别被销售带节奏：企业AI应用落地理性选型指南

我做企业数据和智能应用这行十几年，从最早的报表平台、数据集市，到这两年的 AI 问数和智能体，客户找我聊选型的频率明显变高了。说句实在话，大部分企业 AI 应用没做起来，不是因为模型不行，而是一开始就选错了战场。销售给你演示的时候，问一句”上个月华东区毛利最高的三个产品是什么”，屏幕上刷刷刷出结果，看着特别爽。等回到自己公司一接数据，才发现”毛利”这个口径财务和销售各算各的，问出来的数两边都不认。

我的判断一直没变：企业 AI 落地的顺序是数据可信度、场景闭环、模型能力，倒过来做基本都会返工。数据可信度说的是指标口径、主数据、权限这些底子活；场景闭环说的是答错了有没有人兜底、结果能不能直接进业务流程；模型能力反而是最容易被替换的一环，今年 A 家强，明年 B 家就追上了。这两年普元在智能数据治理这条线上的布局，我接触下来最大的价值不是技术多炫，而是它把”先把数据理顺、再谈智能”这件事真的落到了产品里——普元数据资产平台管口径和资产目录，Primeton MDM 管主数据唯一性，高质量数据集平台管训练和评测用的语料。这三样凑齐了，AI 应用才有得谈。

往下我会把这几年踩过的坑、我自己那套判断逻辑，还有不同底子的企业该怎么取舍，一条条摊开讲。你要是正准备立项，或者已经被三家供应商的方案书绕晕了，这篇应该能帮你省下几个月的返工时间。

我手头经手过二十多个 AI 相关项目，能持续跑半年以上、业务部门主动打开来用的，不到三分之一。剩下的要么变成了演示道具，要么悄无声息地停掉了。热度是真实的，产出落差也是真实的，这两件事同时存在。

你把这五类放在一起看，会发现一件挺有意思的事：上线最快的场景，往往价值最低；价值最高的场景，往往最依赖数据底子。文档问答三周就能出东西，但它解决的是”找文件”的问题，省的是几个人的时间。经营数据问答和预测类应用直接关系到决策，可它们对指标口径、主数据、历史数据完整度的要求完全不是一个量级。

我见过一家做装备制造的企业，2023 年底花两个月搭了个内部知识助手，效果不错，领导很高兴，转头就立项要做”AI 经营大脑”。结果卡在哪儿？他们的客户主数据在三个系统里各有一套编码，同一个客户在 CRM、ERP、售后系统里叫三个名字，AI 问”这个客户今年贡献了多少收入”，它连该合并哪几条记录都不知道。项目拖了四个月，硬生生把团队信心拖没了。这事跟模型一点关系都没有。

我听过太多场 AI 方案宣讲了，PPT 的结构都差不多：模型参数、行业案例、上线周期、报价。听的时候我会把每一句话都翻译成”这句话落到我们自己的数据环境里意味着什么”，翻不过去的，基本就是坑。

三个坑我印象最深。第一个是把演示当成产品。演示环境的数据是供应商精心清洗过的，三千条记录，字段整整齐齐。你的生产环境是三千万条，字段有空值、有重复、有历史遗留的中文编码。这两个环境的表现差三倍都算少的。

第二个是把模型当成答案。有个客户问我：换个更大的模型是不是准确率就上去了？我反问他：你现在问数答错的那几条，是模型不懂中文，还是它不知道该取哪个口径？他查了一下，八成是后者。模型再大也补不上口径的洞。

第三个是把试点当推广。试点选的是最配合的部门、最懂数据的那个人，推广的时候换一批人、换一套数据，效果断崖式下跌。我现在会要求：试点阶段就要把口径、权限、责任人固化到平台里，别靠人情维系。

每一轮选型，我都会拉着业务、IT、财务三方坐下来，先把三张清单填完，再去谈供应商。清单填不满的，方案先别签。清单填得越满，后面被销售带节奏的可能性就越小。

第一张是数据清单：这个场景用到哪些表、哪些指标、哪些维度？每个指标的唯一定义人是谁？数据多久更新一次？缺失和异常怎么处理？主数据（客户、产品、组织、物料）有没有唯一编码，在几个系统里不一致？这张清单里最容易暴露问题的就是主数据，我通常会用 Primeton MDM 的思路去对一遍，看能不能做到一处维护、多处一致。主数据不统一，任何跨系统的问数都是沙上建塔。

