作者：卢向东，杭州萌嘉网络科技有限公司创始人。团队长期专注于企业 AI 落地与 AI 知识引擎实践，是国内较早探索 RAG 企业应用落地的团队之一。产品 TorchV 已成功服务浪潮信息、微众银行、物产中大、台州银行、适途汽车、中汇税务师事务所等客户。

本文导读：

企业应该如何为AI做好准备？

• 大企业在AI落地准备环节的优势；
• 企业是否已经为AI准备好了？7类问题自测；
• 还没想好？那你依然可以先做的两件事。

一、AI落地实践者的回应

五一节假日里读了宝玉最新翻译Daniel Miessler的文章《大多数公司根本没有为AI做好准备》，快速的整理就是以下几点：

• AI 不是问题，说不清目标才是问题；
• 内部的知识和工作流就像混乱黑盒无法规模化；
• 真正被 AI 帮到的公司是怎么样的。

对于文章的大部分观点我都是非常认同的，而且情况确实也和我们近一年半接触的企业（包括成功实施的客户、PoC客户、观望中的企业、咨询之后终止的企业）的画像相似。

但我对于文章中最后一个核心观点不太认同：

那些体型庞大、运转笨重的大企业面临的主要威胁在于：现在，一家小公司完全有可能借助 AI 爆发出堪比大企业的战斗力。而且，小企业往往更容易清晰地回答出上面提到的那些关键问题。

但，我们看到的真正可以落地AI并成功发挥价值的客户往往是一些大型企业。

从我们服务的多家大型企业客户分析，原因也不复杂，因为他们有这些优势：

• 他们很容易说清楚目标：核心业务相对稳定，在核心业务工作流程内很快可以找到可用AI提升的关键点，往往提升5%的效率就带来明显的增收/将本，撬动上亿规模的利润增长。
• 企业知识管理起步较早：过去多年在企业内部的传统网盘、Confluence等平台中已经存储了几万到几十万的各类文档和wiki，具备一定的知识类目梳理。因为核心业务清晰，企业可以有效依赖这些沉淀下来的知识，那些经历了上百个版本迭代的产品手册/问题反馈集，对产品售后问题定位、投资风险案例比对等真管用。
• 有具备战略眼光的人才：与最早的几家大型企业客户打交道时，客户负责人有的是企业班子成员，有的是板块业务负责人，他们对如何落地AI都有较为清晰的轮廓和路径。在项目细化过程中我们更多是作为技术专家和产品专家存在的，而在企业需求和场景挖掘方面一直是学生。而且早期的几家企业客户都是在找到我们之前就已经完成了GPU算力、大模型集群落地，以及初级AI应用的研发。在一年半之前，他们对AI的理解，对自身业务情况的针砭，以及制定战略和执行能力都让我们非常敬佩。

上面这三点感悟是我们在AI产品实施过程中得来的，其实也从另外一个角度回应了企业应该如何为AI做好准备。

如果大家觉得这样太精炼了，那么我可以结合实践案例讲讲。

二、为什么“AI战略”很容易变成口号

在大中型企业里面主推AI战略是需要承担责任的，所以不管你是董事会成员、CXO或者科技/IT部门的负责人，都需要有很大的勇气，因为需要考虑的东西会很多。首先是这个AI战略的总目标和时间跨度设定，然后需要考虑清楚AI用来帮助我们做什么，最后是需要报审和检验成败的总投入成本与ROI，当然还包括非直接营收影响的考量。

在去年DeepSeek V3/R1横空出世之后，我们接触了很多大型企业潜在客户，“AI战略”或者“上线DeepSeek”等口号我们已经听了无数遍，但真正最后端到端去落地实施的寥寥无几，更多的情况是采购一套算力设备，安装了DeepSeek大模型和一两个Chatbot问答、文本生成就结束了。好像实施了AI却又好像什么都没改变。

这里最大的问题就是要想清楚AI用来解决什么业务问题，外部供应商只能给出一些参考案例，却给不了契合客户的答案。因为这个答案需要对企业自身业务和存在的问题非常了解的内部核心人员才能给出。

案例说明

我们最早的大型企业客户L，在2024年3月开始接触的时候，就已经很明确是把AI用来提升产品售后解决效率问题——以总部的产研作为知识的生产者和维护者，借助AI帮助遍布在全国的售后工程师们快速修复问题，平均修复时间缩短1/3左右。初步成效之后，又在AI底座的基础上增加了在线智能客服和Call Center的客户问题同步定位和回复答案实时显示等应用，客服的人工转接率减少约1/2。

