从智谱|Minimax上市说起：企业做AI，最容易出问题的反而不是技术

开年有话说|为什么我开始写这篇文章

过去一年，我几乎没有再更新公众号。

不是因为不想表达，而是想更集中完成“价值沉淀”这件事。我想沉淀的，不是那些网上的二手信息，而是真正走进企业、去判断、去陪伴他们做落地、解决真实问题。这比写文章更能让我保持对行业最敏锐的洞察。

但进入2026年后，有好几样东西让我觉得，也是时候该重新用写作把思考留下来了。

首先是因为最近的一些信号表示，AI行业开始进入了一个新阶段，大模型的参数竞赛开始降温，但商业化、资本化的进程却在加速推进； 而随着这个趋势带来的，是企业应用AI的节奏跟不上这个进程，并逐渐陷入迷茫。

去年我从客户那里听到最多的一句话就是：

“我们也在做AI，但总觉得太散，也不知道找的方向对不对，有没有用”

• 有的公司早就部署了模型，有的已经跑了好几个智能体试点，但半年过去，没人敢说这个项目到底算不算成功。

• 也有的企业投入不小，但业务部门只是“配合”，并没有真正用起来，最后项目悄无声息地被搁置。

根据我去年一年的观察，很多企业在落地AI的过程中，会重复犯一些判断性错误，而大多数情况下，只要一点点提前思考，就能避免掉进很大的误区； 再有就是很多企业高管乃至CEO、董事长，都开始要求内部必须全面拥抱AI，并把AI和内部的业务流程深度融合，但具体从哪儿下手、怎么判断路径对不对，却没人能说得清楚。

因此，我计划未来一段时间，会沿着这样一条主线来更新文章：

用真实的行业观察，结合我在企业项目中反复验证过的判断逻辑，来聊聊企业在推进AI的过程中最容易走的弯路，以及如何避免。

不追热点、不写教程，更不做技术研判，而是专注在怎么帮助企业做更稳、可持续的判断。

下面，就正式开始第一篇正文

为什么很多企业一开始就容易选错AI切入点

要说最近一周，行业里备受关注的事件之一，就属智谱和Minimax相继在港交所敲钟上市了。

从朋友圈大家分享的文章来看，关注点大多落在“融资、估值、国产大模型”这些词上。但如果换个角度看，你会发现一个更值得企业借鉴的地方：

这些公司并不是一上来就堆技术指标，而是在很早的时候，就不断在自己的定位、技术方向、场景覆盖与商业模式之间找到一个最优解。

而很多企业刚开始推进AI时，恰恰缺少这种判断顺序上的提前思考。

过去这一年，我接触过很多不同行业、不同规模的客户，有世界五百强的集团公司，也有垂直赛道的知名零售企业，还有很多大型国央企，但无论服务哪家客户，都会遇到这样的现象：

1. 先挑一个看起来很先进的平台或技术做试点

2. 先照搬别人做得好的场景，直接上线

3. 先买好工具，部署上几个知名大模型，再想怎么落地

表面上看，这些做法都是在积极推进AI落地，但本质上它们都有个共同点：它们都是先做了执行层面的事，再去判断业务的真实条件、组织准备和投入产出。

2025年初DeepSeek爆火的时候，这种心态尤为常见。很多老板会觉得，既然模型成本降下来了，部署门槛也低了，那就先上一套，要不就掉队了。于是很多项目在并没有想清楚的情况下就启动了。