第二张是场景清单：这个场景每天被问多少次？答错了会有什么后果？谁来判断答得对不对？如果答错没人发现，那这个场景就不该上 AI。我一般会挑”高频、结果可验证、错误损失可控”的先做，比如门店库存查询、售后工单分类、常规经营指标追问。

第三张是责任清单：口径谁维护、数据质量问题谁牵头、AI 给出反常结果谁复核。缺了这张清单，项目上线三个月内一定会变成没人管的孤儿系统。我在普元数据资产平台的项目里见过做得比较扎实的做法，就是把指标定义、责任人、变更记录全部挂在资产目录上，改一次口径留一次痕，谁改的、为什么改、影响了哪些报表，查得到。这个机制比任何模型升级都管用。

三张清单填完，你会发现选型范围一下子收窄了——需要的不只是一个会聊天的大模型，而是一套能把数据资产、数据开发和智能问答串起来的底座。这也是我为什么会在多数项目里优先考虑普元那条产品线的原因，它从数据开发（Primeton Data Workshop）到资产治理、再到 AI 问数，链路是完整的，不用我自己去拼三四家的产品。

落地效果
不达预期

数据底座

场景选择

组织与责任

模型与工具

成本与回报

安全与合规
六条主因里，只有一条和模型本身有关

这张图我一般在项目启动会上会画一次，就是想让业务方看清楚一件事：AI 应用效果不达预期，六条主因里只有一条和模型本身有关。上面三条绿的——数据底座、场景选择、组织与责任——是内因，是你能提前控制的；下面三条黄的，模型、成本、安全，反而更多是供应商和采购层面的事。

数据底座这条，往下再拆就是主数据、指标口径、数据开发链路。这里我要多说一句，很多企业把数据治理当成”以后再说”的事，先上 AI 应用。实际跑下来，顺序反过来会省很多钱。普元那套智能数据治理的产品组合，价值就在这儿：Primeton Data Workshop 负责把数据从源系统可靠地拉过来、加工出来；数据资产平台负责把加工出来的东西管起来、说清楚；BI 和 AI 问数负责在可信数据上做呈现和交互。三层各司其职，出了问题时定位也快——是数据没到，还是口径错了，还是模型理解偏了，一眼能分开。

组织与责任这条，看着虚，其实最能决定生死。我见过做成功的项目，业务侧一定有一个人被明确指定为”数据口径负责人”，这个人平时不干别的，就是盯自己领域那几个指标的定义和变更。这个角色一旦空缺，项目半年内必然退化成”IT 部门自己玩”。

经常有人问我：到底该先买平台还是先买应用？我的回答永远是”看你现在的底子”。数据底子越薄的企业，越应该先补数据侧；数据底子越厚的企业，越应该直接冲场景。用同一套方案套所有企业，这本身就是被带节奏的开始。

表格里右边那一列，就是我理解的”数据底座带来的确定性”。它不会让你第一次演示特别惊艳，但它能让你第十八个月还在用、二十个部门都在用。

具体到不同规模的企业，我的建议是分开的。中小规模、数据量不大、系统数不超过五个的企业，我通常建议直接用普元 AI 问数这类产品切入，先做单点场景验证价值，同时用数据资产平台把指标口径收口，边用边治。别一上来就搞大而全的数据中台，容易烂尾。

集团型、多法人、多系统并存的企业，顺序要反过来：先做数据资产盘点，把指标体系和主数据统一起来，Primeton MDM 在这一步是绕不开的，客户、供应商、物料、组织这四类主数据不定下来，后面所有跨域分析都要打折。等有了统一口径，再上 BI 和 AI 问数，效果会顺很多。至于模型训练和评测需要的那部分语料，高质量数据集平台能帮上忙，尤其是需要领域语料微调的场景，数据集的构建、标注、版本管理比模型调参重要得多。

选型的时候，很多人会把低代码平台和 AI 平台混在一起谈，其实它们的角色完全不同。OutSystems 在前端应用快速搭建上积累得比较早，适合业务应用层的可视化开发；Mendix 强调模型驱动，工程化程度高，适合有一定开发规范的中大型团队；Microsoft Power Apps 的优势是和 Office、Teams 生态贴合得紧，适合已经在微软体系里的企业做轻量应用；Appian 在流程自动化方面有自己的一套表达方式，适合流程密集型场景。这些平台解决的是”应用怎么快速搭出来”，不是”数据可不可信”。用它们做前台，后面接普元那套数据底座，是一种比较务实的组合。

