本文要点
- 企业 AI 项目最常见的失败原因不是模型不好，而是从一个不需要 AI 的问题开始
- 诊断阶段要回答五个问题：业务问题、数据现状、使用者、成功标准、边界条件
- 用"价值 × 可行性"两维排序，能筛掉大部分看起来很美但做不动的场景
- 诊断的产出不是一份报告，而是一张有优先级、有责任人的实施路线图
很多企业启动 AI 项目时，第一个动作是选模型或者选工具。这个顺序几乎注定了后面的反复：模型换了两三轮，业务部门的评价还是"没用起来"，团队开始怀疑 AI 到底能不能落地。
问题通常不在技术，而在开局的顺序。AI 项目应该从一个具体的业务问题开始，而不是从一个技术方案开始。 诊断这件事看起来慢，实际上是整个项目里成本最低、回报最高的一步。
三种常见的错误开局
第一种：先买工具，再找问题。 听说某类 AI 产品好用就先采购，再让各部门想怎么用。结果是工具被闲置，或者只在个别员工手里低效使用。工具没错，错在没有对应的业务问题承接口。
第二种：先搭模型，再补数据。 团队把主要精力投在模型训练上，做到一半才发现企业自己的数据散在不同系统里、格式不统一、也没人负责清洗。模型能力再强，喂不进有效数据就没有产出。
第三种：只由 IT 部门推进。 AI 落地最终要改变的是业务流程和岗位分工，这类决策 IT 部门单独推不动。缺少业务方负责人，项目会在"上线了但没人用"这一步停住。
这三种开局的共同点是：跳过了诊断，直接进入了实施。而诊断的价值，恰恰在于让团队在花钱之前先想清楚要什么。
诊断要回答的五个问题
诊断不是走流程，它要产出明确的结论。下面这五个问题如果没有答案，后面的实施就是猜。
| 维度 | 要问的问题 | 期望输出 |
|---|---|---|
| 业务问题 | 哪个环节最耗时、最容易出错、最依赖个别人的经验？ | 一句话描述的问题定义 |
| 数据现状 | 解决这个问题需要什么数据？现在有没有、在哪、质量如何、谁能授权？ | 数据清单与获取路径 |
| 使用者 | 做好之后谁每天用它？他们愿不愿意换工作方式？ | 明确的使用部门与岗位 |
| 成功标准 | 上线三个月后，用什么指标判断它成了？ | 1–3 个可量化指标 |
| 边界条件 | 什么不能碰？数据能不能出企业？必须对接哪些系统？ | 合规与集成约束 |
其中成功标准最容易被忽略。没有事先约定的指标，项目后期的评价就会变成"感觉没什么用"——这种模糊评价对项目伤害很大，因为它无法被改进。
用"价值 × 可行性"排优先级
诊断阶段通常会收集到十几个候选场景，不可能全做。用两个维度排序就能筛出真正该先做的：
- 横轴：业务价值。 这个环节省下的时间、减少的错误、提升的收入，能不能被业务部门说清楚？
- 纵轴：落地可行性。 数据是否齐备？系统是否可对接？流程是否允许调整？有没有明确的负责人？
落在"高价值 + 高可行"象限的场景，适合作为第一个试点。落在这个象限之外的，值得记录但要往后排。
值得提醒的是：可行性低但价值高的场景，往往就是企业的核心难题，不必急着用 AI 硬解，先用规则化、流程化的方式改善，等条件成熟再做。而"价值说不清但技术上很容易做"的场景，通常做出来也没人用。
诊断的产出应该是路线图
一份合格的诊断产出，至少包含这几项：
- 问题清单与优先级：按上面两个维度排好序，并写清为什么这个排第一。
- 分阶段实施路线：第一期做什么、验证什么；第二期扩展到哪里。第一期建议只做一到两个场景，用来验证技术路径和组织配合方式。
- 数据与系统准备事项：需要打通哪些系统、需要谁提供数据、预计耗时。
- 责任分工：业务负责人、IT 对接人、外部服务方各自的职责与决策权限。
- 投入与预期收益的对应关系：让决策层清楚每一笔投入对应什么产出。
路线图的意义在于把"要不要做 AI"这个大问题，拆成若干个可以分别决策的小问题。每一步都有可验证的结果，项目就不会失控。
时间预期怎么定
企业容易在两个方向上误判工期：一是认为"接个大模型就能用"，低估了数据和流程的准备工作；二是把周期定得过长，半年看不到任何结果，团队信心先垮。
相对稳妥的节奏是：诊断阶段投入数周，第一期试点控制在较短周期内跑出可评估的结果，再决定是否扩展到更多场景。 试点范围要小到能快速验证，又要真实到能反映实际业务阻力——这两点同时满足，试点才有参考价值。
诊断清单：可以直接拿去用
如果准备启动内部讨论，建议先回答下面这些问题：
- □ 我们要解决的那个问题，用一句话怎么说清楚？
- □ 现在这个问题是谁在承担？他每周花多少时间在这件事上？
- □ 解决它需要哪些数据？这些数据现在存在哪里？
- □ 数据涉及客户隐私或商业秘密吗？能不能用于模型处理？
- □ 需要和哪些现有系统打通？（OA、ERP、CRM 或办公平台）
- □ 做出来之后，谁每天用它？他有没有参与需求定义？
- □ 三个月后我们用哪个指标判断成功？
- □ 谁是这个项目的业务负责人？他有决策权吗？
- □ 如果第一期效果不理想，我们怎么判断是场景选错了还是实施有问题？
这九个问题答完，你对"该不该做、从哪里做"基本就有答案了。
企业 AI 落地不是一个技术采购动作，而是一次流程和组织的调整。先做诊断，就是先把调整的方向定下来——方向对了，模型和工具的选型才有意义。
如果你的团队正在评估 AI 落地切入点，或者已经有过一次不太成功的尝试，欢迎和我们聊聊。绿鸟软件提供企业现场调研与 AI 落地路线设计服务，会先帮你把事情想清楚，再决定要不要投入。