看过不少“效果很好”的 AI 项目,最后没有进产线。原因通常不是模型不够强,而是三件事没准备好:数据、责任、节拍。这三件事都不在技术方案里,却决定了方案能不能活过试用期。
一、数据可追溯
产线上的每一个判断,事后都要能解释。模型给出一个建议,采购为什么采信?质检为什么放行?如果出了问题,要能回到当时输入了什么、模型输出了什么、人改了什么。
很多试点项目用的是导出的表格、截图、聊天记录,跑起来效果不错,但一旦要求“可追溯”,整条链路就得重做。可追溯不是加个日志那么简单,它要求输入有版本、处理有记录、输出有签收。
一个简单的判断方法:如果明天有人来问“上周三这个单子为什么这么判”,你能不能在不找当事人的情况下答出来。答不出来,就还没到能上产线的程度。
二、责任可归属
演示时可以模糊地说“AI 辅助”,生产环境里必须说清谁负责。模型建议错了,是使用的人担责,还是部署的部门担责,还是供应商担责?
这个问题不解决,一线就会用脚投票:要么不用,要么用了也不签字。很多系统上线后使用率极低,不是不好用,是没人愿意为它的错误负责。
实务上的做法通常是把 AI 放在“建议”位置,把决定权留在岗位上,同时明确留痕规则:谁改的、为什么改、改完谁复核。听上去很笨,但它让系统能长期存在。
三、节拍可嵌入
工厂按节拍组织生产,办公室按流程节点组织工作。AI 如果不能在现有的节拍里完成,它就会被绕开。
我见过一个文档审核工具,单次处理要四十秒,准确率很高。但业务节点要求三分钟内完成十几个文件的初审,这个工具就被放进了“有空再用”的清单。后来把任务拆成异步队列、先给粗筛结果,才真正被用起来。
判断方法也很朴素:把 AI 的处理时间放进现有流程的时间轴里,看它卡在哪个节点。卡住了,不是优化提示词能解决的,要改的是流程设计。
三件事的顺序
顺序不能反。先解决数据可追溯,才有资格谈责任归属;责任清楚了,才敢把它嵌进节拍。反过来做,通常是先上系统,再补日志,最后发现没人签字,项目停在那里。
AI 项目的失败很少发生在模型层,多数发生在模型之外的三个接口:数据、责任、流程。
这也解释了为什么“新质生产力”在政策文本里总强调要素配置,而不只是技术本身。技术只是其中一项,另外两项是组织和流程。少一项,生产力就提不上去。