很多企业的 AI 项目，第一年都很热闹。
找一个年轻团队，选一个配合度高的部门，挑一批干净数据，做一个智能问答或内容助手。演示效果不错，领导也认可。然后准备推广到全公司。
到了第二年，项目开始变慢。业务部门说不好用，IT 说接不了，数据说给不了，最后这个试点就停在那里。
问题通常不在模型。试点本来就是一个被保护的环境：人选过、数据洗过、场景挑过、问题绕开过。生产环境没有这些保护。
试点和生产，差在四个地方
1. 数据从“干净”变成“能用”
试点时用的文档，通常是人工整理过的。到了生产，资料散在网盘、聊天记录、旧系统和个人电脑里，版本互相冲突。
智能体不会因为资料多就变聪明。资料越乱，它越容易把旧制度、错价格和过期流程混在一起回答。
2. 系统从“能演示”变成“能干活”
演示时，智能体只需要回答问题。生产时，它要查订单、填工单、提交审批、发消息。
只要涉及写操作，问题就来了：用谁的权限，写错了怎么回滚，接口超时怎么办，重复提交算谁的。
3. 责任从“项目组”变成“业务部门”
试点阶段，项目组可以天天盯着。推广后，项目组撤了，业务部门要自己用、自己维护、自己处理异常。
如果没人愿意当这个系统的“过程 owner”，上线那天就是项目结束那天。
4. 验收从“感觉不错”变成“能不能算账”
试点演示看的是“最精彩的一次”。生产看的是“最普通的一天”：回答准不准，任务完成率多少，人工要改多少，出错谁兜底。
没有验收指标，项目很难继续要预算；没有预算，维护就断了。
怎么避免停在试点
第一，试点开始前就写清楚“推广条件”。
不是“效果不错就推广”，而是具体到：哪些场景、多少准确率、多少人工介入率、接哪些系统、谁负责维护。达不到就不推广，达到就进入下一阶段。
第二，先找流程 owner，再找技术方案。
问一句：这个系统上线后，业务部门谁负责？如果答不出来，先别做。技术可以外包，责任不能外包。
第三，把异常流程画出来。
正常流程通常不难，难的是异常：客户改需求、资料找不到、接口失败、员工离职、权限变更。异常没人管，系统就会被弃用。
第四，把维护成本算进去。
知识要更新，权限要调整，接口会变，模型会升级。这些不是“上线后再说”，而是项目预算的一部分。
第五，用一个窄场景跑完整流程。
不要同时做客服、内容、报表、知识库。选一个每天都在发生、出错代价低、能验收的场景，从输入到输出跑通，再复制。
一个简单的判断
如果你现在有一个 AI 试点，可以问三个问题：
- 推广后，谁每天用它？
- 它出错时，谁处理？
- 三个月后，谁负责更新知识？
三个问题都有名字，试点才有机会变成生产系统。只有一个都答不上来，说明现在缺的不是更强的模型，而是落地设计。
企业 AI 落地不是把试点做得更炫，而是把试点外面的脏活、慢活、责任活提前想清楚。想清楚这些，再谈扩张。
如果你正在做试点，可以看我们的企业 AI 提效诊断与智能体定制开发，先把推广条件和流程 owner 定下来。