# 二次做AI落地，預算更緊該怎麼投

> 第二次做AI落地，預算通常更少，審批也會更謹慎。此時最容易犯的錯，是換一家服務商、換一套工具，卻把第一次的過程重新走一遍。

來源：https://www.starbox.work/zh-hant/insights/ai-adoption/fde102/（星盒AI 知識中心，更新於 2026-10-01）

第二次做AI落地，預算通常更少，審批也會更謹慎。此時最容易犯的錯，是換一家服務商、換一套工具，卻把第一次的過程重新走一遍。

這裏説的“AI落地”，不是買幾個工具賬號，也不是組織一次培訓，而是把能夠生成或分析內容的AI工具用於真實業務，讓員工持續使用，並能核算效率、成本或質量發生了什麼變化。

預算收緊以後，錢應當集中解決四件事：查清第一次停在哪，完成一個範圍有限但交付完整的業務場景，留下可以驗收的數據，並讓企業內部人員掌握後續運行方法。

| 預算應當覆蓋什麼 | 項目結束時要看到什麼 |
| --- | --- |
| 第一次項目的復盤與診斷 | 找到中斷環節，確認哪些成果還能繼續使用 |
| 一個範圍清楚的業務場景 | 從資料準備到實際使用完整運行，而不是隻完成一部分 |
| 數據記錄與驗收 | 能比較實施前後的耗時、產量、成本或質量 |
| 操作與維護能力交接 | 服務商離開後，企業內部人員仍能繼續運行 |

具體比例不能脱離業務情況統一規定，但有一條可以先確定：如果現有預算只能完成大型方案的一半，就繼續縮小範圍，不要啓動一個註定交付不完整的項目。

## 先查清第一次究竟停在哪

“效果不好”不是復盤結論。企業需要還原從採購到停用的全過程，確認項目在哪一步中斷。

賬號發給了員工，卻很少有人使用，問題可能出在工具沒有進入原有工作流程，也可能是無人負責推動。培訓結束後，員工仍不會處理真實任務，説明企業只完成了知識講解，沒有安排後續練習和糾正。諮詢公司交付了方案，內部卻無人執行，通常要繼續檢查責任、資源和交付範圍是否明確。

還有一些項目同時覆蓋多個部門，最後每個部門都只完成一部分。由於事前沒有記錄數據，項目結束後也説不清究竟節省了多少時間、增加了多少產量。服務商撤場後系統隨即停用，則説明操作和維護能力沒有留在企業內部。

這些問題往往同時涉及企業資料、工作流程、人員責任、使用能力和管理規則。管理規則包括誰能調用哪些資料、誰來審核AI生成的結果，以及出現錯誤後由誰負責。單純換一個功能更強的模型，補不上這些缺口。

第二次投入前，應當先整理一份項目記錄：第一次買了什麼，誰真正使用過，原定目標是什麼，留下了哪些文件和系統，哪些環節沒有繼續，現有成果中還有什麼可以複用。

這份記錄決定了第二次的錢要解決什麼問題。跳過這一步，新服務商只能重新猜測，企業也無法判斷新方案是在處理舊問題，還是又提供了一套相似的工具。

![二次做AI落地，預算更緊該怎麼投](/static/img/insights/ai-adoption/fde102-2.jpg)

## 範圍可以小，但交付必須完整

預算減少，項目範圍也要隨之縮小。所謂小範圍，不是把一個大方案只做一半，而是選擇一個邊界清楚、能夠獨立驗收的問題。

項目開始前，先記錄當前情況：完成一項任務需要多長時間、多少人蔘與、每月能完成多少、返工情況如何。這些數據構成對照基線，也就是實施前的真實狀態。項目完成以後，新結果只有與這組數據比較，才能説明AI究竟帶來了什麼變化。

接下來再選場景。適合優先驗證的場景，通常要具備幾個條件：輸入資料能夠確定，工作步驟相對穩定，輸出結果可以檢查，企業內部有人負責。

以營銷內容生產為例，企業可以先處理資料整理、初稿生成、審核或發佈中的一個具體環節。範圍一旦確定，預算就要覆蓋這個環節真正運行所需的工作，包括資料整理、工具配置、員工使用、人工審核、結果記錄和問題處理。只購買AI賬號，並不等於完成了這個場景。

驗證時間也不必套用固定的“一個月”或“三個月”。它應當至少覆蓋一輪完整的業務過程，也就是從任務開始、結果產生到完成復盤的一次循環。雙方需要提前寫清驗收日期、採用哪些數據、由誰記錄，以及怎樣判斷項目是否達到目標。

![二次做AI落地，預算更緊該怎麼投](/static/img/insights/ai-adoption/fde102-3.jpg)

## 先驗證合作方式，再決定要不要長期合作

第二次選擇服務商，重點不在方案講得多完整，而在對方是否願意先接受有限範圍的驗證。

案例首先要經得起核實。服務商需要説明案例對應的企業、業務問題、實施過程和結果依據。只有“某企業效果顯著”這類籠統描述，卻説不清具體做了什麼，無法支持採購決定。

技術來源也要問明白。如果對方聲稱系統由自己全程研發，就要説明哪些部分確實屬於自研；如果使用了第三方模型，也就是調用其他公司提供的AI能力，則要説明持續費用怎樣計算、企業資料如何處理，以及外部服務發生變化後由誰負責。

驗證開始前，應當把目標、原始數據、記錄方法、驗收方式和未達標後的處理辦法寫進合同或驗收文件。結果沒有達到約定標準時，是繼續調整、結束合作，還是把前期費用轉為後續抵扣，都應在付款前説清楚。

