我看了30多个企业AI案例，80%死在同一个地方

花钱买来的AI系统，为什么最后没人用了？

前段时间看到一个物业公司的案例。这家公司上了一套AI物业管理系统，刚开始演示的时候，效果相当不错。

业主在群里说一句：“3栋楼道的灯坏了。”AI马上识别问题，生成工单，安排维修，连处理进度都能查询。现场的人都觉得挺好。老板也满意，认为以后物业管理终于能智能化了。

可真正推行三个月以后，再打开后台，日活跃用户只剩下19个人。更尴尬的是，这19个人里面，还有8个是技术团队的。

不是系统突然坏了，也不一定是AI不够聪明。而是员工觉得麻烦，业主没有形成使用习惯，原来的工作流程也没有真正改变。

过去业主报修，直接给物业管家发微信。现在你告诉他，要换一种方式操作。过去物业人员接到问题，打个电话就安排师傅处理。现在要求他们进系统、确认工单、更新状态。如果这些步骤没有让事情变得更简单，反而增加了操作负担，员工自然不愿意用。时间一长，大家又回到了原来的工作方式。

系统还在，功能也在，但业务根本没有因为它发生多少变化。这才是很多企业AI项目最真实的结局。没有谁专门宣布项目失败。只是不知道从哪一天开始，大家就不再打开它了。

企业做AI，最容易搞错的一件事

很多老板一提到AI转型，第一反应就是找工具。哪个模型更先进？哪套系统功能更全？别人用的是哪家公司的产品？这些问题当然可以研究，但它们不应该是第一步。

我一直觉得，企业应该先问自己：我们现在的业务，到底卡在哪儿？

举个例子。一家有20名销售的公司，老板发现销售每天特别忙，但是成交率一直不高。他觉得是不是效率有问题，于是给销售部门上了一套AI工具。AI可以写话术，可以生成客户跟进记录，还能自动整理日报。看起来每个人都比以前高效了。可是三个月过去，成交率并没有明显提升。

为什么？因为企业真正的问题，可能根本不是销售不会写话术。而是客户线索质量不好，销售跟进不及时，或者客户提出异议以后，没有人认真分析为什么没成交。

你给一个原本就有问题的流程装上AI，无非是让这个流程跑得更快一点。原来每天浪费两个小时，现在可能只浪费一个小时。但该丢的客户，还是会丢。

AI可以提高工作效率，却不会自动替老板找出所有经营问题。

所以企业真正需要的，不是先研究AI能做什么，而是先找出哪一件事值得用AI重新做一遍。

为什么有些企业的AI，确实做出了效果？

我看过一些物业、制造业、金融行业的AI应用案例，发现一个很有意思的现象。真正能持续用下去的项目，通常有一个共同特点：做完一件事以后，企业能知道它到底有没有做好。

比如物业报修。业主提出问题，AI识别内容，生成工单，派给对应的维修人员。接下来，维修人员有没有接单？是不是按时上门？问题到底修好了没有？业主满不满意？这些都能记录下来。如果派错了人，可以调整规则。如果总是超时，可以检查问题出在哪个环节。AI不是生成一个答案就结束了，而是参与了一整套能追踪、能反馈的工作流程。

杭州上城区柳浪阁小区的“小清AI管家”就是一个值得关注的例子。它没有要求业主重新下载一个APP，而是直接进入居民已经习惯使用的微信群。业主在群里反映问题，系统识别后协助处理。公开案例介绍中，这个小区的物业费收缴率、工单处理效率等指标都有明显改善。

这里有两件事特别值得企业老板注意。第一，不要轻易改变客户原来的使用习惯。第二，不能只看AI回复得有多快，还要看事情最终有没有办成。

制造业也是一样。比如钢铁生产，过去一些关键环节需要老师傅凭经验判断。老师傅有经验，知道什么时候该调整，什么时候该停。但经验都在人的脑子里，企业很难标准化。现在有些钢铁企业把设备数据、生产画面、工艺参数结合起来，让AI辅助判断生产状态。它能不能产生价值，不是看生成了多少分析报告，而是看温度控制准不准、生产周期有没有缩短、成本有没有下降。

还有制造企业用AI识别产品缺陷。原来检测一批产品要几十分钟，现在可以缩短到十分钟左右。这些应用为什么更容易体现价值？因为结果看得见，也能测量。检测准不准，能算。生产成本有没有下降，能算。处理一张工单用了多长时间，也能算。

当然，不是说所有AI项目都必须立刻产生结果。像品牌建设、内容创作、战略分析这些工作，效果往往需要更长时间才能体现。但至少得提前想清楚，究竟用什么指标判断它有没有帮助业务。

没有结果反馈，企业就很难判断AI到底是在创造价值，还是仅仅看起来很先进。

国外一些企业做AI，有一点值得我们学习

很多企业购买AI系统，走的是这样一条路：先听供应商介绍产品。再看功能演示。觉得不错，签合同。接下来就是部署、培训、上线。最后能不能真正用起来，再慢慢研究。这个顺序，我觉得有必要调整。

Palantir有一种比较有代表性的做法，叫Bootcamp。它会围绕企业具体的业务场景，组织技术人员和业务人员一起，用较短的时间做出可以验证的应用。这里最值得学习的，不是它使用了什么模型，而是它把业务问题摆在了前面。

我们换成一家连锁餐饮企业，就特别好理解。老板说：“我想用AI提高经营效率。”这个需求太大了。如果一上来就建一套覆盖采购、库存、员工、财务、营销的系统，投入大不说，还很难判断到底哪个环节产生了价值。

