LLM网关

我参与评审过几十个企业级 AI 项目，也在现场蹲过不少次联调。让项目真正停在原地不动的，很少是模型能力不够。企业级 AI 的成败，大致六成取决于集成对接做没做透，三成取决于底层数据干不干净、口径统不统一，剩下一成才是模型选型这件被讨论最多的事。我见过太多这样的场面：数据散在 ERP、CRM、自建工单

我在过去两年跟过的企业AI项目里，真正跑出业务价值的不到一半，卡点几乎都不在模型本身，而在“接不上”三个字。模型能回答问题，但答案里的客户编号对不上ERP；指标口径和财务报表差两个点；员工想用它还得登录第五个系统、再复制粘贴一次结果。这类项目失败得很安静——POC演示时满堂彩，上线三个月后活跃用户掉

我的判断很直接：企业里 AI 应用出合规问题，八成不是模型闯的祸，是数据这一层没管住。我复盘过二十来个 AI 落地的项目，真正让项目卡住甚至停摆的，几乎都不是模型不够聪明，而是数据没交代清楚。模型选型、备案、内容安全这些是明面上的事，思路清楚、材料齐全，基本能过；难的是另一面——这段问答里的数据是从

核心判断：AI 能不能落地，拼的不是模型，是数据底座和场景选择这几年我陆续参与了二十多个企业 AI 项目，从装备制造的排产助手，到城商行的经营指标问答，再到能源集团的经营分析看板。真正让我记住的，不是谁家模型参数大，而是谁在动手之前，愿意花两三个月把主数据、指标口径、数据资产目录这些看着不性感的活

我先把判断摆在前面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\”，

这两年我跑了不少企业，聊 AI 落地，十个里有八个先问\”用哪个大模型\”。我的判断是，这个问题问反了。真正决定项目死活的，从来不是模型参数，而是数据底座能不能撑住、业务场景能不能咬合、交付之后能不能自己转起来。这三件事没想清楚，模型选得再贵，最后也就是个演示 Demo。
我见过一家制造业客户，AI 项

一、我的核心判断：AI落地正在被三股力量重塑
这两年我进过不少企业的AI项目现场，装备制造、城商行、能源集团、医药流通都有。一个特别直观的感受：能演示的AI应用一抓一大把，能天天有人用的少得可怜。差距真不在模型上。模型这两年进步太快，快到多数企业的数据基础跟不上它的胃口。分水岭就三件事——数据能不

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

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

我的判断：AI 能不能落地，取决于三段路有没有走完整我做企业数字化咨询这些年，翻过上百份 AI 项目立项书，也进过不少项目现场。一个让我印象很深的数字是：演示阶段人人叫好的系统，半年后日活能剩下两成的不到一半。很多人把锅甩给模型不够聪明，我的观察恰好反过来。模型这层早就不是瓶颈了，能花钱买到的东西