企業想引入 AI，但這7個基礎還不完善，該怎麼補才能落地 AI？
整理版優先睇
企業引入AI前要補齊7個基礎地基，從業務診斷到責任機制
呢篇文章係由彭俊旗（Resona·鳴）寫嘅，佢係一位企業AI落地顧問。佢觀察到好多企業想引入AI，但成日一嚟就買工具、上智能體，忽略咗背後嘅業務基礎，結果項目好易爛尾。佢認為真正嘅AI落地係由補地基開始，而唔係由買工具開始。
佢提出咗七個落地前要補嘅基礎：目標唔清就做業務診斷、場景冇就篩優先級、流程唔明就畫鏈路圖、資料散亂就整理業務上下文、結果模糊就定最小指標、唔願大改就走小閉環、冇人負責就建立責任機制。呢七個基礎由診斷到執行，覆蓋咗AI項目最易忽略嘅環節。
作者強調，AI落地最怕嘅唔係技術難，而係責任懸空。企業可以揀一條真實嘅業務鏈路，做一個細嘅閉環項目，一邊做一邊補基礎。咁樣先可以將一次項目沉澱成往後可以複用嘅能力。
- 企業引入AI前要先做業務診斷，列出場景優先級表，唔好一嚟就買工具。
- 揀場景要揀高頻、高價值、可驗證嘅鏈路，例如數據報告、客戶資料整理。
- 流程唔清就要畫業務鏈路圖，搞清楚輸入、輸出、審核步驟，AI先知道企喺邊個位。
- 數據同經驗要整理成業務資料清單，即使散亂都要開始沉澱，因為AI需要業務上下文。
- 項目要定義最小驗證指標（例如時間縮短、返工減少），同埋要建立業務負責人責任機制。
先診斷業務，再揀場景
好多企業一開口就話「我哋想引入AI」，但呢句話根本未夠具體。真正要問嘅係：邊條業務鏈路最耗時間？邊個環節最依賴經驗？邊個崗位產能最緊？邊個結果最唔穩定？邊件事如果提升30%最有價值？
- 哪條業務鏈路最耗時間？
- 哪個環節最依賴經驗？
- 哪個崗位產能最緊？
- 哪個結果最不穩定？
- 哪件事如果提升30%，對業務最有價值？
呢步唔係為咗寫報告，係為咗將「想做AI」變成「先做邊件事」。最後至少要得到一張AI場景優先級表：邊啲值得先做、邊啲先唔做、邊啲只適合培訓、邊啲適合做PoC、邊啲未來可以系統化。
目標唔清楚嘅時候，唔好急住做AI，先診斷業務。
畫清流程，整理業務上下文
好多AI項目落唔到地，唔係因為模型唔得，而係流程本身說唔清。邊個發起？邊個處理？輸入係咩？資料從邊度嚟？中間經過邊啲系統？邊度最容易返工？邊個審核？最後輸出俾邊個？下一次可唔可以複用？
- 誰發起？誰處理？輸入是什麼？
- 資料從哪裏來？中間經過哪些系統？
- 哪裏最容易返工？誰審核？
- 最後輸出給誰？下一次能不能複用？
流程唔清楚嘅時候，唔好急住接模型，先畫業務鏈路圖。就算張圖好粗糙，都比直接做工具好。鏈路畫出嚟之後，就睇到邊啲位適合自動化、邊啲位適合AI生成、邊啲位必須人工判斷、邊啲位需要審核、邊啲位應該沉澱模板。
數據同經驗散亂係另一個大問題。好多企業話「我哋數據好亂，做唔到AI」，但亂唔係最大問題，最大問題係完全冇沉澱。歷史報表、客戶資料、優秀案例、審核意見、覆盤文檔，就算散喺Excel、微信、飛書、個人電腦，都可以整理。
- 有哪些數據和文檔？
- 有哪些案例？哪些是標準？哪些是優秀樣本？
- 哪些是常見錯誤？
- 哪些可以給AI使用？哪些涉及權限和隱私？
定義驗證指標，由小閉環開始
好多企業做AI項目一開始就想睇完整ROI，但第一階段唔使咁重。更現實嘅做法係先定義最小驗證指標，例如報告生成時間係咪縮短咗？圖文返工次數係咪減少咗？新人係咪可以獨立完成初稿？
- 報告生成時間是否縮短？
- 圖文返工次數是否減少？
- 新人是否能獨立完成初稿？
- 審核通過率是否提高？
- 客戶資料整理時間是否下降？
- 內容產出是否更穩定？
- 業務錯誤是否減少？
