企业AI支出需要一份运营方案

一条标注为“AI”的预算，并不等于一套战略。它往往更像是一种自白：管理层感到必须有所行动的压力，却对问题缺乏共识，只能寄望于采购部门能够花钱买来相关性。企业AI支出之所以在上升，是因为这项能力是真实的。但其中过多的部分，是作为“不想显得落后”的保险被花出去的。

这个区别很重要。保险型支出催生的是供应商林立、令人印象深刻的试点PPT，以及项目启动团队解散后无人认领的系统积压。而富有成效的支出，会在成本、周期时间、决策质量、营收或风险上带来可衡量的变化。技术本身或许相似，但运营纪律截然不同。

对创始人而言，这正是市场的矛盾所在。买家口口声声说AI是优先事项，却说不清要部署到哪个工作流、哪个记录系统、由哪位负责的高管主导，预算又该由谁来出。对投资人而言，这是一道尽调难题：一家公司可以汇报强劲的销售管道，但其所销售的，可能是一个尚未形成持续性购买行为的需求门类。

企业AI支出为何会走偏

第一个问题是：许多组织在定义“要完成什么工作”之前，就先为工具买了单。“我们需要一个AI副驾驶”不是一项工作，“让知识型工作自动化”也不是。这些说法描述的是一种抱负，而不是一个有输入、有用户、有决策、有失败模式、有经济后果的具体用例。

一份严肃的运营方案，应从一个受限的问题出发：哪项重复性活动因为昂贵、缓慢、易出错或限制营收，而足以值得改变？答案或许是理赔审核、方案撰写、客服分流、合规证据收集，或是数据质量修复。答案不应该是“让公司变得更智能”——这是没人愿意为某个具体数字负责时，人们才会说的话。

第二个问题是演示催眠。一个模型可以在受控环境中给出令人信服的答案，却在生产环境中失灵——因为权限管理混乱、源数据过时、工作流存在例外情况，或者用户根本无法判断答案何时出错。演示能证明某项能力存在，却不能证明集成、采纳、安全性、可靠性或单位经济效益。把两者等同视之，正是一次为期六周的评估最终沦为两年闲置软件遗物的原因。

第三个问题是预算碎片化。创新团队为实验买单，业务部门为单点工具买单，安全部门为治理叠加层买单，数据团队为基础设施买单。这些团体中没有一个真正拥有完整的结果。其结果是企业中常见的景象：若干份互相重叠的合同、没有一个达到生产级别的工作流，以及一个把这称为“进展”的指导委员会——因为那张幻灯片上的标识足够多。

此外，还存在一种让指标保持模糊的政治动机。“参与的员工数”和“节省的工时”听起来很有用，因为它们便于对外宣布。但如果节省的工时没有减少积压、提高吞吐量、降低成本、提升转化率，或改变某个实际决策的质量，那么这些指标就是薄弱的证据。活动类指标并非总是不诚实，它们往往只是在买家从未明确部署的经济目的时，所剩下的东西。

把钱花在工作流上，而不是花在品类焦虑上

正确的问题不是IT预算应该拿出多少比例投向AI，而是在哪一项具体投资上，能够产生经得起财务、安全和一线审视的成果。

从划定工作流边界开始。明确用户是谁、触发事件是什么、涉及哪些系统、产生怎样的决策或行动，以及系统失灵时由谁负责。然后建立基线。如果一个组织连该工作流当前的成本、耗时、错误率或营收影响都说不清楚，它在部署之后就无法令人信服地宣称创造了价值，只能汇报一些热情。

这个基线还应该暴露出约束条件。有些工作流并不适合生成式系统，哪怕演示效果很吸引人。容错率低、风险极高的决策，可能需要确定性的控制机制、人工复核，以及更窄的自动化范围。体量有限的任务，可能不足以覆盖集成成本。源数据存在缺陷的流程，可能需要先做数据修复，再谈让模型介入。AI并不能把运营上的混乱变成智能，它通常只会让混乱加速。

最具优势的用例往往具备三个特征：有意义的体量、可衡量的业务后果，以及一个能够容忍有限不确定性的工作流。最后这一点常常被忽视。问题的关键不在于模型是否完美，而在于错误能否被发现、被控制、被纠正，并被计入运营模型的成本之中。

