别急着问AI能砍几个人：企业上AI前，先想清楚这3件事

最近一段时间跑客户跑的比较勤，经常和一些信息化负责人、业务负责人介绍自己的案例和项目经验。不过越聊越觉得有点不对劲：大家对AI的兴致很高，也很想知道别的企业做了什么、怎么做的。但一提到自己的企业，不同角色的认知差会非常大。

有的人认为，AI已经很成熟了，别人能做的事自己也应该能马上做，最好几个月就能看到效果。

有的人认为，现在各种开源的AI工具很多，自己也用过不少，直接买个产品、接个模型、搭个知识库，问题自然就解决了。

有的人更关注风险，担心数据安全、合规问题，觉得只要涉及企业内部信息，就应该全部私有化部署。

还有的人更直接，问我AI能帮他们砍多少人？降多少本？能不能带来新的收入增长？如果不能，为什么还要投入？

这些想法的背后，体现了一个行业普遍的困惑：AI落地并没有一个放之四海皆准的准则。业务负责人关注的是结果，信息化负责人关注的是系统和安全，管理层关注的是投入产出，而一线员工更在意工作方式会不会被改变。如果不先统一认知，做好组织上的“心理按摩”，就很难找到真正适合企业现阶段的切入点。

所以这篇文章，申老师就来和你聊一聊，身为企业内部AI负责人，尤其是IT负责人，最可能会踩的“坑”。

第一个坑：懂工具，就以为好落地

几乎我接触过的所有大型集团公司，其IT信息化团队都对AI技术、模型选型、工具操作如数家珍，尤其越是传统行业，接触AI工具的速度就越快。

他们知道怎么用RAGFlow搭知识库，会写代码调模型API，也在公司内部部署了Dify，编排过工作流。甚至已经在用龙虾、Claude Code、Codex帮自己自动化完成任务。

所以他们会很容易产生一个判断：既然有这么多好用的工具，那AI项目应该也没那么难。

这句话只对了一半。

工具确实可以帮我们快速搭一个Demo出来，但这东西搭出来之后，能不能在业务里被稳定使用，才是最关键的。

拿知识问答智能体来说，难点并不在向量化技术、并不在界面操作步骤，像是文档解析、分片、打标签、分权限的功能，无论Dify还是RAGFlow都具备。

而真正需要花时间精力的，是知识治理。

• 知识库要分几类，每一类放几个库，每个库放多少文档？

• 同一类文档，有多个版本，以哪个为准？

• 不同部门的知识边界怎么划分？谁负责维护自己部门的文档？在哪里维护？

• 能进知识库的文档，要符合哪些要求？文档格式如何定？

• 如果不符合要求，文档该怎么改，才可以更好地被解析？

• 哪些问题可以直接回答，哪些问题要追问边界才可以回答？

• 用户反馈答案错了，该如何改？谁来改？

这些工作和技术实施关系不大，但却决定了智能体最后是个演示POC，还是真正在企业内部可用的业务系统。

我相信AI工具未来会越来越好用，比如评测集可以自动生成、文档解析准确度会更高、搜索技术也会进化。但AI项目的核心工作，往往就是那些脏活累活，总需要有人把知识、流程、规则，整理成机器能理解的结构，输出人能评估的结果。

工具能降低开发门槛，但不能替企业完成业务梳理。

如果你只盯着工具、技术，很容易忽略调研、分类、清洗、标注、评测、运营这些真正耗时的部分。

最后的结果就是：系统上线了，员工试了几次，发现答案不稳定、不准确，然后就慢慢不用了。

这时候再怪AI效果不好，其实已经晚了。

第二个坑：重私有化，却忽略数据分级

企业谈AI，绕不开安全。我在拜访客户时，CTO问我最多的，也是用公有模型会不会上传企业资料。

尤其是集团型企业、金融机构、制造企业、公共服务企业，一听到员工会把文件上传到外部AI工具，就会紧张。

他们的担心不无道理，合同、财务、客户资料、经营数据、内部制度，一旦处理不当，确实会带来风险。

但凡事不能一刀切，一谈安全，就必须全部私有化，这个判断我觉得也过于草率。

私有化肯定有价值，尤其适合高敏感数据、核心经营数据、内部客户数据和强合规场景。

但私有化并不是安全的全部答案，同时，合规的API也并不等于数据泄露。

举个例子，很多企业会认为调豆包的API，豆包就会用你的数据做模型训练。但官方公开资料显示：火山方舟已经有面向大模型服务的安全白皮书，强调其建设的是“全球合规、原生安全、客户信任”的安全可信保障体系，并专门讨论用户数据安全保护。 OpenAI API 官方文档也明确提到，API 默认会生成滥用监测日志，通常保留最多30天，且企业可以有数据保留控制选项。这些都说明主流API不会随便拿客户数据训练模型，而且他们都是有明确数据控制政策的。

调用API时，确实会把用户问题、检索片段或上下文发送给模型服务端参与推理；但这不等于被“爬走”。是否保留、是否训练，要看服务商协议和配置。

相反，私有化部署也不等于绝对安全。奇安信创始人，知名安全专家齐向东曾在2025年两会提到，他们对 3000 + 家部署 DeepSeek 私有大模型的单位做了扫描，其中 90% 的系统没有基础身份认证、没有设置访问白名单；88.9% Ollama 私有化服务直接暴露公网，攻击者无需密码即可接管模型、窃取对话与内部数据。