呢啲指標唔一定要一開始就非常精確，但至少要知我哋希望邊件事變快、變準、變穩定、變可複用。如果冇驗證指標，項目就只能靠感覺，感覺好唔代表真有業務價值。
如果企業暫時唔想大改流程，可以先做一個小閉環。例如：輸入一批真實數據→AI生成報告初稿→業務人員補充上下文→負責人審核結論→輸出行動建議→下次複用模板。呢啲小閉環未必一開始覆蓋全公司，但必須係真實業務，唔係演示。
- 輸入真實數據 → AI生成初稿 → 人工補充 → 審核 → 輸出 → 複用模板
- 輸入商品資料 → AI提煉賣點 → 生成圖片brief → 生成Listing文案 → QA → 導出上架包 → 覆盤
建立責任機制，先補地基先
AI項目唔可以淨係靠IT推，亦唔可以淨係靠老闆一句話。佢必須有業務負責人，呢個人唔一定要識技術，但佢要識業務，而且願意負責結果。佢要識提供真實樣本、判斷AI結果能用與否、推動團隊試用、睇數據、做覆盤同繼續迭代。
- 提供真實樣本，組織業務人員反饋
- 判斷AI結果能不能用，定義什麼叫好
- 推動團隊試用，看數據、做覆盤、繼續迭代
如果暫時冇咁嘅人，就要先建立責任機制：邊個提供資料？邊個確認流程？邊個審核輸出？邊個收集反饋？邊個決定上線？邊個負責覆盤？呢啲唔講清楚，項目就會變成「大家都覺得重要，但冇人真正負責」。
「AI 真正進入企業，唔係由買工具開始。係由補返呢啲地基開始。」 |
上一篇你間企業到底適唔適合而家引入 AI？先睇呢 7 個信號我寫咗，判斷一間企業而家適唔適合引入 AI，可以睇 7 個信號。
但我覺得要繼續講落去一步。
因為現實入面，大部分企業唔係「完全適合」或者「完全唔適合」。更多情況係：有啲條件已經有曬，但仲有啲基礎未補齊。
呢個時候唔係話企業唔可以做 AI，而係唔可以一嚟就買工具、上智能體、做大系統。
更合理嘅做法係：先將 AI 可以落地嘅地基補返起。
一、冇明確目標，就先做業務診斷
好多企業一開始會話：
「我哋想引入 AI。」
但呢句嘢仲未可以直接變成項目。真正要問嘅係：
▎ 邊條業務鏈路最嘥時間？
▎ 邊個環節最依賴經驗？
▎ 邊個崗位產能最緊張？
▎ 邊個結果最唔穩定？
▎ 邊件事如果提升 30%，對業務最有價值？
呢一步唔係為咗寫報告，而係為咗將「想做 AI」變成「先做邊件事」。
最後至少要得到一張 AI 場景優先級表：邊啲場景值得先做，邊啲先唔做，邊啲只適合培訓，邊啲適合做 PoC，邊啲未來可以系統化。
目標唔清楚嘅時候，唔好急住做 AI。先診斷業務。
二、冇高頻場景，就先揾價值密度最高嘅業務鏈路
AI 項目最怕揀錯場景。有啲場景睇落好型，但低頻、低價值、難驗證。呢啲項目做完，好容易變成 demo。
真正適合先做嘅場景，通常有幾個特徵：
▎ 反覆發生
▎ 人工消耗大
▎ 結果依賴經驗
▎ 有樣本可以參考
▎ 可以部分標準化
▎ 做完可以驗證效果
例如數據報告、商品圖文物料、客戶資料整理、銷售跟進、內容選題、質檢審核、內部知識問答，呢啲都比較容易成為第一批場景。
如果企業一開始唔知做咩，就唔好由「工具能力」出發。先將業務鏈路列曬出嚟，按頻次、成本、標準化程度、風險、可驗證性打分。
咁先可以揾到真正值得 AI 介入嘅地方。
三、流程講唔清，就先畫業務鏈路圖
好多 AI 項目落唔到地，唔係因為模型唔得，而係因為流程本身講唔清。
邊個發起？邊個處理？輸入係乜？資料由邊度嚟？中間經過邊啲系統？邊度最容易返工？邊個審核？最後輸出俾邊個？下一次可唔可以複用？
呢啲問題如果未搞清楚，AI 上去之後都唔知企喺邊個位。
所以流程唔清楚嘅時候，唔好急住接模型。先畫業務鏈路圖。就算呢張圖好粗糙，都好過直接做工具。
