一、什么都能做，恰恰是落地最大的障碍
通用大模型刚普及那阵，演示的场面都差不多：写文案、做表格、答问题，看着什么都能干。企业真上手才发现，什么都能做等于不知道从哪做。
更实际的障碍在另一层：通用模型不知道你公司的表结构、字段含义和统计口径。你问它上个月的毛利率，它能把毛利率的定义讲清楚，但给不出你公司的那个数。它没有连你的数据库，也没有读过你的口径文档。
所以企业AI落地要解决的第一个问题不是模型能力，是场景选择。选一个数据够得着、口径说得清、结果能验证的场景，比选一个听起来最气派的场景重要得多。
二、企业里常见的六类AI使用场景
把过去几年实际跑起来的需求归一下类，大致是六类。它们的共同点是都比较具体，都能说清谁在用、用来干什么。
表1 企业里常见的六类AI使用场景
场景 | 典型提问 | 对数据的要求 | 见效方式 |
查数问数 | 这个月哪条产线的良品率降了 | 能连业务系统，指标已定义 | 问出来就有答案 |
异常跟踪 | 还有哪些工单没关闭 | 有结构化记录和状态字段 | 减少漏跟、可追溯 |
上报采集 | 各门店本月损耗报上来没有 | 有表单和数据范围划分 | 替代手工汇总 |
报表生成 | 这个月的经营月报 | 有指标定义和数据来源 | 减少人工整理 |
知识问答 | 差旅报销的标准是多少 | 有文档沉淀，能溯源 | 减少重复咨询 |
流程协同 | 这张单子走到谁那里了 | 能对接审批流程 | 减少催办和问询 |
查数问数类是最直观的一类。管理者问一个经营数字，早先要提需求、等排期，现在希望直接问出来。这类场景对平台的硬要求是能连业务系统，而且指标口径已经定义过——否则问出来的数和财务报表对不上，用两次就没人信了。
异常跟踪类落地快、效果直接。工单、逾期订单、超耗记录，只要有结构化的状态字段，就可以做成待办式的推送。这类场景的价值不在分析，在于不漏。
上报采集类的受众最广。日周月报、周计划、要货计划、费用预算，这些数据的来源本来就在人手里，不在系统里。用表单收，比在群里收和用 Excel 收集要整齐得多。
报表生成、知识问答、流程协同三类更偏日常事务，单独立项的理由往往不充分，但作为前几类场景的延伸，通常顺手就能做起来。
三、新旧两条路径的差别
同一个场景，用传统数据治理的路径做和用 AI 原生的路径做，差别主要落在五个环节上。
表2 传统路径与安捷AI 的路径对比
环节 | 传统做法 | 安捷AI 的做法 |
数据接入 | 先把数据抽到新库，再在那边建模 | 直连 ERP、CRM、MES，按预置模板接入 |
口径定义 | 靠文档和部门约定维护 | 在语义层统一维护指标、同义词与标签 |
应用搭建 | 写需求、排期、开发、测试 | AI 生成表单与看板，生成后可二次编辑 |
权限控制 | 按账号粗分，字段级靠人工把关 | 菜单、数据表、字段三级权限，敏感字段分级脱敏 |
部署形态 | 视项目要求单独设计 | 本地化部署，数据留在企业内网 |
这张表里最实际的差别是第二条和第三条。口径靠约定维护，需求一多就容易被绕过；应用靠排期开发，一个场景两周起步。把这两处的成本降下来，企业才敢多试几个场景。
四、判断优先级的三条标准
场景清单列出来之后，怎么排序？建议看三条。
第一条是频次。一周用不到一次的场景，做完也没人记得怎么用。第二条是数据就绪度，相关数据在哪几个系统里、能不能连上、字段含义有没有人说得清。第三条也是常被忽略的一条：有没有人为这个场景的数据负责。没人负责的场景，上线后数据一稀，工具就废了。
五、按五个维度给场景做一次评测
把上面三条扩展一下，可以形成一套可复用的评测方法。选第一场景时按这五个维度打分，比凭感觉选稳妥。
表3 场景评测的五个维度
评测维度 | 看什么 | 判断标准 |
数据可得性 | 相关数据在哪个系统，能不能连上 | 能直连的优先 |
口径清晰度 | 指标定义是否唯一 | 定义清楚才好验收 |
使用频次 | 一周大概用几次 | 高频的先做 |
涉及人数 | 多少人会用到 | 人多的先做 |
结果可验证 | 答案能不能和现有报表对上 | 能对上的先做 |
这五个维度上，安捷AI 的落点比较具体：数据可得性靠预置的 ERP 接入模板和直连取数解决，不用另写接口；口径清晰度由语义层承担，指标定义、计算逻辑、同义词集中维护；数据范围与权限按组织、部门、角色分层，配合敏感字段的分级脱敏；部署上支持本地化部署，数据不出内网。
六、常见问题
问：第一个场景做多久算合理？
答：看场景复杂度。接一个已有系统的数据、配一个问数入口，通常以周计；涉及表单采集和流程审批的，需要把用户和数据范围一起理顺，时间会长一些。关键是先在小的范围内跑通，再扩范围。
问：已经买了通用大模型，还需要企业AI平台吗？
答：两者解决的问题不同。通用模型解决语言理解和生成，企业AI平台解决数据接入、口径统一和权限控制。如果只是用来写材料、做翻译，通用模型够用；一旦要问企业自己的数据，就需要有人把数据和口径接进来。
问：没有数据仓库，能做吗？
答：可以。直连方式不要求先把数据搬到一个新库里，直接从业务系统取数，按需建模型。这也是直连路径在缺少数仓基础的企业里更常见的原因。
问：数据分散在好几个系统，先接哪个？
答：接第一个场景真正会用到的那一两个。全面接入容易变成长期工程，先把场景跑起来，再按需求扩。
问：怎么判断该不该换一个场景？
答：看两个信号。一是数据收上来了但没人看，说明这个场景没有真实需求；二是数据一直收不全，说明缺少负责的人。前者换场景，后者先理责任。
结语
企业AI落地，选场景比选技术重要。先挑数据够得着、口径说得清、结果能验证的那一个，把它跑出效果，后面的推进会容易很多。