企业 AI 落地怎么做：一条跑通的路径

2026-09-12 更新 · 深圳市鼎铂智能科技有限公司

这几年问我们的企业，十家有八家是这么开场的：先买了一套工具或者一个平台，然后再回头找哪里能用上。这个顺序反了，也是大部分项目做不下去的原因——工具本身不产生结果，只有某件每天在重复发生的具体工作被接走了，才有结果可谈。

下面这条路径是我们在客户的生产系统上跑了大半年的，四步，每一步都有明确的过关条件。

第一步：挑场景，同时满足三个条件才动手

• 每天都在发生，量不小。一个月只出现几次的事，做完了也省不下什么，还得养着。
• 有系统可接。判断要用的信息在某个后台、某个邮箱、某张表里，不是只在老员工脑子里。信息在人脑子里的活，AI 做不了，先别碰。
• 对错有判据。能说清什么叫办对了。客服回信有判据（口径对不对、承诺能不能兑现），"写一篇有创意的文案"没有判据。

三条里最常被忽略的是第二条。很多团队一上来就想让 AI 处理那些最难、最需要经验的判断，结果 AI 手里根本没有做这个判断所需要的事实，只能猜。

第二步：把事实接进去，而不是把资料塞进去

常见做法是把所有文档灌进知识库，然后指望模型答对。知识库只解决「规则和说法」，解决不了「这一单现在是什么状态」。订单、物流、库存、保修期限这类会变的事实，必须让 AI 实时去接口里查，不能靠语料记。

这里有个我们付过学费的细节，值得单独写出来：查询失败的时候，绝对不能返回一个空结果。空结果在模型眼里等于「确认没有」，它会很有底气地告诉客户「您没有这笔订单」。查询必须能表达四种状态——查到了、确认没有、只查到一部分、没查成。没查成就老实说没查成。把这一条落实到代码里消掉的胡说八道，比改十版提示词都多。至于这套流程该做成工作流还是智能体，判断标准见智能体和工作流怎么选。

第三步：先让人审，别一步跳到全自动

比较稳的次序是：AI 先把活干完，人只做「发不发」这一下。以我们接的一家跨境电商客户为例（数字截至 2026 年 8 月 18 日，从生产库直接统计）：AI 累计起草了 99,269 封客服回信，客服审核后实际发出 38,313 封，其中 6,395 封一个字都没改就发了。同期在线聊天累计 83,115 次对话全部由 AI 独立回复，客服没有在聊天窗里插过话。

这个结构的好处是，上线第一天就能用，出错也只是多一次人工改稿；同时「改了什么」天然变成了训练材料，哪类问题总要改，下一轮就改哪里。

第四步：验收必须拿真实历史数据回放

自己造的测试集会把真问题藏起来——你造得出来的 case，本来就是你想得到的 case。正确做法是把过去几百条真实对话、真实来信拿出来重跑一遍，逐条比对改动前后的输出差异。我们每次动线上的提示词或规则，都先跑这一轮回放对比，跑不过就不上。

省掉这一步，等于把客户当测试环境。

关于怎么收钱

我们按替代掉的工作量结算，不按人头也不按项目打包价。还是上面那家客户：近 30 天 AI 处理的聊天和采用的邮件草稿，按人工每条聊天 3 分钟、每封邮件 5 分钟折算，大约相当于 3,300 小时的产出量。这是产出量的折算，不等于裁掉了多少人——实际情况是同样的人接住了涨上来的单量。这个口径我们对客户也是这么说的，夸大了第一个月就会被拆穿。