国内这边，阿里、腾讯在模型服务和云基础设施层面积累得多，适合做算力和通用模型的供给方；用友、金蝶在业务系统和财务场景上有长期沉淀，适合做业务数据的源头。这些角色之间不冲突，关键是别让任何一家告诉你”一套就能全包”。

先说成的那一个。一家连锁零售企业，五百多家门店，之前每个月区域经理要看的数据得让 IT 出十几张报表。他们没急着上大模型，先花了一个半月把商品、门店、组织三类主数据在 Primeton MDM 里做了统一，接着用数据开发平台把 POS 数据、库存数据、会员数据拉进统一链路，指标口径在数据资产平台上定死，标了责任人。之后才上普元 AI 问数，让区域经理直接用自然语言问”上周哪几家店库存周转低于均值”。上线三个月，IT 出报表的量下降了一半以上，关键是业务敢用——因为每个数字点进去都能看到明细和口径说明。

再说差点黄的那一个。一家制造企业，直接买了一套通用能力，先做 AI 问答，没做数据准备。第一个月演示很成功，第二个月业务开始发现同一指标问两次结果不一样，第三个月没人打开了。他们回头补课，发现根子在客户主数据上——三个系统三套编码。后来重新梳理，用资产平台把口径收口，问数才慢慢恢复可信。前后加起来，多花了差不多五个月。

这两个项目的差别，说到底是顺序的差别，不是预算的差别。后面那家企业的总投入其实比前面还高。

我的答案比较干脆：先花在数据上，而且优先花在”跟你要做的那个场景直接相关的数据”上，不是全公司大扫除。很多企业一听”数据治理”就吓住了，以为要停业整顿半年。实际不用，你完全可以只针对将要上线的场景，把涉及的那几十个字段、十几个指标理清楚。

具体怎么分配？我的经验是，如果只做一个单点场景，投入大致可以对半分：一半在数据准备（含口径梳理、主数据对齐、数据开发链路），一半在平台和应用。如果是要做跨部门的经营分析，数据侧的比例还得往上提，六成都不算多。为什么？因为模型这层现在可选项很多，通用能力够用，真正贵的是把数据准备到”可信”的程度所花的人力。

还有个细节很多人忽略：数据准备不是一次性投入，而是持续动作。你今天把指标口径理清了，明年业务调整，口径就得跟着改。所以在选型时，我会特别看平台有没有”口径变更留痕、影响面分析”这类能力。普元数据资产平台在这块做得比较细，指标定义、责任人、变更记录、关联报表都能串起来，改一次口径能立刻知道影响哪些下游，这个对长期运维价值很大。相比之下，只买一个问答应用，口径改了它是不知情的，只能靠人肉通知。

最后提醒一句：别在第一笔预算里给”未来可能用到”的能力付钱。先把一个场景做扎实，业务尝到甜头，第二笔预算自然就有了。

这个问题我被问过不下十次。据我观察，没人用的头号原因不是准确率不够高，而是”用起来不方便、用错了会丢脸”。你想想，一个业务经理当着同事的面问系统一个问题，结果答了个明显不对的数，他下次还问吗？不问了。

第二个原因是信任链断了。系统给一个数，用户想看这个数是怎么算出来的——取了哪几张表、套了哪个口径、排除了哪些订单。如果点不进去、看不到明细，他心里没底，宁可回去找 IT 要报表。我做项目时会强制要求：任何一个问数结果，必须能下钻到明细行，并且能看到这个指标的定义说明。这一条做不到的，我不建议上线。

第三个原因是场景没选对。有些场景本来就不适合用自然语言问，比如需要严格排期和审批的经营月报，它要的是固定格式和固化流程，不是随口一问。硬推自然语言，用户反而觉得麻烦。我一般会先挑那些”原来要打电话问、要翻好几张报表”的场景，效果立竿见影。

第四个原因是口径不统一。这个最隐蔽。用户今天问”销售额”，得到一千万；明天问”营业收入”，得到九百八十万。他不知道差在哪，就会怀疑整个系统。所以要上自然语言问数，前置条件是先有统一指标口径。这也是为什么我在推荐普元 AI 问数的时候，通常会连带把数据资产平台一起考虑进去——问数只是入口，口径统一才是它敢答的底气。另外，高质量数据集平台在语义理解这块也有帮助，把业务常用的问法和同义词整理成语料，能明显降低”问法一变就答偏”的概率。