所以，说到底不让“AI战略”仅仅成为一个口号，核心要先找到AI可以为企业做什么、带来什么，把ROI放在首要论证的位置。

三、企业如何为AI做好准备

企业和个人在使用AI上还是存在巨大差别的，我在《为什么95%的企业AI项目失败》这篇文章已经做过详细描述，这里就不再过多展开，简单点，不追求那么精确，可以说：

• 个人在使用AI的时候更多是让AI获取和处理外部知识，影响于个人的大脑；
• 企业使用AI则更多需要在业务框架范围内让AI按业务流程去获取和处理企业内部的知识，产生影响于企业内部知识的结果。

所以企业为落地AI需要做的准备主要会围绕着组织准备、业务框架和内部知识来展开，如：

1. 业务场景明确：使用AI要做什么，ROI是否可以测算；
2. AI战略的组织明确：AI战略组领导班子和组内成员确定，职责和考核方法；
3. 企业知识是否可用：知识就像工厂里面的原材料、样品和半成品，是否有知识地图、分类和检索能力让外部应用快速获取和使用。包括知识仓库的API和CLI原子操作命令的暴露等；
4. 安全审计规则设计：包括权限、审批流程、审计办法等，对于知识和流程，要区分可以触达的人或者部门，哪些属于关键事件且需要哪些责任人审核，以及全部操作的审计查询定位等等；
5. 是否有可持续运营的知识资产：企业的各个业务单元每天产生的结果是否可以自动入库，而不是一次倒入就结束了，或者完全需要人工上传。知识不断入库之后，知识资产的健康监测治理是否能形成良性机制；
6. 是否能让 Agent 真正进入业务流程：根据业务研发的Agent是否可以即插即用，可以非常方便地使用企业的知识、权限，识别企业的业务流。
7. AI基础设施准备：如果上面的大部分准备工作都没问题了，那么企业可以采购AI基础设施了，这需要大量成本购入，包括价格不菲的GPU服务器的购入，大模型部署等。

和前两年相比，最上层的Agent研发难度已经明显下降，有更多开源Agent组件可以选择，也可以直接对OpenClaw、Hermers等进行包装改造，况且还有Claude Code、CodeX等AI Coding工具的助力。但是知识、权限、流程、审计等反而一直是老大难问题，也是阻碍企业AI落地成功最主要的难题，这不是一个RAG知识库就可以解决的。

案例说明

我们的银行客户W在AI开展方面应该算是目前我们所有客户里面走在最前面的。去年4月份我们刚开始驻场的时候，就可以清晰感受到他们AI战略组织架构的存在，至少包括CIO、专门的AI科技部、数据部门、业务侧的科技部门等，可能还有其他部门的存在，我们没有接触到，是可以触达到全行的组织架构。而且在我们入场前，他们对于AI可以为他们做什么已经有了短期、中期的规划，至于总体规划和长期规划，至少不是我们可以听到的。而且在开发了大量AI应用之后，他们发现了知识的重要性，这也是他们引入TorchV的原因。其他的对于安全、审计和流程梳理等，则一直是他们最擅长的事情。

因此，项目在推进过程中，虽然因为外部AI技术的不断发展而不断提高交付要求，但整个过程依然非常顺畅。里程碑、技术标准、效果评测、验收标准一直都非常清晰。所以当时我们就相信他们在2024年初就提出来的“数字员工”战略是可以实现的，现在的发展情况也证明了这一点。

如果要把企业如何为AI做好准备归纳的再简单一点，那么就是做好：组织准备、知识准备、业务准备。

四、判断企业已经为AI准备好了的清单

我们可以问自己下面这些问题，来看看企业是否已经准备好真正实施AI。

1.AI到底要解决什么问题？

• AI要优先进入哪些业务场景？
• 这些场景是高频、刚需、可复制的吗？
• 这些场景现状是否可测量，如人工成本、响应时间、错误率是多少？
• AI介入后，预期改善哪个指标？达到什么预期？
• 这个场景是“锦上添花”，还是“真正影响效率、成本、风险或收入”？

比如：

银行可以是：

降低内部制度咨询的人工响应成本，缩短客户经理查询信贷政策的时间，提升合规问答的一致性。

制造可以是：

缩短售后工程师定位故障的时间，提高一线问题解决率，减少总部专家被重复打扰的次数。

2.是否有可量化的ROI

• 问题解决率提升多少？
• 人工转接率下降多少？
• 平均处理时长缩短多少？
• 新员工培训周期缩短多少？
• 专家重复答疑次数减少多少？
• 客户满意度有没有提升？
• 单位业务处理成本有没有下降？

现在大家似乎只在说准确率，那是AI系统的技术指标，但是ROI才是企业AI项目的生存指标。尤其对CIO来说，如果一个AI项目无法进入成本、效率、风险、收入的量化考评，就很难持续获得预算。

