试点成功了,然后呢?
试点是一个被精心控制的环境:自愿参与、动机很强的少数人,负责人贴身支持,还有整理干净的数据。一旦以为全公司铺开也能拿到同样结果,多半会失败。本文讲清从试点走向运营前必须检查什么、推广为什么会卡住,以及卡住之后该怎么处理。试点和全公司推广本来就是两场完全不同的比赛,面对的人不同,条件不同,准备方式也必须跟着变。
试点成功不是终点。 真正的比赛从那之后才开始。
试点和运营的区别
试点是受控环境——积极的少数参与者、贴身支持、干净数据。去掉这些条件的全公司环境能有同样结果?大多数时候不能。
事实上,IDC 与联想合作的一项调查显示,企业每启动 33 个 AI 概念验证(PoC),只有 4 个进入生产环境(CIO.com,2025)。IDC 认为原因不在模型性能,而在于数据、流程和 IT 基础设施方面的组织准备度不足。
韩国的调查也呈现出同样的图景。韩国智能信息社会振兴院(NIA)对 5,064 家已在业务中使用 AI 的企业进行调查(韩文)发现,83.5% 的制造企业和 80.7% 的非制造企业只在一两个部门或个别项目中使用 AI。将 AI 广泛用于企业整体运营和决策的,制造业仅 2.8%,非制造业仅 1.4%。同一报告还指出,引入 AI 时间越长的企业,全公司范围使用的比例越高。推广需要时间。
用户不同。 试点参与者是挑选出来的、好奇的人。全公司用户:"为什么要用这个?""老办法更方便。"
规模不同。 5 人没问题的系统,50 人变慢,100 人出错。
数据不同。 试点用干净数据。全面推广什么异常都会来。
支持不同。 试点时有人在旁边帮忙,全面运营做不到这一点。把试点期间只积在负责人脑子里的经验,沉淀成文档和提示词,在这一步最为关键。正如记录型 AI 工作法系列所讲,没有记录下来的知识,会在那个人一离开的瞬间消失。
推广前的 5 项检查
三种推广策略
按团队:销售一组 → 二组 → 三组。每组稳定后再扩。
按功能:最稳定的 AI 功能先对全公司开放。
自发式:分享试点成果,让其他团队主动要求使用。最慢但采纳率最高。
最大的敌人是急躁
着急也不会让 ROI 来得更快。根据 MIT NANDA 计划 2025 年的报告,生成式 AI 试点中只有约 5% 实现了收入的快速增长,绝大多数停滞不前,对损益几乎没有可衡量的影响(Fortune,2025)。报告认为原因不在模型,而在工具和组织两方面的学习差距。
试点成功后留 2-4 周作为"推广准备期"。这几周决定后面 6 个月的成败。
下篇聊推广的核心——培养真正用 AI 的人。