因為一旦鏈路畫出嚟，就可以見到：
▎ 邊啲地方適合自動化
▎ 邊啲地方適合 AI 生成
▎ 邊啲地方一定要人工判斷
▎ 邊啲地方需要審核
▎ 邊啲地方應該沉澱模板
AI 唔係憑空進入企業嘅，佢一定要進入某條具體流程。
四、數據同經驗好散，就先整理業務上下文
企業用 AI，最易忽略嘅嘢就係業務上下文。
好多企業會話：
「我哋數據好亂，所以而家做唔到 AI。」
但我覺得，亂唔係最大問題。最大問題係完全冇沉澱。
歷史報表、客戶資料、商品資料、優秀案例、審核意見、覆盤文檔、員工經驗，呢啲嘢就算散喺 Excel、微信羣、飛書文檔、個人電腦入面，都可以整理。
第一步唔一定要起一個好大嘅知識庫。可以先做一個業務資料清單：
▎ 有邊啲數據同文檔？
▎ 有邊啲案例？
▎ 邊啲係標準？邊啲係優秀樣本？
▎ 邊啲係常見錯誤？
▎ 邊啲可以俾 AI 用？邊啲涉及權限同私隱？
呢一步睇落好基本，但非常關鍵。因為 AI 唔係只靠模型工作，佢需要知道企業自己嘅業務事實、判斷標準、歷史經驗同上下文。
冇呢啲，AI 只能生成一大堆睇落好順，但唔一定用得嘅內容。
五、結果唔可以驗證，就先定義最小指標
好多企業做 AI 項目，一開始就想睇完整 ROI。
但第一階段唔一定要咁重。更現實嘅做法係，先定義最小驗證指標。例如：
▎ 報告生成時間係咪縮短咗？
▎ 圖文返工次數係咪減少咗？
▎ 新人係咪可以獨立完成初稿？
▎ 審核通過率係咪提高咗？
▎ 客戶資料整理時間係咪下降咗？
▎ 內容產出係咪更加穩定？
▎ 業務錯誤係咪減少咗？
呢啲指標唔一定要一開始就非常精準。但至少要知：我哋希望邊件事變快、變準、變穩定、變可複用。
如果冇驗證指標，項目就只能靠感覺。感覺唔錯，唔代表真係有業務價值。
FDE 做 AI 項目，一定要將「點樣證明佢有效」提早寫出嚟。
六、企業暫時唔想大改流程，就先做小閉環
好多企業一聽到「流程改造」，就會有壓力。覺得係咪要大規模調整組織、系統、權限、崗位。
其實第一階段唔一定。可以先做一個小閉環。例如：
▎ 輸入一批真實數據 → AI 生成報告初稿 → 業務人員補充上下文 → 負責人審核結論 → 輸出行動建議 → 下次複用模板
▎ 輸入商品資料 → AI 提煉賣點 → 生成圖片 brief → 生成 Listing 文案 → 人工 QA → 導出上架包 → 覆盤邊啲內容可以複用
呢個就係一個小閉環。佢唔一定要一開始覆蓋全公司，亦唔一定要一開始接入所有系統。但佢一定要係真實業務，唔係演示。
小閉環行通之後，再擴展。咁樣企業阻力會細好多，價值亦更加容易俾人睇到。
七、冇業務負責人，就先建立項目責任機制
AI 項目唔可以淨係靠 IT 推，亦唔可以淨係靠老闆一句話。佢一定要有業務負責人。
呢個人唔一定要識技術，但佢要識業務，而且願意負責結果。佢要能夠：
▎ 提供真實樣本，組織業務人員畀反饋
▎ 判斷 AI 結果用唔用得，定義咩叫好
▎ 推動團隊試用，睇數據、做覆盤、繼續迭代
如果企業暫時冇呢個人，就要先建立責任機制：
▎ 邊個提供資料？邊個確認流程？
▎ 邊個審核輸出？邊個收集反饋？
▎ 邊個決定上線？邊個負責覆盤？
呢啲唔講清楚，項目就會變成「大家都覺得重要，但冇人真正負責」。
AI 落地最怕嘅唔係技術難，係責任懸空。
結語
所以，企業如果而家仲未完全具備引入 AI 嘅條件，並唔代表唔可以做。
更準確咁講，係唔好急住做大。先將基礎補返起。
▎ 冇目標，就做業務診斷。
▎ 冇場景，就做優先級篩選。
▎ 流程唔清，就畫業務鏈路圖。
▎ 資料好散，就整理業務上下文。
▎ 結果模糊，就定義最小驗證指標。
▎ 唔想大改，就先跑小閉環。
▎ 冇人負責，就建立項目責任機制。
