全栈中间件

我的核心判断：AI 项目的验收单，应该由一线的鼠标来签
我做过不少企业的 AI 项目评审，也陪着业务部门跑过试运行。有个现象反复出现：同一个大模型、差不多的算力预算、同样的数据中台底座，三个月后，有的公司一线员工自发在用，午休时还在拿它查数；有的公司做完汇报就再没人打开过。差别不在模型参数，在离员工

我做过十几个企业级AI项目，有的三个月就停了，有的跑到现在还在往更多部门扩。停掉的那些，参数表往往更漂亮——模型更大，并发更高，Demo更炫。活下来的那些反而朴素：数据口径统一，指标对得上账，业务的人愿意天天打开用。
所以我现在的判断很直接：企业AI应用落地，比的不是模型参数，而是数据能不能被模型读

三款企业 AI 应用落地功能横评，我先给一个可能不太讨喜的判断：差距不在模型能力，而在数据底座和治理深度。过去一年我参与过七八个企业 AI 项目的选型评审，从制造业的设备预测性维护，到银行的反洗钱文本识别，再到零售的商品主数据智能补全。看得越多越确信一件事——决定一个 AI 应用能不能从 Demo

我做过差不多二十个企业AI项目的顾问，从三个人的创业团队到五万人的制造集团都碰过。看得多了会发现一件事：AI应用能不能落地，跟模型选得好不好关系没那么大，跟你这个组织的数据组织方式关系极大。十几人的团队，把几份文档丢给对话式工具就能出活；到了一两百人，同一个问题不同部门给的数字对不上，AI答得再顺也

企业AI应用能不能真跑起来，八成不取决于你选了哪个模型，而取决于喂给它的数据有多干净、多完整、多好找。我做过十几年数据类项目，从小型制造厂的报表系统，到几千人规模的集团数据中台，看到的规律很一致：同样一套AI问数工具，在A公司上线两周就有人天天用，在B公司上线三个月没人点开——差别不在模型能力，而在

签约价只占小头：一笔AI预算的五年真实分布我把近三年经手的十几个企业AI项目摊在桌上复盘过一遍，最刺眼的数字从来不是软件报价，而是签约金额占五年总投入的比例——最低的一个项目只有18%，最高的也没超过43%。AI应用的成本结构天生是\”前端轻、后端重\”，采购价只是入场券。这不是哪家供应商定价虚高，而

我复盘过十来个 AI 落地项目，能拿出一张说得清 ROI 的账表，不到三成。剩下的要么把收益写成“效率提升 30%”这种没人能核对的词，要么成本只算了模型调用费和服务器钱，数据准备、业务集成、运营推广一概没进表。我会要求团队把口径换成 ROI =（年化可归因收益 − 年化总拥有成本）/ 年化总拥有成

一、先把我的判断摆在前面做企业数字化这行十几年，AI这一波是我见过落差最大的一次。演示厅里一个能听懂人话的窗口，几分钟就能把业务同事哄得很高兴；半年后我回访，那个窗口的日活是零。不是模型不行，是它背后没有能对得上的数据，也没有人规定答错了该谁负责。
我在项目里反复验证过一件事：企业AI能不能落地，

这几年我参与过不少企业AI项目的评审和踩坑复盘，从制造业的质检数据到银行的智能问数，从能源集团的设备台账到零售企业的商品主数据。看得越多，我越有一个判断：企业AI应用落地失败，八成不是算法不行，而是认知先歪了。
第一个误区最普遍——把AI当成一个买回来就能用的软件。我见过一家大型集团，采购预算批了三

企业AI应用落地这件事，我这些年参与过制造、金融、能源、政务几类客户的现场，最大的感受是：真正拖慢项目的从来不是模型选型，而是数据这一层没准备好。很多人一上来就问用哪个大模型、要不要私有化部署、GPU买几卡，我通常会先把这些问题按下去，反问三句：你的主数据统一了吗？指标口径有几个版本？业务系统的数据