不如先找一个具体问题。比如每天闭店以后，都有大量食材浪费。那就先研究：哪些食材浪费最多？浪费跟天气、节假日、订单数量有没有关系？能不能根据历史销量，给出更合理的采购建议？试点一个月，看看报损有没有下降。如果有效，再继续扩大。

这样做的好处是，老板知道自己为什么花钱，员工也清楚这套工具到底帮自己解决什么问题。企业不是为了拥有一套AI系统才做AI，而是为了把原来做不好的业务做好。顺序不能反过来。

很多企业不是不重视AI，而是太着急了

现在一些中小企业的AI投入，我觉得有点像前几年做数字化转型。别人建中台，我也建。别人做私有化部署，我也做。别人上知识库，我赶紧安排人整理资料。看起来很积极，但有时候连最基本的问题都没想清楚。

这套系统究竟给谁用？员工为什么要用？用了以后，他原来的工作能减少哪一步？谁负责推动？最后怎么考核效果？如果这些问题没有答案，系统做得再漂亮，也很难真正推广。

尤其是有些企业，AI项目一直由技术部门主导。技术人员负责把功能开发出来，业务部门负责配合测试。上线那天，大家都说不错。但一回到实际工作中，销售还是用自己的表格，财务还是按照原来的方式对账，客服还是习惯手工处理问题。没人愿意改变原来的流程。技术部门觉得自己已经完成任务，业务部门觉得这个系统不是自己提出来的。最后项目就卡在这里。

所以我更建议企业老板：AI项目一定要有真正负责业务结果的人参与。技术部门负责实现，业务部门负责使用，管理者负责协调流程和考核。三方缺一个，都可能出问题。

还有一点，也特别容易被忽略。不要一上来就追求全自动。AI给出的判断，可能有误差。尤其涉及财务、合同、客户权益、生产安全这些事情，更需要清楚地划分哪些环节可以自动处理，哪些必须经过人工确认。

真正可靠的企业AI，不是把人全部拿掉。而是让AI承担适合它的重复工作，让人把精力放在判断、沟通和处理特殊情况上。

如果你正在考虑给企业上AI，先回答这五个问题

这五个问题，我建议老板们保存下来。不用懂算法，也不用懂模型参数。只需要熟悉自己的业务。

第一，这件事为什么需要AI？是员工每天重复操作太多？还是客户响应太慢？或者因为数据分散，管理者一直看不清经营情况？先讲清楚问题，别先讨论工具。

第二，现在这件事是谁在做，怎么做的？把原来的流程理清楚。哪些步骤浪费时间？哪些地方最容易出错？哪些环节需要人的经验？连原来的工作流程都说不清楚，AI也很难直接把它做好。

第三，AI到底能替我们完成哪一步？不要笼统地说“提升效率”。要具体到动作。是整理客户资料？自动生成工单？识别异常数据？还是提醒销售跟进？越具体，越容易落地。

第四，如果AI做错了，谁来发现和处理？这件事非常重要。不能因为用了AI，就默认它生成的内容全部正确。出了问题，谁负责检查？谁负责修改？什么情况下必须人工接手？要提前设计，而不是等出事了再研究。

第五，做完以后，我们怎么判断值不值？比如每个月节省多少人工时间。客户响应速度提高多少。订单处理错误率降低多少。员工使用率有没有提升。最终有没有带来成本改善、客户体验提升或收入增长。企业不一定每项都能立刻算得特别精确，但至少要有可以持续观察的指标。否则，一个项目到底有没有效果，最后还是只能靠感觉。

最后，我想说一句可能没那么好听的话

AI不是企业的救命药。一家饭店生意不好，可能是菜不好吃，可能是位置不合适，也可能是服务太差。这时候你跟老板说，买套AI系统就能提高利润，我觉得不负责任。

一家服装店卖不动货，可能是款式不对，可能是定价有问题，也可能是根本没找到自己的目标客户。这些经营问题，不会因为接入AI就自动消失。

但如果一个老板已经把一家店做得不错，准备开第二家、第三家，甚至第五十家，那AI的价值就可能开始体现了。怎么预测库存？怎么分析不同门店的销售差异？怎么发现异常损耗？怎么让新员工更快掌握标准流程？怎么把一个优秀店长的工作经验，变成更多门店都能使用的方法？这些事情，才值得认真研究。

AI真正能帮企业做的，不只是让某个人干活更快，而是让一些原本依赖个人经验、难以管理的事情，逐渐变得有标准、可追踪、能复制。

所以我一直不建议中小企业一上来就追求什么“全面AI转型”。

JOTO 企业落地观察

• 对企业部署意味着：AI系统上线前必须明确其嵌入的具体业务节点与责任人，而非仅交付技术模块。若无法定义‘谁在什么环节调用、触发什么动作、产生什么可验证结果’，则部署即失效。
• 这类系统的取舍在于是否支持‘人在环路’的渐进式接管。企业应优先选择允许人工校验、干预与反馈回传的AI架构，避免追求全自动而牺牲可靠性；尤其在财务、合规、客户服务等高风险环节，人机权责边界必须清晰可配置。
• 对智能体工程而言，关键不在对话能力多强，而在能否与现有业务系统（如工单、ERP、CRM）形成双向数据流与状态同步。杭州柳浪阁案例的价值，恰在于其绕过APP重建，直接复用微信群基础设施完成闭环，降低了组织变革阻力。
• RAG知识工程若脱离业务动线则易成信息孤岛。文中销售案例表明：当AI生成的话术无法对接真实客户异议类型与处理SOP时，知识库再完备也难驱动行为改变。知识必须绑定具体任务场景与处置路径才具工程价值。