3.是否有统一、可信、可运营的知识底座

• 企业关键知识是否已经沉淀下来？特别是最能见效的关键业务的知识。
• 是否知道哪些知识是标准版本？也就是所谓的已经被很好地整理过的专家知识、权威知识。
• 是否存在大量重复、冲突、过期文档？
• 是否能区分制度、流程、案例、FAQ、产品手册、合同模板等不同知识类型？
• 是否有人负责知识的更新、审核、下线和运营？

企业AI准备不是“把文档扔给大模型”就可以了，而是要让企业知识变成可治理、可调用、可追踪、可持续优化的生产资料。

其实知识底座梳理和打造比开发Agent要难得多，但是企业想用好AI没办法绕过去，因为这是企业最重要的生产资料之一，彼得德鲁克早就已经提出：“实物产品和服务不过是企业知识用来交换顾客购买权的载体。”关于知识底座，我会在下一篇文章中重点说明。

4.权限、密级和审计机制是否有规划

• AI是否继承企业原有权限体系？比如把一个个AI Agent看成数字员工，他们也遵循人类员工的企业权限。
• 不同岗位、部门、区域、子公司是否看到不同知识？
• 涉密文档、合同、财务、人事、客户数据是否有分级管理？
• AI回答是否可以追溯到具体知识来源？也就是需要为AI产生的结果提供证据链。
• 谁问了什么、AI答了什么、引用了什么，是否可审计？
• AI是否可以避免越权回答？
• 出现错误回答后，是否能定位是模型问题、知识问题还是权限问题？也就是所谓整个流程需要白盒。

对企业来说，不可审计的智能，不是生产力，而是风险源。

5.为Agent开放哪些能力

• 每个Agent的职责是什么？
• Agent能访问哪些知识？
• Agent能调用哪些工具？
• Agent能执行哪些动作？
• Agent的行为是否可记录、可审计、可回滚？
• 多个Agent之间如何协同？
• Agent效果如何评估？
• Agent版本如何管理？
• 无效或过期Agent如何下线？
• 谁对Agent的结果负责？

当然，这部分会比较高阶，实在想不清楚也没关系，我在下周会专门为这部分内容写一篇文章来说明。

6. 是否有持续运营机制，而不是一次性项目交付

• 是否有人持续维护知识？
• 是否有知识健康监测和评估？
• 是否有用户反馈机制？
• 是否能发现高频未解决问题？
• 是否能发现过期知识、冲突知识、低质量知识？
• 是否定期复盘AI的回答效果？
• 是否能根据业务变化快速调整知识和Agent？
• 是否有运营人员、业务专家、IT团队共同参与？

很多企业AI项目上线时效果不错，三个月后开始变差，半年后没人用了。原因不是模型突然变差，而是知识、流程、人员、业务都在变化，但AI系统没有被持续运营。

7.是否能确定AI战略组织

这是最后一点，也是绝对无法忽视的一点：人的因素。

• 管理层定义AI优先级和业务目标；
• 业务部门提供场景、知识和专家判断；
• IT部门负责系统集成、权限、安全和运维；
• 知识运营人员负责知识质量和持续更新；
• 合规、安全、审计部门参与边界设计；
• 最后，协调上出现冲突谁来拍板和协调？

以上就是我根据实践经验总结的AI准备过程中的对照清单，这些问题考虑地越清楚，AI战略实施必然会更加顺畅和成功。

所谓为AI准备，并不是企业已经拥有了多少GPU、上线了多少AI助手，而是企业是否已经具备了让AI稳定进入业务流程的基础条件：清晰的业务场景、可衡量的价值目标、可信的知识底座、可控的权限体系、可审计的运行过程、可运营的知识机制，以及跨部门协同的组织能力。

我们在实践中发现企业存在的这些通性问题，然后尽可能地把一些理念在我们的产品TorchV AIS知识引擎中体现出来，包括知识构建、安全审计、知识健康、知识治理和知识调用等，让用户可以通过这套基础设施系统和方法论更加快速地度过AI-ready阶段，进入实质价值环节。

五、现在就可以先做的准备

我不知道上面说的内容会不会把你吓到，因为企业AI落地的准备确实需要考虑很多。

但是我们成功实施的客户中，真正可以一次性回答上面80%以上问题的可能也就是一两家，更多的企业是先做两件事，然后在过程中不断去思考和完善其他问题的答案。

这两件事是：

• 先挑选一两个重要的业务场景，不需要先去考虑全局业务，然后为这个业务场景去制定目标。这个过程最终可能输出的是一个Agent，但其实是在为业务流程的AI化打下第一个样板；
• 先拥有一套能让知识被治理、被调用、被追踪、被持续优化的AI基础设施。这是早晚都需要去做的事情，也是后面Agent真正进入生产的基座。

总结来说，上面说的两件事就是流程和知识。

如果企业还没有准备好全面AI化，最值得先做的不是上百个Agent，而是先把最有业务价值的知识场景跑通。