企業 AI 落地，唔係等到所有條件完美曬先開始。而係透過一個真實小項目，將目標、流程、數據、指標、責任呢啲基礎一點一點補出嚟。
呢個亦係我認為 FDE 最有價值嘅地方。唔係一嚟就塞個工具俾企業，亦唔係將所有嘢都整成智能體。而係幫企業判斷：而家缺啲咩，先補啲咩，第一階段做邊條鏈路，點樣驗證結果，點樣將一次項目沉澱成之後可以複用嘅能力。
AI 真正進入企業，唔係由買工具開始。係由補返呢啲地基開始。
AI 落地最怕嘅唔係技術難， 唔係由買工具開始，係由補齊地基開始。 |
Resona · 鳴 · 令每一次對話，都有迴響 2026-06-01 · 彭俊旗 |
「AI 真正進入企業，不是從買工具開始。是從補齊這些地基開始。」 |
上一篇你的企業到底適不適合現在引入 AI？先看這 7 個信號我寫了，判斷一家企業現在適不適合引入 AI，可以看 7 個信號。
但我覺得還要繼續往下講一步。
因為現實裏，大多數企業不是“完全適合”或者“完全不適合”。更多情況是：有一些條件已經具備了，但還有一些基礎沒補齊。
這時候不是說企業不能做 AI，而是不能一上來就買工具、上智能體、做大系統。
更合理的做法是：先把 AI 能落地的地基補起來。
一、沒有明確目標，就先做業務診斷
很多企業一開始會說：
“我們想引入 AI。”
但這句話還不能直接變成項目。真正要問的是：
▎ 哪條業務鏈路最耗時間？
▎ 哪個環節最依賴經驗？
▎ 哪個崗位產能最緊？
▎ 哪個結果最不穩定？
▎ 哪件事如果提升 30%，對業務最有價值？
這一步不是為了寫報告，而是為了把“想做 AI"變成“先做哪件事”。
最後至少要得到一張 AI 場景優先級表：哪些場景值得先做，哪些先不做，哪些只適合培訓，哪些適合做 PoC，哪些未來可以系統化。
目標不清楚的時候，不要急着做 AI。先診斷業務。
二、沒有高頻場景，就先找價值密度最高的業務鏈路
AI 項目最怕選錯場景。有些場景看起來很酷，但低頻、低價值、難驗證。這種項目做完，很容易變成 demo。
真正適合先做的場景，通常有幾個特徵：
▎ 反覆發生
▎ 人工消耗大
▎ 結果依賴經驗
▎ 有樣本可參考
▎ 能部分標準化
▎ 做完能驗證效果
比如數據報告、商品圖文物料、客戶資料整理、銷售跟進、內容選題、質檢審核、內部知識問答，這些都比較容易成為第一批場景。
如果企業一開始不知道做什麼，就不要從“工具能力”出發。先把業務鏈路列出來，按頻次、成本、標準化程度、風險、可驗證性打分。
這樣才能找到真正值得 AI 介入的地方。
三、流程說不清，就先畫業務鏈路圖
很多 AI 項目落不下去，不是因為模型不行，而是因為流程本身說不清。
誰發起？誰處理？輸入是什麼？資料從哪裏來？中間經過哪些系統？哪裏最容易返工？誰審核？最後輸出給誰？下一次能不能複用？
這些問題如果沒弄清楚，AI 上去以後也不知道站在哪個位置。
所以流程不清楚的時候，不要急着接模型。先畫業務鏈路圖。哪怕這張圖很粗糙，也比直接做工具要好。
因為一旦鏈路畫出來，就能看到：
▎ 哪些地方適合自動化
▎ 哪些地方適合 AI 生成
▎ 哪些地方必須人工判斷
▎ 哪些地方需要審核
▎ 哪些地方應該沉澱模板
AI 不是憑空進入企業的，它一定要進入某條具體流程。
四、數據和經驗很散，就先整理業務上下文
企業用 AI，最容易忽略的東西就是業務上下文。
很多企業會說：
“我們數據很亂，所以現在做不了 AI。”
但我覺得，亂不是最大問題。最大問題是完全沒有沉澱。
歷史報表、客戶資料、商品資料、優秀案例、審核意見、覆盤文檔、員工經驗，這些東西哪怕散在 Excel、微信羣、飛書文檔、個人電腦裏，也可以整理。
