企业AI推进慢，可能不是技术不行，而是一开始就找错了人

过去一段时间，很多企业都处于这种状态。管理层不断问：“我们的AI项目什么时候能落地？”研发部门研究模型，信息化部门寻找平台，业务部门等待方案。会开了不少，工具看了不少，方案也写了不少，但真正进入岗位、改变流程的东西并不多。

于是，大家把问题归结为技术不够成熟、数据基础不好，或者员工不会使用。但参加完两天半的AI实战营后，肖玲重新看待了这件事。

这句话比“AI很有用”更值得讨论。因为它揭开了企业AI落地最常见的误区：我们以为自己缺少的是技术答案，实际上缺少的可能是提出问题的方法。

肖玲不是带着兴奋和期待来到现场的。她在视频里坦率地说：

这大概也是不少企业管理者和业务人员对AI培训最真实的心态。不是没听过AI，不是没用过对话工具，也不是不知道它正在改变世界。真正的问题是：听完趋势以后，第二天回到公司，原来的报表还要手工整理，原来的流程还要逐级确认，原来的问题依然不知道如何解决。

知道得越来越多，工作却没有发生变化。这不是认知不足，而是认知与行动之间缺少一座桥。

肖玲所在的公司并非不重视AI。恰恰相反，公司领导一直希望把AI用起来。过去，推进的压力主要落在研发和信息化部门身上。这很符合传统的企业分工：只要一件事带有“技术”两个字，就交给技术部门负责。

但AI落地有一个特殊之处——技术部门可以提供工具，却很难替业务人员发现，那些真正值得被改变的工作藏在哪里。

财务每天怎样处理来款？销售依据什么判断合同归属？采购人员在哪些环节反复核对？生产现场有哪些异常高度依赖老师傅经验？

这些问题不在模型参数里，也不在软件采购清单里。它们藏在每个岗位的动作、语言和经验里。

如果业务问题没有被说清楚，研发部门收到的往往只有一句模糊的要求：“能不能做得智能一点？”这不是需求，而是一种愿望。

研发只能继续追问、猜测或等待。管理层越催，项目越容易滑向“大平台、大系统、全场景”，最后做成一个看起来完整、却离一线工作很远的方案。

在实战营里，肖玲选择了一个非常具体的业务场景：来款与合同的匹配。

财务每天从银行导出对公流水。但银行端只能看到付款客户，看不到企业内部的合同编号。财务需要整理数据，业务员再判断这笔钱应该分配给谁、对应哪份合同。

当同一个客户与多个业务员签有合同时，默认分配机制就可能失效。

她把这个问题压缩成一个2.5天内可以验证的Web工具：

输入银行流水、合同数据和客户资料；AI综合客户名称、曾用名、未回款金额、付款附言、采购订单号、合同名称和地域信息，给出建议认领人、建议合同、判断理由和置信度；业务员进行最终确认、修改，或者把无法判断的来款转入公共池。

它并不试图取代业务员，也不在第一版中连接所有系统。AI负责处理高频、重复、可以归纳的判断；人保留最后的确认权和责任。

一个真正进入业务的小工具，比一个停留在汇报材料里的“企业AI战略”更有意义。

因为企业只有在第一个场景里跑通数据、规则、使用者和结果，才知道下一步应该扩大什么，而不是继续想象什么。

培训结束后，肖玲思考的已经不只是自己的项目。她提出了一个非常朴素、却可以真正执行的企业AI推进方法：

这段话实际上给出了一条由下而上的AI落地路径：

这套路径看起来没有“建设企业级智能中台”那么宏大，却更接近改变真正发生的方式。

AI不再是悬在企业上空的一项战略，而是进入一个岗位、接住一项工作、跑通一条流程。

而是三种过去没有被同时放在一起的能力：

• 务人员能够识别真实问题，并把隐性的岗位经验说清楚；

• 管理者能够允许团队从小场景开始验证，而不是用一个宏大项目证明决心；

• 技术人员能够把业务规则转化成可靠、可解释、有人负责的解决方案。

当这三者连接起来，AI才不再只是“大家都知道很重要”的新技术，而会成为一项真实发生的组织能力。

所以，判断一家企业是否真正开始使用AI，不必先看它购买了多少工具、训练了多少模型。

先去问一个更具体的问题：