但到了2026年，这种做法，反而成了最容易走弯路的地方。为什么这么说呢？

第一，真正重要的判断，技术从来不是第一优先级

当有人问我一个AI项目能不能做的时候，我大多数情况不会先回答技术可行性，而是反问对方这几个问题：

• 这个AI项目要解决的具体业务痛点是什么？

• 你怎么判断这个AI项目是不是成功？

• 现有的组织、数据和协作机制能支撑它真正落地并持续运行吗？

• 如果一开始的方向选错了，会带来怎样的资源浪费和后续阻力？

很多企业对AI的关注点，还停留在执行层面，他们更想知道该用哪个平台搭智能体、选哪家的AI工具、谁家的大模型更聪明。

但在我看来，更重要的是能不能回答清楚：在你现在这个阶段，最不该做的事是什么。

想清楚这个，往往比盲目上线更重要。

第二，真正能跑起来的项目，一定是业务拉动的

去年做的项目里，和我打交道最多的角色，就是企业的CIO、CTO。

有一次，一位技术负责人非常兴奋地跟我介绍他们的规划，他说的他的团队已经准备好要做一堆想做的产品了，而且都是有成熟解决方案的，比如智能客服、智能问答、智能问数等等。他特别兴奋地跟我说：

“这些技术我们都能做，基座大模型、研发团队、项目预算都准备好了。”

但当我问了他几个更基础的问题时，他愣了一下：

“你们为什么现在要做这件事？它解决的到底是哪个业务的痛点，如果解决了它能产生多大的价值？”

后来复盘发现，他们选的那些方向，确实看起来可落地，但并不是当前业务最急需的，而是大家听了几家供应商的方案，看了一些外界案例，又在会议室里讨论后得出的方向。

这种就是典型的“先干再想”式的推进方式，看起来效率很高，但实际上可能投入了大量资源，却没有给业务带来真正可衡量ROI的回报。

问题不在技术，而在一开始就不是业务主动提出来的。

第三，真正能产生价值的，是技术和商业场景的深度绑定

智谱和MiniMax这样的企业能上到资本市场，是因为它们在很早的时候就想清楚了：

• 哪些能力可以构建长期技术壁垒，

• 哪些场景具备可持续的商业价值，

• 哪些环节适合先小规模验证，哪些必须等技术成熟度和市场需求匹配。

在此基础上，逐步跑通合规、现金流和规模化能力，再加上行业周期红利和资本对模型商业化能力的认可，共同构成了上市的支撑条件。

事实上，资本对这类上市案例的关注，本质上是从重概念转向了看价值。他们不再仅仅关注技术指标，而是开始真正考量这些AI企业能不能把算法技术转化成持续的商业收益。

而这套逻辑，本质上和大多数企业推进AI项目是一样的：

如果一上来就把注意力全放在技术执行上，而没先想清楚投入后到底能给业务带来什么价值、怎么衡量ROI。那当你面对真正的“出资人”——老板或者管理层时，迟早会被问到同一个问题：这个项目，到底值不值得继续投？

我对企业推进AI的一个建议

在我参与的咨询项目中，那些最耗时、最烧钱、却效果不明显的案例，往往不是技术难度高的，而是判断顺序出了问题。

如果你也在推进AI项目，却总觉得哪里不太对；或者推动很久，也没个清晰的结果，不妨先停下来，认真回答这三个问题：

1. 这个方向是当前最值得做的业务场景吗？为什么？

2. 我们有没有评估好推进过程中的边界与风险？

3. 我们有没有量化出这个方向的成本和收益？

这些问题看起来简单，但却考验着你是不是真正理解AI和业务的边界。

回答清楚了这些问题，一定能让你的项目跑得更顺、更能拿到结果。

资本市场的热闹，终究会过去。

真正该留下来的，是那些能把技术转化为持续业务价值的能力。

如果企业在落地AI时，仍然按技术主导、先上再说的思路来推进，就可能错过真正的价值拐点。

接下来的几篇文章，我会继续拆解企业在推进AI时最容易出现的判断盲区，以及如何在早期就规避它们。

如果你现在正在推进某个AI项目，并且已经遇到了下面任何一种情况：

1. 项目做了，但不清楚成功标准；

2. 老板开始问ROI，但你很难给出一个明确指标范围；

3. 技术能实现，但业务并不真正买账。

那通常就不是执行力的问题，而是漏掉了前期要做的价值和场景判断流程。

如果你愿意，也可以把你现在最困惑的那一步写下来，我们一起拆一拆。

期待从评论区看到你的问题。

我是申悦，前互联网大厂产品人，现在是一名All in AI的企业AI转型咨询顾问。欢迎加我好友互相交流。

回复“ 微信 ”，加我 个人微信