有幾種情況需要格外謹慎：只交付一份演示文稿或一個賬號，就宣佈項目完成；效果承諾只停留在口頭；未經驗證便要求籤長期合同或支付全款；報價無法説明每筆費用對應什麼工作；案例只有結果口號，沒有能夠核實的過程資訊。

驗證的作用，是在投入更多預算以前回答一個實際問題：這套合作方式能否在企業的真實業務中運行。

![二次做AI落地，預算更緊該怎麼投](/static/img/insights/ai-adoption/fde102-4.jpg)

## 效果數字先查來源，再算到自己賬上

“30天見效”“訂單增長300%”一類數字，如果只是服務商自述，沒有第三方核驗，就不能當成行業平均水平，更不能直接作為另一家企業的投入預期。

行業研究中的數字同樣需要説明適用範圍。

Project NANDA在2025年發佈的《The GenAI Divide》審閲了300多個公開項目，訪談了52家機構的代表，並調查了153名高級管理者。報告顯示，超過80%的受訪機構已經探索或試用ChatGPT、Copilot等生成式AI工具。這類工具可以根據指令生成文字、代碼或分析結果。但在針對企業具體業務設計的試用項目中，約有5%進入日常業務併產生了可衡量的價值。

這份報告明確將相關內容標為初步研究結果，其中5%的結論主要來自訪談，並非企業按照統一標準提交的正式經營數據。因此，它不能被理解成所有企業都適用的固定成功率。

同一報告記錄，在52家受訪機構的自述中，與外部機構合作的項目約有67%進入部署階段，內部自建項目約為33%。這裏的“部署”，指項目已經從演示和測試進入真實工作環境。這組數據不能代表整個市場，也不能證明只要與外部機構合作，項目就一定會成功。

麥肯錫2025年的相關研究覆蓋105個國家，共收到1993份有效問卷。按照研究設定的標準，約6%的受訪者所代表的組織被歸入“AI高績效組織”，也就是已經通過AI應用獲得較高經營價值的一組企業。這是全球調研結果，不是大中華區獨立樣本，更不能解讀為“只有6%的中國企業做成了AI”。

這些數字只能提醒企業：工具試用很普遍，真正進入日常業務並獲得經營價值仍需要補齊資料、流程、人員和維護。它們不能替企業選擇服務商，也不能直接變成某個項目的驗收標準。

回本時間也要與驗證結果分開理解。德勤2025年對歐洲和中東地區1854名高級管理者的調查顯示，多數受訪者報告，一個典型AI應用需要兩到四年才能取得令人滿意的投資回報，只有6%的受訪者報告在一年內回本。投資回報指項目帶來的新增收益或成本節省，與全部投入相比是否已經產生足夠回報。這項調查受地區、樣本和業務類型限制，不能轉化成服務商對某家中國企業的承諾。

小範圍驗證可以較早檢查產量、耗時、成本或質量是否變化，但出現變化不等於企業已經收回全部投入。

面對任何效果數字，都應繼續追問：項目開始前的數據是多少，增長的是收入、訂單量還是內容產量，統計了多長時間，期間還有哪些投入，結果由誰計算，是否經過第三方核驗。只給倍數、不提供計算過程的數字，不應進入預算決策。

![二次做AI落地，預算更緊該怎麼投](/static/img/insights/ai-adoption/fde102-5.jpg)

## 服務商離開後，項目還要能夠運行

本文所説的“AI陪跑”，是服務商在工具部署、員工使用和效果復盤期間持續參與，同時幫助企業內部人員掌握操作與維護方法。它與一次性培訓的區別，不在課程多少，而在培訓之後有沒有真實任務、持續糾正和獨立運行。

項目交付時，企業應當拿到能夠繼續使用的資料。其中包括SOP文檔，也就是按步驟寫明如何完成工作的標準操作説明；還應包括系統配置和權限清單、培訓與操作記錄，以及企業自己的知識庫和內容風格庫。

知識庫是把產品、客戶、業務規則和案例等資料整理成AI可以調用的資料集合。內容風格庫則記錄企業在措辭、語氣、結構和審核方面的具體要求。它們決定了企業以後能否繼續使用和調整系統。

文檔齊全仍不等於交接完成。正式驗收前，可以讓企業內部人員獨立完成一次完整操作，服務商只負責觀察和糾正。如果內部團隊離開服務商就無法運行，企業購買的主要仍是代做服務，下一次還會產生相似的投入。

第二次做AI落地，預算安排的順序應當很清楚：先查明第一次為什麼沒成，再選定一個範圍有限但能夠完整交付的問題；先用真實數據完成驗證，再決定是否擴大合作；項目結束時，還要讓資料、操作方法和維護能力留在企業內部。

錢變少，不等於只需要尋找更低的報價。真正需要改變的，是每一筆投入都要對應一項可以驗收、可以核算、可以繼續使用的結果。

![二次做AI落地，預算更緊該怎麼投](/static/img/insights/ai-adoption/fde102-6.jpg)

## 常見問題

**Q1：第一次AI落地沒成，是否説明企業不適合使用AI？**

不能這樣判斷。一次失敗只能説明原來的項目沒有達到目標。企業仍需繼續區分，問題究竟出在資料、工作流程、人員安排、目標設定，還是工具本身。某一項業務暫時不適合使用AI，也不等於整家企業都不適合。

**Q2：服務商承諾“三個月保證見效”，可信嗎？**

先要求對方解釋“見效”具體指什麼，再確認原始數據、目標值、統計方法和驗收責任人。如果結果無法定義，數據無法記錄，這項保證就沒有實際的驗收意義。