第一步不一定要建很大的知識庫。可以先做一個業務資料清單：
▎ 有哪些數據和文檔？
▎ 有哪些案例？
▎ 哪些是標準？哪些是優秀樣本？
▎ 哪些是常見錯誤？
▎ 哪些可以給 AI 使用？哪些涉及權限和隱私？
這一步看起來很基礎，但非常關鍵。因為 AI 不是隻靠模型工作，它需要知道企業自己的業務事實、判斷標準、歷史經驗和上下文。
沒有這些，AI 只能生成一堆看起來很順，但不一定能用的內容。
五、結果不可驗證，就先定義最小指標
很多企業做 AI 項目，最開始就想看完整 ROI。
但第一階段不一定要這麼重。更現實的做法是，先定義最小驗證指標。比如：
▎ 報告生成時間是否縮短？
▎ 圖文返工次數是否減少？
▎ 新人是否能獨立完成初稿？
▎ 審核通過率是否提高？
▎ 客戶資料整理時間是否下降？
▎ 內容產出是否更穩定？
▎ 業務錯誤是否減少？
這些指標不一定一開始就非常精確。但至少要知道：我們希望哪件事變快、變準、變穩定、變可複用。
如果沒有驗證指標，項目就只能靠感覺。感覺不錯，不代表真的有業務價值。
FDE 做 AI 項目，一定要把“怎麼證明它有效”提前寫出來。
六、企業暫時不願大改流程，就先做小閉環
很多企業一聽到“流程改造”，會有壓力。覺得是不是要大規模調整組織、系統、權限、崗位。
其實第一階段不一定。可以先做一個小閉環。比如：
▎ 輸入一批真實數據 → AI 生成報告初稿 → 業務人員補充上下文 → 負責人審核結論 → 輸出行動建議 → 下次複用模板
▎ 輸入商品資料 → AI 提煉賣點 → 生成圖片 brief → 生成 Listing 文案 → 人工 QA → 導出上架包 → 覆盤哪些內容可複用
這就是一個小閉環。它不一定一開始覆蓋全公司，也不一定一開始接入所有系統。但它必須是真實業務，不是演示。
小閉環跑通以後，再擴展。這樣企業阻力會小很多，價值也更容易被看見。
七、沒有業務負責人，就先建立項目責任機制
AI 項目不能只靠 IT 推，也不能只靠老闆一句話。它必須有業務負責人。
這個人不一定懂技術，但他要懂業務，並且願意負責結果。他要能：
▎ 提供真實樣本，組織業務人員反饋
▎ 判斷 AI 結果能不能用，定義什麼叫好
▎ 推動團隊試用，看數據、做覆盤、繼續迭代
如果企業暫時沒有這樣的人，那就要先建立責任機制：
▎ 誰提供資料？誰確認流程？
▎ 誰審核輸出？誰收集反饋？
▎ 誰決定上線？誰負責覆盤？
這些不講清楚，項目就會變成“大家都覺得重要，但沒人真正負責”。
AI 落地最怕的不是技術難，是責任懸空。
結語
所以，企業如果現在還不完全具備引入 AI 的條件，並不代表不能做。
更準確地說，是不要急着做大。先把基礎補起來。
▎ 沒有目標，就做業務診斷。
▎ 沒有場景，就做優先級篩選。
▎ 流程不清，就畫業務鏈路圖。
▎ 資料很散，就整理業務上下文。
▎ 結果模糊，就定義最小驗證指標。
▎ 不願大改，就先跑小閉環。
▎ 沒人負責，就建立項目責任機制。
企業 AI 落地，不是等所有條件完美了才開始。而是通過一個真實小項目，把目標、流程、數據、指標、責任這些基礎一點點補出來。
這也是我認為 FDE 最有價值的地方。不是上來就給企業塞一個工具，也不是把所有事情都做成智能體。而是幫企業判斷：現在缺什麼，先補什麼，第一階段做哪條鏈路，怎麼驗證結果，怎麼把一次項目沉澱成後續可以複用的能力。
AI 真正進入企業，不是從買工具開始。是從補齊這些地基開始。
AI 落地最怕的不是技術難， 不是從買工具開始，是從補齊地基開始。 |
Resona · 鳴 · 讓每一次對話，都有迴響 2026-06-01 · 彭俊旗 |