别把AI当作“工具”,而是要当作“员工”来设计。
这正是“数字员工”概念的来源,我们会在第二篇中展开。
2025年的企业技术领域的发展很有意思。一方面,全球在人工智能领域的支出预计将突破6000亿美元,基础设施和应用投资的同比增幅高达76%。然而,在这场资本狂欢的阴影下,一个残酷的统计现实正困扰着每一个渴望数字化转型的董事会和CIO:高达95%的生成式AI试点项目未能成功投产,更别说产生商业价值了。这一判断也与 MIT报告《The GenAI Divide》中提到的数据,以及Gartner 对“AI Pilot-to-Production Gap”的研究结论都高度一致。
这便是“生成式AI鸿沟”。本文作为《企业AI落地三部曲》的首篇,旨在通过我们近两年在企业AI落地实践中的教训与经验,为企业技术决策者提供我们的独特视角。时间到了2025年底,企业AI落地的失败已经不能再归咎于模型能力的不足——GPT-5.2与Claude 4.5等模型已足够强大。企业往往陷入了“忽略业务目标”、“单纯技术迷信”、“混淆个人与企业AI差异”这三大误区。
本系列目前的计划是三篇,每周一篇,分配是:
- 上篇:通过我们在企业AI落地实践中获得的教训和经验来分析为什么95%的企业AI落地项目失败了。
- 中篇:数字员工是目前最好用,也必将是未来的主流趋势的企业AI Agents落地形态。
- 下篇:企业AI落地的基石,知识构建、知识治理与知识健康。
以下是上篇内容。
一、当AI成为目的而非手段
在所有导致企业AI项目夭折的因素中,最致命的并非技术本身,而是战略出发点的偏离。正如思维导图所强调的,“忽略业务目标”是失败的根源。太多的企业陷入了“为了做AI而做AI”的怪圈,将手段异化为目的。
解决业务问题,而不是做一个“AI项目”
在2023年至2024年的生成式AI爆发初期,以及2025年上半年的DeepSeek热潮,许多企业的IT部门面临着来自董事会的巨大压力:“我们必须有AI战略。”这种压力催生了大量的“AI项目”——这些项目的核心驱动力是技术展示而非业务痛点。CIO们忙于部署聊天机器人,生成会议纪要或润色邮件,却鲜少追问:这是否是当前阻碍业务增长的最大瓶颈?
当技术团队沉迷于大模型的上下文窗口大小或推理速度时,他们往往忽略了最本质的问题:我们试图解决什么业务难题?。一个典型的失败案例是某大型制造企业投入数百万元开发了一个通用的“企业知识助手”,试图回答员工关于公司政策的所有问题。然而,员工真正的痛点并非查询休假政策(这是低频需求),而是生产线上的设备故障诊断(这是高频、高价值需求)。由于项目目标与业务痛点错位,该助手在发布三个月后日活跌至个位数,最终被叫停。
成功的5%企业采取了截然不同的路径。他们不问“AI能做什么?”,而是问“我们的业务哪里最痛?”。例如,我们服务的某中国500强企业,他们就把业务难题着眼于商用硬件产品的售后问题,帮助全国的售后工程师提升问题解决效率。他们甚至不在意检索问答的准确率是多少,而是把“问题解决率”当作核心指标:减少把问题流转给总部研发人员的次数,同时减少问答解决时间。截止目前问题解决率比之前的全文检索增加了70%以上,问题解决时间平均减少50%以上。而且通过交互过程中的点赞/点踩和反馈,售后知识维护者可以及时补充相应知识,让知识飞轮转动起来。现在该知识引擎和AI应用,已经开始影响400热线和售前的业务领域,目标是通过在企业知识引擎和AI应用上的投入让企业各个业务条线的效率都能获得显著提升。
换句话说,当一个AI项目被大肆宣扬为“AI项目”时,它往往已经处于危险之中。最好的AI项目是“售后服务效率优化项目”、“制度审核提升项目”或“研发加速项目”,AI仅仅是其中不可或缺的技术。
你的项目可测算ROI吗?
“忽略业务目标”的另一个表现是缺乏可测算的投资回报率(ROI)在每个项目的立项中,我们可以扪心自问一下:“这个项目可测算ROI吗?”
目前的现状是,绝大多数企业在计算AI价值时使用的是“虚荣指标”,如“节省工时数”或“模型准确率”。麦肯锡的调研指出,虽然AI采用率很高,但真正能影响到损益表的企业寥寥无几。
为何“节省时间”是一个ROI陷阱?
如果一个编程助手帮助初级开发人员节省了30%的编码时间,但这并未转化为更快的产品上市速度,或者这些节省下来的时间被用于浏览网页,那么对企业而言,ROI为零。更糟糕的是,如果AI生成的代码包含隐蔽的Bug,导致资深工程师需要在后期花费双倍的时间进行调试,那么ROI甚至是负值。
ROI的影响有自己的一些硬指标,比如上面说到的售后问题的“问题解决率”,直接影响到的就是企业的售后队伍人员数量和成本,进一步影响的是客户满意度和续约率等,这些都直接影响到了企业生存的根本——成本和收入。
所以真正成功的企业关注的是下面三个“硬指标”:
- 收入提升: AI系统和应用是否直接提高了收入,如客单价、转化率或者续约率等等?
- 成本规避: Agent是否真正解决很多人类无法快速完成的工作,是否节省了员工时间,进而减少整体的运营成本支出?
- 风险降低: 这是前面没有提到的,但确是我们的银行客户非常关心的,如合规Agent是否真的减少了因违规操作导致的罚款风险?
AI不是玩具,也不是魔法,它是昂贵的计算资源,必须像对待任何资本支出一样进行严格的财务审查。企业在考虑AI落地的时候,对于目标的设定,要尽可能往前走一走,比如不是要求“问答准确率”,而且要求“问题解决率”。因为问答准确率真的是可以刷题的,而问题解决率确实实实在在的,这才是对企业的成本支出负责。
二、单纯靠技术解决不了问题
如果用一句话总结过去两年的企业AI实践经验,那就是:
RAG 不是企业AI的答案,它只是一个放大器。
没有知识结构、权重和治理,RAG放大的只会是混乱。
单纯的技术解决不了问题,这应该是我们在企业AI落地中得到的教训和经验。企业AI落地这样的大事情,可不是一个单一产品就可以搞定的,对于崇尚产品的技术极客来说可能会失望,正确的方式是必须把这件事当作一个工程来看。
1.纯技术的RAG解决不了太多企业问题
熟悉我们的朋友都知道,TorchV是以RAG“起家”的,RAG也被视为企业落地的“银弹”。其逻辑看似完美:将企业文档切片存入向量数据库,用户提问时检索相关片段,再由大模型生成答案。然而,现实是残酷的:纯技术的RAG解决不了太多企业问题。为什么?因为它面临着三大难以逾越的障碍:语义相似度陷阱、缺乏全局视角、权重缺失。
1)语义相似度陷阱
传统的RAG依赖向量检索,其核心机制是计算查询词与文档片段在多维空间中的余弦相似度。这种机制假设“字面或语义接近”等同于“逻辑相关”。这在企业复杂的业务场景中往往失效。
场景模拟:
用户提问:…