这两年，随着大语言模型的流行和普及，AI技术得到了快速的发展。很多企业在数字化转型中也看到了AI技术成长带来的机会。

人们开始关注，如何让企业数字化项目中，引入更多AI的元素，把数字化项目的应用效果带上一个更高的“层次”。

然而实践过程中我们看到，AI技术为企业降本增效，业务赋能，依然面临阻力重重。

“平台基本可以完成数据的查看和管理功能，但是每次数据表的生成都需要人工获取，效率太低下了...”

“我们希望项目中能够引入大模型技术，但是好像技术应用效果并不理想...”

值得注意的是，在各个产业的数字化总体进程中，数字技术的引入都是有步骤的，而AI则几乎在“最后一棒”。

第一步是连接，企业要先连接线上和线下，然后连接线上不同系统，完成场景和领域的融合，把“信息流”和“业务流”对其贯通。

第二步是数据，从拥有数据，到数据可用，这中间有很长的路要走。数据治理往往是几年甚至十几年的大工程，这包含对业务理解的统一和数据标准的统一。

第三步是自动，也就是所谓的“智能化”。在流程塑造完成标准化，同时数据准确的基础之上，才能够开始考虑机器代替人的事情。

所以说，当下已经开始AI规模化应用的企业，一定是在“转型”浪潮中的先锋企业。

如果没有好的信息化设施基础，不能拥有优质的“数据语料”，AI技术是很难达到预期效果。

AI在产业中的应用对“环境”的要求总是十分苛刻。

如果说学术界AI技术已经发展到了80分，那么产业界AI技术的应用只达到20分。

很多“该”引入AI的场景仍然没有很好的实践案例出现，理论上都行得通，但是就是玩儿不起来，好的“AI创意”想法永远停留在“咨询层面”。

“每次和客户聊到AI话题都很激动，感觉机会一大把，但是就是落不了地，也不知道抓手在哪儿...” 不少数字化厂商这样抱怨道。

那么，究竟如何才能让客户为AI技术买单呢？

首先是要选对客户。很多企业客户的数字化基础和认知，还不到“欣然采纳”AI技术的发展阶段。

这些企业宁愿多铺垫一些人力，也不想引入不确定的技术因素打乱原有的传统业务流程节奏。

AI技术的确能够带来减负效益，但前提是人要“会用”，并且觉得自己确实需要，如果现有的业务流程无法很好地和AI技术兼容，那么这个变革风险是客户不想承担的。

其次，是要让企业客户看到AI的业务价值潜力，而影响AI性能发挥的关键因素，就是企业客户的数据质量基础。

如果企业当前阶段还是出于“数据治理”的泥潭中，AI也很难发挥出杠杆效应。不管是模型的训练还是业务预测，都依赖于实时、准确的数据源。除非AI用于加速提效数据治理的过程本身。

此外，要认识到AI技术的局限性。即使当前大语言模型等AGI技术发展很快，但是很多业务活动的复杂度极大，即便是研发最先进AI技术的工程师，也难以克服所有技术细节难题。

任务的标准化程度决定AI技术的应用潜力，例如语音识别、图像识别、智能翻译、自动控制这些相对标准化规范化的产业活动更容易被替代。

相比之下，设计类、创意类、分析类、预测类任务，在AI产业化的过程中，面临的实践瓶颈更大。

但如果这些任务能够通过过程拆分或基于特定的前置条件进一步收敛，落地的可能性则会显著增加。

与其吹嘘AI可以自动化一切的技术愿景，不如切准一些更加落地、更加具体的功能点，让企业更有获得感。

数字化也好，AI也好，终究还是要深耕于业务，不能脱离实际，闭门造车。

只有真实的场景和真实的数据，才能让AI技术回归本质价值，推动数字化向数智化的加速变革。