二次做AI落地，预算更紧该怎么投

第二次做AI落地，预算通常更少，审批也会更谨慎。此时最容易犯的错，是换一家服务商、换一套工具，却把第一次的过程重新走一遍。

这里说的“AI落地”，不是买几个工具账号，也不是组织一次培训，而是把能够生成或分析内容的AI工具用于真实业务，让员工持续使用，并能核算效率、成本或质量发生了什么变化。

预算收紧以后，钱应当集中解决四件事：查清第一次停在哪，完成一个范围有限但交付完整的业务场景，留下可以验收的数据，并让企业内部人员掌握后续运行方法。

预算应当覆盖什么	项目结束时要看到什么
第一次项目的复盘与诊断	找到中断环节，确认哪些成果还能继续使用
一个范围清楚的业务场景	从资料准备到实际使用完整运行，而不是只完成一部分
数据记录与验收	能比较实施前后的耗时、产量、成本或质量
操作与维护能力交接	服务商离开后，企业内部人员仍能继续运行

具体比例不能脱离业务情况统一规定，但有一条可以先确定：如果现有预算只能完成大型方案的一半，就继续缩小范围，不要启动一个注定交付不完整的项目。

先查清第一次究竟停在哪

“效果不好”不是复盘结论。企业需要还原从采购到停用的全过程，确认项目在哪一步中断。

账号发给了员工，却很少有人使用，问题可能出在工具没有进入原有工作流程，也可能是无人负责推动。培训结束后，员工仍不会处理真实任务，说明企业只完成了知识讲解，没有安排后续练习和纠正。咨询公司交付了方案，内部却无人执行，通常要继续检查责任、资源和交付范围是否明确。

还有一些项目同时覆盖多个部门，最后每个部门都只完成一部分。由于事前没有记录数据，项目结束后也说不清究竟节省了多少时间、增加了多少产量。服务商撤场后系统随即停用，则说明操作和维护能力没有留在企业内部。

这些问题往往同时涉及企业资料、工作流程、人员责任、使用能力和管理规则。管理规则包括谁能调用哪些资料、谁来审核AI生成的结果，以及出现错误后由谁负责。单纯换一个功能更强的模型，补不上这些缺口。

第二次投入前，应当先整理一份项目记录：第一次买了什么，谁真正使用过，原定目标是什么，留下了哪些文件和系统，哪些环节没有继续，现有成果中还有什么可以复用。

这份记录决定了第二次的钱要解决什么问题。跳过这一步，新服务商只能重新猜测，企业也无法判断新方案是在处理旧问题，还是又提供了一套相似的工具。

范围可以小，但交付必须完整

预算减少，项目范围也要随之缩小。所谓小范围，不是把一个大方案只做一半，而是选择一个边界清楚、能够独立验收的问题。

项目开始前，先记录当前情况：完成一项任务需要多长时间、多少人参与、每月能完成多少、返工情况如何。这些数据构成对照基线，也就是实施前的真实状态。项目完成以后，新结果只有与这组数据比较，才能说明AI究竟带来了什么变化。

接下来再选场景。适合优先验证的场景，通常要具备几个条件：输入资料能够确定，工作步骤相对稳定，输出结果可以检查，企业内部有人负责。

以营销内容生产为例，企业可以先处理资料整理、初稿生成、审核或发布中的一个具体环节。范围一旦确定，预算就要覆盖这个环节真正运行所需的工作，包括资料整理、工具配置、员工使用、人工审核、结果记录和问题处理。只购买AI账号，并不等于完成了这个场景。

验证时间也不必套用固定的“一个月”或“三个月”。它应当至少覆盖一轮完整的业务过程，也就是从任务开始、结果产生到完成复盘的一次循环。双方需要提前写清验收日期、采用哪些数据、由谁记录，以及怎样判断项目是否达到目标。

先验证合作方式，再决定要不要长期合作

第二次选择服务商，重点不在方案讲得多完整，而在对方是否愿意先接受有限范围的验证。

案例首先要经得起核实。服务商需要说明案例对应的企业、业务问题、实施过程和结果依据。只有“某企业效果显著”这类笼统描述，却说不清具体做了什么，无法支持采购决定。

技术来源也要问明白。如果对方声称系统由自己全程研发，就要说明哪些部分确实属于自研；如果使用了第三方模型，也就是调用其他公司提供的AI能力，则要说明持续费用怎样计算、企业资料如何处理，以及外部服务发生变化后由谁负责。

验证开始前，应当把目标、原始数据、记录方法、验收方式和未达标后的处理办法写进合同或验收文件。结果没有达到约定标准时，是继续调整、结束合作，还是把前期费用转为后续抵扣，都应在付款前说清楚。

有几种情况需要格外谨慎：只交付一份演示文稿或一个账号，就宣布项目完成；效果承诺只停留在口头；未经验证便要求签长期合同或支付全款；报价无法说明每笔费用对应什么工作；案例只有结果口号，没有能够核实的过程信息。

