企业想做 AI 落地，第一步应该先做什么？我把它拆成了 4 个可以按顺序做的工程动作
先说结论：**企业想做 AI 落地，第一步不是选模型、不是买工具，而是先诊断。**我把这套方法叫 先诊断，再落地。
这篇文章不讲趋势，只讲顺序。因为我见过的多数"AI 项目推不动"，最后追根溯源，都不是模型能力不够，而是顺序错了。
一、先把三类"推不动"的原因分清
在动手之前，值得先把问题归因清楚。我通常把它分成三类：
▸ 业务侧：目标是"提高效率"这类模糊表述，没有落到某一个流程、某一个岗位、某一个可核对的结果上。目标越泛，交付越容易变成功能演示。
▸ 数据侧：想法明确，但数据散落在表格、聊天记录、业务系统和个人电脑里，字段不统一、权限不清楚。没有可用数据，模型只能生成"看起来正确"的答案。
▸ 组织侧：推动的人觉得该做，中间层担心增加工作量，一线不知道怎么用。上线不等于流程改变，流程改变也不等于真的被使用。
这三类原因指向同一件事：先要有一个可验证的问题，再谈技术方案。
二、四个可以按顺序做的工程动作
动作一：把诉求翻译成一句可验证的问题
写成这样一句话，越具体越好：
我们希望在什么业务流程里，帮助什么人，减少什么重复工作，使用哪些现有数据，并在什么时间点检查结果。
这句话是整个项目的"输入契约"。写不出来，说明边界未定；写得出来，才值得进入下一步。
动作二：用五维给准备程度做一次体检
这里用我的实战评估框架 AI 应用成熟度五维。它不是行业认证，作用只是让技术、业务、管理三方在同一张图上对齐认知。
▸ 数据基础——相关数据是否存在、能否取得、能否核对。自测方式：随机抽一段业务记录，看不同人能否用同一口径得到同一结果。如果基础事实不可复现，先去补数据治理。
▸ 流程清晰度——输入、判断、输出、异常处理是否写得出来。注意：流程清晰不等于流程先进；边界清楚的多步流程，往往比"人人熟悉但无人能复现"的流程更适合先试。
▸ 组织接受度——谁使用、谁反馈、谁推动。关键判据是：使用者能否把它嵌进原有工作，而不是额外多开一张表、多上一个系统。
▸ 技术接口——账号权限、数据导入导出、接口能力、部署环境、安全要求。最容易误判的一点是"能演示 ≠ 能接入"：演示环境里复制粘贴能完成的动作，进入真实流程后可能还需要权限申请、字段映射、日志与异常处理。
▸ ROI 可验证性——比较什么时间段、观察哪些指标、由谁记录、哪些变化可归因。先把口径定下来，再谈收益。比起一开始承诺一个漂亮数字，我更看重"能被核对"。
动作三：让诊断留下三样产物
一次有用的诊断至少留下：
▸ 场景清单：场景 + 使用者 + 输入 + 输出 + 现有流程 + 主要障碍。 ▸ 优先级判断：为什么先做这个、不先做那个，依据是痛点、数据、流程、风险、验证周期，而不是谁的声音大。 ▸ 试点路线：第一个小场景拆成可执行阶段，明确参与人、检查点、继续条件与暂停条件。
动作四：接上一个共同的检查节奏
在具体项目里，我会把上面三步接到 90 天试点模型：前期完成诊断选场景，中段做小范围验证，再进入上线与复盘。
这里要强调一句：90 天是检查节奏，不是效果保证。它的价值在于让团队有共同的时间锚点，而不是承诺结果。
三、一个外部案例，说明"从对象和数据入手"是通用规律
【外部案例】上海家化把 6000 万行账单交给数字员工，覆盖 9 大部门、平均提效 4.5 倍（来源：腾讯云官方公众号，2026-08-27；另见羊城晚报·新快报，2026-08-31）。这是公开报道中的外部案例，不是我的客户案例，也不能推导出其他企业会得到同样结果。
它值得参考的地方只有一点：即使规模很大，起点也是明确的业务对象 + 可处理的数据。中小企业更应先缩小场景，先把数据、流程、使用者确认清楚，再谈扩大。
四、如果只记一句话
把"我们要做 AI"改写成动作一那句具体的话。
写不出来，先别选工具；写得出来，再用 AI 应用成熟度五维 检查准备程度；准备程度基本清楚后，再进入小范围试点。
如果你正在梳理企业 AI 场景，可以用关键词 AI诊断 做一次 30 分钟快诊，先把问题边界、场景和准备度讲清楚，再决定是否需要更深入的诊断。快诊是梳理入口，不承诺具体效果，也不替企业跳过内部决策。
先诊断，再落地——让每一笔投入都先回答"为什么做、从哪里开始、如何核对"。
唐欢（弯弯）｜企业AI落地顾问 让企业把 AI 真正用到业务里 弯弯的产业AI实战