因此，要确保企业内部的数据安全，取决于数据分级、传输加密、存储策略、日志留存、模型服务商协议、权限控制、脱敏机制和企业内部管理。

比如说，让公开信息、行业资料、营销素材、通用办公文本，采用合规API来提升效率。

内部制度、流程文件、业务知识，可以在权限、脱敏和日志机制下谨慎使用。

合同、财务、经营分析、客户隐私等内容，则应该采用更严格的部署方式和访问控制。

安全的关键，不是简单地认为公有云危险、私有化安全。更重要的是要想清楚什么数据可以被谁使用、在什么场景下调用、调用过程是否可追踪、输出结果是否需要人工复核。

如果这些问题没解决，哪怕模型部署在内网，也不代表项目就安全。

当然，站在甲方信息化负责人的视角，“出了事谁负责”比“技术上概率多大”更重要。这是责任逻辑，不完全是技术判断，也要分情况来看。

我更建议的做法，是分层处理：先把低敏场景跑起来，高敏场景严控边界，核心场景再考虑私有化和专属部署。

一刀切追求私有化，也会让企业前期投入变重，启动变慢，业务部门迟迟用不上。

AI项目不仅要看起来安全，更要做到“安全地用起来”。

第三个坑：急着要结果，尤其急着承诺减人和增收

企业做AI，最终一定要看结果，这事无可厚非。

管理层关心投入产出，业务部门关心效率提升，信息化部门关心系统价值，也是合理的。

但AI项目早期最不适合轻易承诺的，反而就是减员和增收。

减员听起来简单直接，但真要实施下来，会产生一系列连锁反应，牵涉组织设计、岗位职责、流程再造和管理决策。

AI能减少重复劳动，但却没办法帮企业马上减少岗位。

增收就更复杂了。

销售增长、招商成交、客户转化、服务复购，都受市场环境、品牌能力、产品竞争力、销售组织、客户资源的影响。AI可以辅助其中的1-2个环节，却没法直接承担最终结果。

所以在决定要不要上AI前，要先明确两类指标。

第一类是过程指标。

例如：把报告生成时间缩短了多少，让客服响应速度提升了多少，合同初筛时覆盖了多少个风险点，把新员工培训周期缩短了多少，AI推荐给销售的话术，是否会提高他们的回复质量。

第二类才是收入增长、利润提升、人力减少、成交率提高这些经营指标。

实话说，AI项目早期更适合先验证过程指标，因为过程指标更可控，也更容易归因。

像是完成任务时间减少、输出内容质量更高、发现了多少审核风险点等等，这些都很好测量和观察。

而经营指标，则建议把它建立在过程指标被验证之后。

如果一个AI项目没有跑通流程、没有找到数据支撑、员工不愿意用，答案准确性也没评估，就急着承诺减人和增收，最后大概率业务会觉得AI没用，IT团队也会觉得业务不配合，管理层则会判断项目没价值。

这不是AI的问题，是项目一开始就把目标设错了。

先把一个环节做扎实，才有机会讨论更大的结果。

AI落地要先过3道关

总结下来，AI项目要想做出价值，必须先过三道关。

第一道：场景关。

这个场景到底解决谁的问题？是员工查资料，销售接待客户，客服回答问题，法务审合同，还是管理层看经营分析数据？

场景越具体，AI越容易落地。

第二道关：知识关。

AI要输出稳定结果，必须有稳定输入。

企业内部资料如果来源分散、时间错乱、版本冲突、没人维护，AI反而会把混乱放大。

所以在做智能体之前，一定要先了解清楚企业的知识/规则谁在负责维护？怎么维护的？有没有权限要求？有没有评估标准？

第三道关：运营关。

AI系统上线后，不能指望一次交付就能解决所有问题。得有人制定运营规则和激励政策，让用户用起来。

比如要有配套的使用指南、提问方法、报错渠道。

比如要给负责维护知识的员工培训方法、给予奖励。

比如高层要积极推进AI人才建设，鼓励员工自主发现问题解决问题。

否则AI项目就会变成“面子工程”，只在刚上线时热闹一下。

真正的企业AI落地，拼的是持续运营能力。

管理者该怎么启动AI项目？

我建议是：先小后大，先内后外，先可控后复杂。

先选一个部门内能闭环的场景。

先选一个高频、刚需、有资料基础的任务。

先做一个样板场景。把流程跑通，把责任人定清楚，再考虑复制到更多部门。

比如内部流程制度问答、材料风险审查、会议纪要和报告生成、新人培训陪练，这些场景就比较适合早期试点。因为它们有一个共同点：边界相对清楚，输入资料可控，结果可以人工复核，也容易建立评测标准。

企业先把这类场景跑通，才能建立起组织内部对AI的信任。

信任一旦建立起来，后面再谈更复杂的经营分析、客户洞察、业务预测、智能决策，成功率就会高得多。

最后

企业AI落地，不能只靠热情，也不能只靠工具。

懂AI平台怎么用，不能说明项目能落地。

部署私有化模型，不能自动解决安全问题。

承诺减人和增收，也不能替代真实验证。

AI真正进入企业业务，需要有人会拆业务问题、整理知识资料，沉淀流程规则、建立起评测和运营机制。

而我现在做企业AI咨询和智能体落地陪跑，也是在做这方面的工作：帮企业判断哪些场景值得做，帮企业做知识治理和样板间，帮企业培养未来能独立完成这些工作的AI人才。

我觉得，先建立一套能把结果验证出来的机制，再看结果，才是一条更稳的落地路径。

我是申悦，AI创业者、独立讲师、企业AI顾问。提供企业AI培训、AI落地方案咨询、AI智能体设计和运营陪跑服务。服务过东风集团、海亮集团等世界500强企业。如果你的公司正在做AI转型、流程重构、知识库建设和智能体落地，欢迎加V详聊合作：s2dongman