本文把"从想做到真上线"这条路上的几个关卡讲清楚。每一关，卡在什么、怎么判断过没过，都写明白。
一、关卡一：先回答"到底要解决什么问题"
多数项目失败，不是技术不行，是关卡一就没过，说不清到底要解决什么。
常见的立项理由是"我们要上AI""别人都在上"。这种理由撑不起一个项目。真正能落地的立项，是把问题收到一个具体、可验证的范围里。
怎么判断这一关过了没：
能一句话说出"这件事不做，会有什么损失"。比如"财务每个月月底要花三天对口径"，而不是"提升智能化水平"。
能指出问题发生在哪个环节、涉及哪几个部门、现在靠什么在扛。
能给出一个不依赖技术词汇的表达。如果立项书里全是"大模型""智能体""语义层"，但说不清谁在用、用在哪，这一关还没过。
这一关的意义在于：后面所有选型、试点、推广，都要回到"当初要解决的问题"上对齐。问题不清，后面每一关都会放大偏差。
二、关卡二：数据到底进不进得来
问题定义清楚后，紧接着是较容易被低估的一关，数据。
AI平台不是凭空产生答案的，它要先读到企业的数据。而企业的数据，恰恰分散在ERP、财务、CRM、各种Excel里。这一关要过的是三件事：
1.能不能接。主流ERP有没有现成的对接方式，还是每一张表都要单独写接口。
2.接进来干不干净。同一个"收入"，财务口径和销售口径是不是一回事。接进来是乱的，AI说出来的数就是乱的。
3.谁授权看什么。数据进来之后，权限边界怎么划。谁能问、能问哪个范围的数据，这关不画清，上线就是安全风险。
很多企业在这一关花了预期之外的时间。真正该提前做的，是先把"要用的那几块数据"圈出来，而不是一上来就想接全。
三、关卡三：小范围能不能跑通
数据通了，别急着全公司铺开。先找一个真实的、边界清晰的小场景，跑通一次。
判断标准不是"演示好不好看"，而是：
能不能用真实数据，而不是演示数据，给出一个准确的答案。
业务的人愿不愿意自己来问，而不是每次都要IT在旁边翻译。
出了错，能不能追溯到是哪一步错的，是数据没更新，还是口径理解错了。
小场景跑通的价值，是提前把"演示和真实之间的差距"暴露出来。这个差距越晚暴露，代价越大。
四、关卡四：怎么让业务真正用起来
系统上线不等于有人用。这一关才是决定项目能不能收回成本的关。
能留下来的平台，通常做到三件事：
降低了"问一个数"的门槛。业务不用先学会写查询，用日常的语言就能问。
答案可追溯。给出的每个结论，都能点到"数据从哪来、怎么算的"，而不是一个黑箱。
和现有工作流接上。比如结果能推到钉钉、企微，而不是要业务主动打开一个独立系统去查。
如果上线三个月后，只有IT和当初试点那几个人在用，说明前三关里某关没做扎实，要回头找。
小结
企业AI平台不是"上一个系统"，是过四关：把问题说清、把数据接稳、把小场景跑通、把业务用起来。四关之间有先后，前一关没扎实，后一关就会放大问题。
判断一个项目靠不靠谱，更省事的办法是看它有没有耐心先过前两道关卡。急着"一步到位全上线"的，多半会在关卡三或关卡四翻车。
常见问题
Q：小企业没有专门的数据团队，这四关还能走吗？
A：能。关卡一和关卡二反而更适合小企业做，范围小、数据量少、问题集中，更容易说清。关键是别跳过，直接奔着"上系统"去。
Q：四关里哪一关较容易拖垮项目？
A：普遍是关卡二"数据"。它不太显眼，但很花时间。问题定义错了还能改，数据接不进来或接进来是乱的，后面全白搭。
Q：小场景跑通之后，就能全公司铺开了吗？
A：不建议一步到位。先在一个部门或一个业务线上跑顺，再复制到下一个。铺开的速度，取决于前面小场景里踩过的坑有没有沉淀成可复用的经验。