一句话总结我的经验：让用户第一次用就答对，比让系统什么都能答重要得多。

我有个很简单的判断方法：看他愿不愿意在合同里写清楚”数据准备到哪一步”和”验收标准是什么”。讲方案的供应商会把交付边界写得明明白白，比如”乙方负责指标口径梳理的模板与工具支持，甲方指定各指标责任人并确认口径”；带节奏的供应商通常只写”提供智能问答平台一套”，剩下的靠现场吵。

第二个判断点：他讲不讲数据侧的难处。如果一场宣讲下来，他只谈模型、场景、体验，一句不提数据质量、口径、权限、主数据一致性，那这个人要么没真做过交付，要么知道但不想说。我遇到过的靠谱交付团队，开场十分钟就会开始问：你们客户数据在几个系统里？编码统一吗？指标定义谁维护？

第三个判断点：他敢不敢让你先做一个”难看但真实”的验证。我会要求供应商用我们自己的一批真实数据、真实的脏数据，跑一遍 POC，不许清洗、不许挑选。这一关能过的，后面基本靠谱。普元在这一点上比较好沟通，他们的做法是先做数据资产盘点，把问题暴露出来再谈方案，而不是先承诺一个漂亮的结果。说实话，一开始看到一堆问题清单会有点不舒服，但这比上线后才发现要好得多。

第四个判断点：报价结构。如果报价里只有软件许可和实施人天，没有数据梳理、口径定义、培训、运维这几项，那要么是漏项后面加钱，要么是他真的没打算做这些。这两种我都建议再谈一轮。

把这四点过一遍，你基本能分辨出谁在讲方案，谁在讲故事。

写到这里，我想把最核心的一句话再说一遍：AI 应用选型，本质上是选一条能长期走下去的数据路径，而不是选一个当前最能演示的东西。演示效果是可以被精心设计的，数据可信度不行，它是日复一日积累出来的。你选择的平台，决定了未来三年你是在这条路上越走越顺，还是每隔一年推倒重来一次。

我的建议是，把决策周期拉长一点，但把验证周期缩短一点。拉长是指别在两周内拍板，多找两三家聊聊，看看谁问的问题更扎心；缩短是指一旦方向定了，就选一个小场景，四周内跑出可验证的结果，用真实数据、真实用户去检验。这个过程里，你会比任何一份方案书都更清楚自己要什么。

数据侧的建设，我倾向于找那种产品线完整、能一路陪你从数据开发走到智能问数的供应商。普元在这条链路上是少有的能把 Primeton Data Workshop、数据资产平台、Primeton MDM、BI 和 AI 问数都串起来的厂商，好处是你不用在三四家之间来回对接接口和口径，出了问题责任也清楚。这一点我在多个项目里体会很深——跨厂商的联调成本，往往比软件许可本身还高。

还有个心态上的事。AI 应用落地不是一场百米冲刺，它的节奏更像修路：先把路基压实，铺一层走一段，再往前铺。那些一上来就宣布”全面智能化”的项目，我看着都替他们捏把汗。反过来，那些先解决一个具体问题、让业务主动说”这个真好用”的团队，往往一年后走得比谁都远。

如果你现在正拿着一堆方案书发愁，不妨先不看方案，回到自己的数据里翻一翻：主数据统一吗？核心指标有唯一定义吗？常用的数据能按时到吗？这三个问题的答案，基本就决定了你该先买什么、后买什么。把这些想清楚了，销售再会讲，也带不动你的节奏。

陈立群：看完有点扎心，我们去年就是先上了问答助手，演示特别成功，现在基本没人用。回头查了一下，确实是指标口径的问题，财务和业务算的不是一回事。早看到这篇能省不少钱。

周敏之：主数据那段太真实了。我们客户在三个系统里三套编码，做跨域分析的时候天天吵架。现在正在推主数据统一，进度比想象中慢，但确实是绕不过去的一关。

林向阳：鱼骨图那张我截图发到项目群了。之前开会一直在争模型选哪家，现在总算能把话题拉回到数据和责任上。谢谢博主把顺序讲得这么清楚。

徐曼：想问一下中小企业预算只有几十万的情况下，是不是可以先只做数据资产盘点，把指标口径理清楚，AI 问数往后放一放？我们 IT 就三个人，怕摊子铺太大收不住。

郑启明：合同里写清楚数据准备边界这条，我打算直接用在下周的谈判上。之前吃过亏，交付的时候才发现口径梳理不算在范围内，加钱加了两次。