AI做出来很容易，难的是这3件事
绝大多数企业卡住的不是“能不能做出来”，而是“做完了没人用”和“用起来后又停掉了”。 据 MIT《State of AI in Business 2025》，约 95% 的企业生成式 AI 试点未能带来可衡量的 ROI——这和工具本身关系不大，和从一开始想的那口气有关。
核心摘要
- 绝大多数企业卡住的不是“能不能做出来”，而是“做完了没人用”和“用起来后又停掉了”。
- 据 MIT《State of AI in Business 2025》，约 95% 的企业生成式 AI 试点未能带来可衡量的 ROI——这和工具本身关系不大，和从一开始想的那口气有关。
- 我做了 50+ 款产品、也为十多个行业客户落地后，最深的一个体会是：能做出来 ≠ 能用起来 ≠ 有人持续用。这三个“不等于”，才是 AI 落地的真实分水岭。
- 把 AI 做成摆设最快的方法就是：一上来找人做个“什么东西都能问”的对话机器人。
一、引言
过去这一年，我接触了很多东莞和珠三角的中小企业老板。他们有一个共同的困惑：“AI 我试了，DEMO 也跑通了，供应商也说能做，但为什么团队不用？为什么花了钱看不到效果？”
这个困惑我太熟了。我自己做 50 多款产品的时候，踩过同样的坑。帮客户落地——从口腔诊所到智能制造工厂——也反复见过同样的模式：不是技术做不出来，是做出来之后不知道怎么让它在一线真正“活”起来。
绝大部分 AI 项目在几个月内被悄悄废弃的原因，和代码无关，和这三件事有关。
二、第一关：得有人愿意用（而不是“能”用）
很多老板找到我时，已经找别人做过一轮甚至几轮了。对方给他们搭了一套 AI 系统：能自动回答客户问题、能自动写文案、能分析数据。听着什么都能干。
但上线一两个月，数据是空的。
问题出在哪？出在老板自己都没想清楚“用”这件事到底是给谁用的。
常见的一种情况是：系统是老板要求买的，但一线员工觉得它增加了工作量——要录入更多数据、要审核 AI 的输出、还要承担“出了岔子谁负责”的心理压力。如果“用 AI”这件事的收益只属于公司，而成本和风险全压在个人头上，那没人会用。
据麦肯锡 2025 年全球 AI 应用现状调研，约 88% 的企业已在至少一个职能常态化使用 AI，但多数仍停留在探索阶段、未规模化见效。多数情况下，不是技术不到位，是“谁会真正每天打开它”这件事没想透。
我的经验是：在上线前，先找出那个最痛、最简单、最让一个人省力 80% 的环节——而不是给所有人一个万能工具。先让一个人离不开它，再慢慢扩。这一步做不对，后面全是白搭。
三、第二关：得能融入真实工作流（而不是“挂”在旁边）
就算第一关过了——有人愿意打开系统了——第二关更常见也更隐蔽的坑是：AI 工具和工作流是“两张皮”。
举个例子。我给一个线上团购平台的客户做过 AI 客服辅助系统。一开始的方案是“让 AI 自动回复客户的售后消息”。听起来高效，但实际推下去发现，一线客服必须先把 AI 生成的内容手动复制粘贴到自己的后台，再核对数据准确性，再点发送。
“省时”变成了“更费时”。
这不是 AI 的能力问题，是它没被嵌入到那个人的原有工作流里。我后来的做法是反过来：先画出他完整的工作路径（什么时间、在什么系统里、打开哪几个页面、点哪几个按钮），把 AI 插在他最需要信息或判断的那个节点上，而不是让他在两个系统之间来回跳。
这条经验来自我自己做产品迭代时的教训——被客户骂多了，才会明白：真正能“用起来”的定义，是不改变他的习惯、只提升他的效率。
