汉堂软件

2026-11-06

导读：AI已经足够聪明，为什么企业还是用不好

你大概率也见过这样的场景：

年初公司战略会上，老板拍板要All in AI，IT部门花了几十万采购大模型API，拉着外包团队做了个内部AI助手，上线大会搞得声势浩大，要求全员每周至少登录使用5次。结果三个月后再看后台数据，这个AI助手的周活跃用户不到10%，里面80%的提问都是“写一份年会主持稿”“帮我写个请假条”这类和核心业务完全无关的内容。

另一边，开源和闭源大模型的能力还在以肉眼可见的速度进化：现在的模型能写复杂的业务代码，能分析几十页的财报，能把几个G的技术文档整理成结构化的操作手册，论“聪明程度”，早就超过了大多数普通职场人的单一技能点。

一个非常扎心的反差是：模型越来越聪明，企业却越来越难真的把AI用出价值。

很多人把这个现象归因于“模型还不够强”“企业预算不够”“员工不会用”，但真正在一线做过AI落地的技术团队都知道，问题根本不在这些地方。企业用不好AI，从来不是因为模型不够聪明，而是因为从“有一个聪明的模型”，到“业务场景里真的产生价值”，中间隔着三道绝大多数企业都没跨过去的断层。

01 最常见的误区：把“上AI”等同于“做一个对话框”

绝大多数企业的AI项目，启动逻辑都非常简单：找供应商买好模型接口，套一个通用的聊天UI，放到企业微信或者内部门户的入口里，就算“完成AI转型”了。

但这种做法从一开始就错了。

你站在一线员工的角度想就会明白：我每天上班的工作流是固定的——打开OA看今天要审的审批，打开CRM跟进昨天聊的客户，打开财务系统核对这个月的报销单。现在公司要求我多开一个“AI助手”入口，我要处理完手上的事，专门切换到这个对话框，自己想一个问题输进去，等它给我一个通用答案，再切回原来的系统继续干活。

多出来的这两步切换，就是这个AI助手没人用的根本原因。

更关键的是，这个独立的对话框，根本接不到你企业的真实业务数据。你问它“我这个月还差多少发票能凑够报销额度”，它不知道你们公司的差旅标准；你问它“上周那个客户的跟进记录是什么”，它连你们的CRM系统都没打通；你让它帮你写一份项目申请，它不知道你们部门去年的项目立项模板长什么样。它给出的答案看起来很通顺，但放到你的真实工作场景里，半句话都用不上。

真正好用的工具，从来不是让员工“专门抽时间来用”，而是在员工本来就要做的事情里，顺手把能力嵌进去。你在OA的审批页面旁边加一个“AI帮我补全申请理由”的按钮，在CRM的客户详情页加一个“AI帮我总结上次沟通要点”的入口，这种不需要额外切换的功能，使用率往往比一个独立的AI对话框高十倍不止。

技术团队总以为“做一个AI产品”的核心是把聊天框做出来，但业务场景的真相是：没有人会为了用一个工具，专门改变自己已经习惯了几年的工作流程。

02 最容易踩的硬坑：你喂给AI的数据，根本配不上它的智商

很多企业在做AI项目的时候，有个非常一厢情愿的假设：只要我买的模型够强，它就能自动从我的资料里找到答案。

他们的典型操作是：把过去十年存在网盘、共享文件夹、旧OA系统里的所有文档一股脑打包，丢进向量数据库做RAG检索，然后就对外宣布“我们的企业知识库AI已经上线了”。

实际用起来是什么效果呢？员工问AI“2024年公司的差旅住宿标准是多少”，AI返回了2019年的旧制度；员工问“项目立项的审批流程是什么”，AI同时给出了两个互相矛盾的流程版本；员工问某个客户的合同条款，AI翻出来的是三年前已经作废的草稿。

试了两三次发现AI“瞎编”之后，员工自然就再也不信它的回答了。

很多人把这个问题归因为“模型幻觉太严重”，但真相根本不是模型不行。模型的智商是满分，但接收到的“输入信号”全是矛盾的杂音，它再聪明，也只能基于给它的材料输出看似合理的猜测。

这就像你请了一个清华毕业的资深顾问，却把十年间写满涂改、前后逻辑矛盾的台账扔给他，让他直接给出经营决策——他哪怕再专业，也只能从这些混乱的信息里拼凑出一套看起来合理、但根本站不住脚的结论。

绝大多数企业在做AI之前，从来没认真做过数据治理：文档没有统一的版本号，不同部门发布的规则互相冲突，历史业务记录没有留痕，核心业务知识只存在老员工的脑子里。指望一个大模型直接从这些混乱的信息里输出准确答案，本质上和“没整理过书柜，却要求图书管理员一秒找到你要的书”一样不现实。

AI能发挥出多少能力，上限根本不是模型参数有多大，而是你给它的信息有多干净、多准确、多及时。很多企业跳过了最枯燥的数据治理环节，直接谈接大模型、做智能应用，最后做出来的东西看起来很炫，实际上连一个准确的内部问题都回答不了。

03 最隐蔽的障碍：你的组织，根本没给AI留位置

前两个问题还在技术和业务流程的层面，第三个问题，才是绝大多数AI项目最终烂尾的核心原因：技术团队牵头做了一个看起来不错的AI功能，扔给业务部门的时候才发现，整个组织的工作方式，从一开始就没给这个新工具留位置。

