AI项目为什么卡在试点？
哈佛商业评论 · 商业与创投
原创 梁桂 2026-09-05 08:00 北京 从模型可用到价值兑现，企业要跨过八道门槛 很多企业的 AI 试点都走不到正式落地，甚至直接半途搁置。问题往往出在试点和真实业务落地的两套标准上：试点只需跑出结果，真实落地却要解决审批、流程接入、风险关停、权责划分等现实问题。作者基于对国家管网智能调控等案例的调研提出，一个项目能否从试点走向生产，取决于它是否连续满足"八元适配"——归为价值、生产、经营三个层次。任何一项断裂，前面做得再漂亮也到不了终点。真正稀缺的能力，是企业既敢关掉不该上线的试点，也能把少数值得做的项目送进真实流程，产出可核验的经营结果。 一条没人敢执行的指令 一套人工智能系统给出了一条操作建议，数据齐全，逻辑完整。技术团队认为模型已经达标，现场负责人却不肯按下执行键。他问了三个问题：如果算错了，谁先发现？如果第一步执行后情况变了，谁能叫停？如果造成损失，最后谁负责？ 这三个问题没有一个是在问模型参数，却决定了系统能不能投入生产。 在国家管网 “ 北气南下 ” 能源大通道的智能调控项目中，存在类似的情形。系统已经能够生成设备调节方案，并把方案转化为控制指令。可越接近生产，现场越关心两个现实问题：一是有些指令缺少直接下发的设备条件或控制权限；二是第一步执行后工况一旦改变，系统能否立即停下来。 于是，项目组给控制数据增加了 “ 是否可控 ” 标识。没有通过权限、设备状态和运行边界校验的指令，只读展示或转人工处理；可以执行的方案也改为逐步确认、逐条下发，每一步之前重新校验，调度员可以随时终止后续动作。测点跳变、报警限值缺失和状态不同步等问题，则通过历史回放、接口治理和人工确认逐项解决。 这些改动不如模型升级醒目，却把一套会给答案的系统，变成了一套组织敢于使用的系统。试点关心能不能算出答案；生产还要回答谁批准、怎样进入流程、错了如何停止，以及谁为结果负责。 这不是能源行业的特殊烦恼。 S&P Global 的调查显示，受访组织平均有 46% 的概念验证项目在广泛采用前被取消；放弃大多数人工智能举措的组织占比，也从 17% 升至 42% 。 取消试点本身并不可怕。危险在于企业不断投入资金、数据和管理注意力，却没有一套标准判断：哪些项目值得进入生产，哪些项目应该及时停止。 试点和生产，测的不是同一件事 概念验证通常发生在一个受到保护的环境里：数据经过整理，异常被提前筛掉，用户愿意配合，成本由创新预算吸收。生产环境恰好相反。数据会变化，权限有边界，流程有惯性，员工有考核，停机要付代价，错误还可能传导到客户、资产和财务结果。模型在前一种环境中表现出色，并不意味着它能在后一种环境里稳定创造价值。 这也解释了一个看似反常的现象： 模型越强，项目未必越接近生产。 模型能力快速提高，而权限设计、流程改造和风险控制没有同步跟上时，系统能做的事情越多，组织不敢让它做的事情也越多。继续优化模型或许能让演示更精彩，生产的确定性却没有增加。 企业因此需要换一种问法。除了模型是否可用，还要追问八个条件：市场需求是否真实，任务是否适合交给人工智能，数据能否持续获得，模型能否承受边界场景，工作流是否随之改变，组织是否愿意信任并追责，完整成本算进去后是否仍有回报，到了第二个现场能否复制。这组条件可以被概括为 “ 八元适配 ” 。 八项适配分属三个层次。 第一层，市场与任务，决定价值能否成立；第二层，数据、模型、工作流与信任，决定生产能否成立；第三层，单位经济与平台生态，决定经营能否成立 。它们更像一条串联电路，而非八张可以取平均分的考卷。市场热度会让人忽略任务不适配，优异的模型指标会让人看不到数据不可持续，试点用户的好评也可能隐藏流程和责任缺位。任何一处断开，价值就到不了生产端。 把八项适配嵌入一条生产链 国家管网项目首先解决的是价值问题。项目没有从 “ 建设一个大模型 ” 出发，而是瞄准两个具体业务结果：提高全国天然气供需预测与资源协调能力，以及在安全关键管网中为调度员提供辅助决策。前者服务月度运行分析、冬夏保供和缺口判断；后者生成候选方案，但最终执行权仍由调度员掌握。任务边界越清楚，越容易判断模型应该做什么，也越容易发现它不该做什么。 根据调研，截至 2025 年 6 月，全国天然气中长期合同归集系统已汇集近 3000 家企业、近 7 万条合同和 6 万余条运行数据；消费需求和管输供应预测准确率分别达到 96% 和 97% ，并持续支持保供日报。 这些数字的意义不只在于预测更准，更在于预测结果已经进入分析、协调和保供流程，成为日常业务的一部分。 生产成立，需要把数据、模型、工作流和责任连起来。 管网运行数据覆盖近 6 万公里管网和近 70 万实时测点。测点会跳变，设备映射会调整，现场状态也会变化。 “ 数据准备好 ” 不能理解为上线前的一次清洗；企