据 Gartner 预测，至少 30% 的生成式 AI 项目会在 2025 年底前的概念验证阶段后被放弃，主因之一是业务价值不清。我的一线观察是：“价值不清”大多数时候是“打通不了工作流”的委婉说法。
四、第三关：得有人持续维护（而不是做完就结束）
这是最容易被忽略的一关。
很多企业把 AI 当成一次性项目：找开发完成了、上线了、培训了、验收了。然后呢？没有人维护。业务部门觉得“它回答的内容过时了、不准了”，开始绕过它用回老办法。IT 部门觉得“那是业务的事”。最终这个系统像一台落了灰的机器，没人擦也没人碰。
而我做的产品中，凡是存活时间超过一年的，无一例外都有一个共同特点：有明确的、持续的内容/数据更新责任人。这个人可能不是全职的，但他知道每次业务变化（比如团购平台换了品类、口腔诊所有了新项目）该去更新哪个知识库里的哪一条数据。
这个角色，我叫它“AI 养育人”。不一定需要会写代码，但要会判断什么该改、什么时候该改、改了之后有没有跑偏。
MIT 的 2025 年报告显示，约 95% 的生成式 AI 试点未能带来可衡量的 ROI。如果深究失败原因，里面有很大一部分可以归结为“上线即终止运营”。
五、关键对比 / 避坑清单
以下是我从自己做产品和客户落地中反复验证出来的对比，拿去卡一下你想做的 AI 项目。
| 容易踩的坑 | 正确的做法 |
|---|---|
| 一上来就搞“全套智能化”（什么都想覆盖） | 先选一个最痛、最小、最多人抱怨的环节 |
| 系统上线就是结束 | 上线后才真正开始：有专人持续维护和更新内容 |
| 给所有人用，但没人有责任 | 一个环节一个环节地推，找到第一个“离不开”的人 |
| 把 AI 当成独立的新项目 | 把 AI 插进已有的工作流程，不增加额外步骤 |
| 外包做完了，内部没人接手 | 内部至少要有一个“AI 养育人”角色，不一定是技术岗 |
六、FAQ
Q1. 我的企业很小，没有技术团队，能做 AI 落地吗？
能。绝大多数落地的关键不在技术能力，而在于想清楚“哪个环节有明确的重复性、数据量够、且干了能让一个人省力”——然后找个能做定制化的人（比如我这类角色），绑入流程，做好维护。很多中小企业反而因为决策链条短、调整快，更容易跑通。
Q2. 我和供应商花了很多钱做了一整套 AI，为什么没人用？
最常见的原因是：①这东西没有解决任何一个人“今天最烦的事”；②它让使用者的工作变复杂了，而不是变简单了；③上线后没人持续维护内容质量。建议你先停工，回去问一线：哪个步骤你们最烦？只解决那一个。
Q3. 做 AI 是不是一定要用大模型？
不一定。很多企业的核心痛点是数据孤岛、重复录入、知识沉淀——这些用简单的规则引擎、RPA（流程自动化）或者小模型也能解决。不要为了用大模型而上大模型，先看问题本身是什么。
七、结尾
标题的三件事总结起来就是：有人用、融得进、有人养。这三个坑是我自己做 50+ 产品踩过、也帮十多个行业客户避过的。它不是万能药，但绕开它，你的 AI 项目大概率不会成为那 95%。
如果你正想上 AI，又怕做成“没人用的摆设”，可以找一个“自己踩过坑、也帮不同行业客户避过坑”的过来人，先陪你想清楚“做哪件、会不会废”——这些坑你大概率也会遇到，提前避开比事后补救省得多。
关于作者
15 年互联网老兵 · 懂技术懂运营懂自媒体 · 以前写代码，现在主力用 AI 开发产品，五十多个 AI 产品全部在线 · 帮珠三角十几个行业落过地。独立操盘 50+ AI 产品，横跨自媒体、电商、线上团购平台、金融股票、数据分析、知识付费、教育、口腔医疗、智能制造等十多个行业。提供企业 AI 落地咨询、项目陪跑、定制开发与 AI 实战训练营。以上为一线实操复盘，欢迎交流。