验证的作用，是在投入更多预算以前回答一个实际问题：这套合作方式能否在企业的真实业务中运行。

效果数字先查来源，再算到自己账上

“30天见效”“订单增长300%”一类数字，如果只是服务商自述，没有第三方核验，就不能当成行业平均水平，更不能直接作为另一家企业的投入预期。

行业研究中的数字同样需要说明适用范围。

Project NANDA在2025年发布的《The GenAI Divide》审阅了300多个公开项目，访谈了52家机构的代表，并调查了153名高级管理者。报告显示，超过80%的受访机构已经探索或试用ChatGPT、Copilot等生成式AI工具。这类工具可以根据指令生成文字、代码或分析结果。但在针对企业具体业务设计的试用项目中，约有5%进入日常业务并产生了可衡量的价值。

这份报告明确将相关内容标为初步研究结果，其中5%的结论主要来自访谈，并非企业按照统一标准提交的正式经营数据。因此，它不能被理解成所有企业都适用的固定成功率。

同一报告记录，在52家受访机构的自述中，与外部机构合作的项目约有67%进入部署阶段，内部自建项目约为33%。这里的“部署”，指项目已经从演示和测试进入真实工作环境。这组数据不能代表整个市场，也不能证明只要与外部机构合作，项目就一定会成功。

麦肯锡2025年的相关研究覆盖105个国家，共收到1993份有效问卷。按照研究设定的标准，约6%的受访者所代表的组织被归入“AI高绩效组织”，也就是已经通过AI应用获得较高经营价值的一组企业。这是全球调研结果，不是大中华区独立样本，更不能解读为“只有6%的中国企业做成了AI”。

这些数字只能提醒企业：工具试用很普遍，真正进入日常业务并获得经营价值仍需要补齐资料、流程、人员和维护。它们不能替企业选择服务商，也不能直接变成某个项目的验收标准。

回本时间也要与验证结果分开理解。德勤2025年对欧洲和中东地区1854名高级管理者的调查显示，多数受访者报告，一个典型AI应用需要两到四年才能取得令人满意的投资回报，只有6%的受访者报告在一年内回本。投资回报指项目带来的新增收益或成本节省，与全部投入相比是否已经产生足够回报。这项调查受地区、样本和业务类型限制，不能转化成服务商对某家中国企业的承诺。

小范围验证可以较早检查产量、耗时、成本或质量是否变化，但出现变化不等于企业已经收回全部投入。

面对任何效果数字，都应继续追问：项目开始前的数据是多少，增长的是收入、订单量还是内容产量，统计了多长时间，期间还有哪些投入，结果由谁计算，是否经过第三方核验。只给倍数、不提供计算过程的数字，不应进入预算决策。

服务商离开后，项目还要能够运行

本文所说的“AI陪跑”，是服务商在工具部署、员工使用和效果复盘期间持续参与，同时帮助企业内部人员掌握操作与维护方法。它与一次性培训的区别，不在课程多少，而在培训之后有没有真实任务、持续纠正和独立运行。

项目交付时，企业应当拿到能够继续使用的资料。其中包括SOP文档，也就是按步骤写明如何完成工作的标准操作说明；还应包括系统配置和权限清单、培训与操作记录，以及企业自己的知识库和内容风格库。

知识库是把产品、客户、业务规则和案例等资料整理成AI可以调用的资料集合。内容风格库则记录企业在措辞、语气、结构和审核方面的具体要求。它们决定了企业以后能否继续使用和调整系统。

文档齐全仍不等于交接完成。正式验收前，可以让企业内部人员独立完成一次完整操作，服务商只负责观察和纠正。如果内部团队离开服务商就无法运行，企业购买的主要仍是代做服务，下一次还会产生相似的投入。

第二次做AI落地，预算安排的顺序应当很清楚：先查明第一次为什么没成，再选定一个范围有限但能够完整交付的问题；先用真实数据完成验证，再决定是否扩大合作；项目结束时，还要让资料、操作方法和维护能力留在企业内部。

钱变少，不等于只需要寻找更低的报价。真正需要改变的，是每一笔投入都要对应一项可以验收、可以核算、可以继续使用的结果。

常见问题

Q1：第一次AI落地没成，是否说明企业不适合使用AI？

不能这样判断。一次失败只能说明原来的项目没有达到目标。企业仍需继续区分，问题究竟出在资料、工作流程、人员安排、目标设定，还是工具本身。某一项业务暂时不适合使用AI，也不等于整家企业都不适合。

Q2：服务商承诺“三个月保证见效”，可信吗？

先要求对方解释“见效”具体指什么，再确认原始数据、目标值、统计方法和验收责任人。如果结果无法定义，数据无法记录，这项保证就没有实际的验收意义。