业 AI 场景这件事，本身并不需要一开始就谈工具。先把问题边界、场景和准备度讲清楚，再决定下一步往哪里走，比任何一份工具选型清单都更有用。诊断的意义也正在于此：它不承诺具体效果，也不替企业跳过内部决策，只是把该确认的事实先确认下来。
先诊断，再落地，不是保守，而是让每一笔投入都先回答"为什么做、从哪里开始、如何核对"。
热门跟贴