你想想真实的企业内部是什么样的：

原来的审批流程，需要部门经理签字确认，出了问题经理要负责；现在AI说这个申请“可以通过”，那出了问题谁来担责？是做AI项目的IT部门，还是点了确认按钮的员工？没有人愿意为一个AI输出的内容背书。

原来客服团队的考核指标，是每个月处理多少个工单、客户满意度多少；现在AI自动处理了80%的简单工单，客服团队的绩效指标要不要调整？原来靠手速攒出来的工作量变少了，团队里的老员工自然会对这个“抢饭碗”的工具产生抵触。

更现实的是，业务部门根本没有动力配合：我每天要处理的业务已经够多了，还要花时间测试AI功能、反馈使用问题、帮技术团队整理规则——最后AI做出来的效果好不好，既不算我的业绩，也不涨我的工资，我凭什么要支持？

很多企业的AI项目死在上线那天，不是因为模型不好用，也不是因为功能做的差，而是从项目立项开始，就从来没有调整过对应的组织规则：没有重新定义岗位的权责边界，没有调整匹配的绩效指标，没有把业务部门拉进来一起做需求。

AI不是一个装上就能用的软件，它本质上是对原有工作流程的一次重构。重构就要涉及权责的重新分配、流程的重新梳理、考核规则的重新设计——这些事，靠一个技术部门是根本推不动的。

04 真正把AI用出价值的企业，都绕开了这三个坑

我见过不少在AI落地这件事上真的拿到结果的团队，他们的做法反而和网上喊的“All in AI”的激进风格完全不一样：不追最新的模型参数，不做大而全的通用平台，只做非常克制的三件事。

第一，永远从最小的业务切口开始，不做“全公司通用AI平台”的大梦。

不要上来就想着“做一个覆盖全部门所有场景的AI助手”，先找一个足够小、足够具体的场景：客服团队每天要花2个小时手动给工单打标签，那就先做一个自动分类功能，把标签准确率做到95%，立刻就能帮团队省出时间；研发团队写代码的时候要补注释，那就先在IDE里加一个自动生成注释的插件，不需要改任何其他流程。

这种小项目周期短、反馈快、风险低，做出来立刻能看到效率提升，员工自然愿意主动用。等一个小场景跑通了，再慢慢复制到下一个场景，而不是一开始就定一个“半年做完全公司AI覆盖”的宏大目标。

第二，先把一个场景里的数据理干净，再谈接大模型。

不要追求“把公司

所有文档都喂给AI”的规模感，先把你选的这个小场景里的所有规则、文档、历史记录统一整理好：版本统一、规则一致、没有过期内容，保证AI在这个单一的场景里，回答准确率足够高。

你不需要AI什么都懂，你只需要它在员工遇到的那个具体问题上，给出的答案足够准。员工用两次发现它真的能解决问题，自然就会信任它，后续再慢慢扩场景，水到渠成。

第三，把AI的能力嵌进员工本来就用的系统里，绝不造新入口。

不要让员工为了用AI多开一个网页、多记一个账号、多做一次额外的操作。就在他每天本来就要打开的OA审批页旁边，加一个“AI帮我写申请理由”的按钮；在他看CRM客户详情的时候，自动弹出一段“上次和客户沟通的要点总结”；在他上传发票的时候，自动把发票信息填到报销单里。

当员工用AI的成本趋近于零，不需要额外做任何切换，使用率自然就上来了。

写在最后

这两年我见过太多企业，在AI这件事上陷入了一个奇怪的循环：一边焦虑“不做AI就会被淘汰”，一边花大价钱采购模型、做项目、搞发布会，最后做出来的东西，除了领导视察的时候能演示一遍，平时根本没人用。

很多人把这种结果归因为“模型还不够强，等过两年GPT-10出来了就好了”。

但真相是，现在的AI能力早就足够成熟，它根本不需要企业等再等两三年才能落地。企业真正跨不过去的门槛，从来不是技术选型，而是从“买一个先进工具”，到“重新梳理自己的业务流程、数据资产和组织分工”的整个过程。

这是个很枯燥、很琐碎、一点都不酷的过程：你要整理混乱的文档，要调整原来的审批流程，要和业务部门反复拉扯着定绩效规则，要一点点把AI的能力嵌到每个具体的工作动作里。它没有发布会的高光，也没有写PPT时的爽感。

但恰恰是这些看起来不酷的事，才是AI真正能产生价值的地方。

当所有人都在追更聪明的模型、更便宜的算力、更炫的概念的时候，那些愿意沉下来，先把自己的业务理清楚的企业，才会真正拿到AI带来的那部分效率红利。

【声明】内容源于网络

汉堂软件

汉堂软件工程(上海)有限公司成立于2010年，注册资金3000万人民币。总部位于上海，拥有领先的技术能力及丰富管理经验高效率的开发和服务团队提供专业化IT服务。

内容 72

粉丝 0

汉堂软件汉堂软件工程(上海)有限公司成立于2010年，注册资金3000万人民币。总部位于上海，拥有领先的技术能力及丰富管理经验高效率的开发和服务团队提供专业化IT服务。

总阅读697

粉丝0

内容72