这正是创始人应该对自己更严格的地方。如果一个产品的价值主张，依赖于让买家接受一个未经界定的模型误差量、一份无名的集成负担，以及一项未经验证的变革管理工作量，那么这个产品还未达到“企业级就绪”，它只是一个在寻找别人家实施团队的功能点。

每一位买家都应要求的运营方案

在批准大额企业AI支出之前，组织应该能够用简单明了的语言陈述这个方案：要改变什么、为谁改变、何时完成，以及对照哪个商业或运营指标来衡量。

业务负责人应该在供应商选定之前就被指定下来。这听起来是基本常识，但现实中并不常见。技术负责人可以牵头一次评估，但真正拥有部署决策权的，必须是其运营数字会因此发生变化的那位高管。没有这个人，整个项目就会变成一个披着业务外衣的技术项目。

实施计划同样需要同等程度的审视。要问清楚：需要哪些数据，数据存放在哪里，谁有权访问，需要与哪些现有系统集成，以及当输出结果不确定或出错时会发生什么。还要问，这个产品是否可以在生产环境中被观察，而不仅仅是被使用。如果没有人能够按工作流检视输出质量、用户行为、异常情况和成本，那么这个组织就是在以溢价购买不透明。

最后，在合同签署之前，先设定好止损条件。并非每个试点都应该被规模化。一个可信的试点应该有截止日期、成功门槛、生产负责人，以及一旦未达标就应终止的理由。企业格外擅长把悬而未决的实验一拖再拖，因为取消似乎意味着失败。而真正的失败，是任由沉没成本演变成战略本身。

投资人在尽调中应当分辨的事情

投资人在评估AI公司时，应当警惕那些“技术上真实、但运营上虚软”的营收。一次付费的概念验证，证明的只是有人出于好奇心且拥有可自由支配的预算，并不必然证明存在可重复的需求。更关键的问题是：该产品是否触达了真正的生产工作流？在高管的关注热度消退之后，使用是否仍然持续？扩张是否源于已被证实的价值，而非关系维护？

留存率需要比“标识数量”更多的上下文。这个产品是否嵌入到某个重复性流程之中？它是否有明确的预算负责人？客户之所以难以更换，是因为产品已在某个工作流中赢得了信任，还是仅仅因为客户还没空去清理？合同期限的长短，可以掩盖各种各样的犹豫不决。

技术尽调应当重点审视那些叙事最薄弱的环节：评估方法论、数据依赖关系、兜底行为、权限管理、实施负担、真实使用场景下的毛利率，以及维持系统可用所需的服务投入水平。其目的不是要求完美，而是分辨这家公司究竟是打造了一款产品，还是组装了一场关于“未来产品工作”的有说服力的演示。

一位能够对这些问题给出诚实答案的创始人，即便答案暴露了局限，依然值得投资。而一家把每一个局限都当作暂时性不便来对待的公司，往往还没有经历过它的第一次真正的部署考验。

少花钱在表演上，多花钱在学习上

有用的姿态，既不是不加分辨的热情，也不是刻意作态的怀疑。企业应当把资金投向那些运营方案清晰、下行风险有限、负责人拥有改变工作流权限的真实部署，并抵制在没人能说清“采用”究竟意味着什么之前，就贸然推行“全面采用AI”的宽泛指令。

对创始人而言，机会在于让认真的客户更容易完成购买。把基线、实施路径、评估计划和止损条件，一并纳入销售过程之中。这或许会拖慢一笔肤浅的交易——那很好。肤浅的交易会制造参考案例问题、交付债务，以及虚假的产品信号。

下一美元不应该花在证明“这个组织相信AI”上，而应该花在证明“某个具体的工作流如今确实实质性地变好了”上。唯有如此，深度技术才能成长为值得信赖、能够创造营收的基础设施，而不是又一套昂贵的企业信仰体系。

您的领导方式在哪里有效，又在哪里正在消耗公司？

这个博客讨论的多数问题，最终都回到创始人如何经营公司这一点上。藤架领导力诊断把它拆成六个维度共24道行为锚定题：约12分钟，即时出结果，自助版免费。

开始藤架领导力诊断 →

想了解兼职高管或顾问合作？预约探索性通话 →