企业上 AI 智能体
钱多半亏在这 9 个坑里
MIT 的报告说，95% 的生成式 AI 试点没能在损益表上产生回报。我们把公开信源里的失败复盘翻了个遍，发现死因高度重合——不是模型不够强，是方法和顺序错了。
未产生损益表回报MIT《State of AI in Business 2025》
没有量化业务指标公开失败复盘统计
而不是模型选错企业知识治理相关复盘
硬套行业场景行业落地分析
按发生频率从高到低排
每一条都配了公开案例里的原话或数据，以及正确的做法。你可以拿它对照自己的项目，一条条打钩。
先买工具，再找用途
因为热点或同行案例去采购大模型、AI 工具，却没说清要解决什么业务问题。立项逻辑倒置——以技术为起点反过来找场景，这是最贵的错误。
没有可量化的验收标准
"响应更快""效率提升"这类模糊目标无法验收，也就无法核算价值。项目做完没人说得清到底值不值，第二年自然不会再投。
知识库没建好就急着上线
这是最被低估的一条。文档散落在网盘、OA、邮件和聊天记录里，格式五花八门，还没有更新机制——模型再强也答不准。
用通用模型硬套行业场景
通用模型懂大众常识，不懂你行业的业务规则、合规边界和审批流程。强行套用，回答听着像那么回事，业务上不能用。
追求大而全，"什么都能做"
一上来就想做一个全能助手，覆盖十几个场景。结果每个场景都做到 60 分，没有一个能真正替人干活。
只算技术账，不算隐性成本
报价单上只有软件和模型，真正吃掉预算的是数据治理、场景适配、人才培养、系统集成这四块。
只让模型"想"，不让它"动手"
纯大模型能思考但操作不了你的本地软件和业务系统；传统自动化脚本能干活却缺乏环境适应性。这种"脑手分离"是深水区项目失败的关键。
员工不会用、不想用
系统上线，使用率极低。不是功能不好，而是员工不知道该怎么提"好问题"，也不清楚智能体的能力边界，干脆觉得不如自己搜。
上线即弃用，结果无法复用
没有效果度量、没有 badcase 回流，用两周就没人碰了。更隐蔽的是：跑成功的经验不会沉淀成组织能力——这不是换更强的模型能解决的，是架构问题。
你的项目，踩了几个坑？
勾选下面所有符合你现状的描述。勾得越多，风险越高。结果只在本机计算，不上传。
与其自己试错，不如先花 199 元看清楚
我们把"六步交付"的第一步单独拿出来，做成了一个便宜到可以随手买的产品：AI 场景诊断。给你一份可执行的场景清单、ROI 测算和落地路径——而且这笔钱可以全额抵扣后续项目款。