买了AI平台没人用，企业该怎么把项目救回来

昨天上午，我作为临时救火队员，参加了一场和一家大型集团企业的 AI 项目问题推进会。

这个项目的背景是这样的：

企业的 IT 部门购买了厂商的 AI 智能体平台，智能体也已经做了一批，有面向人事的、面向财务共享的，有 IT 服务助手，也有翻译、会议纪要这类工具型应用。

按理说已经做了不少东西了，但真正交付给客户的时候，客户却并不买账，原因也很简单：

平台有了，智能体也有了，但从领导感知上，却认为这个平台根本没用起来，甚至要叫停这个项目。

于是就把我叫过去，帮忙去重新梳理这个项目的全流程，推进解决客户困惑。

其实这类问题，不光是这一家企业会遇到，我见过很多 AI 项目的卡点，都在于项目推进到一半后，没人能说清楚用户是谁、会覆盖哪些场景、用户反馈如何、下一步计划是什么等等。

如果这些说不清，情况就会很尴尬，你会发现项目进展的如火如荼，但谁也说不清推到了哪里，距离目标还有多远。材料越来越多，但领导的疑问没有减少。智能体越做越多，使用效果却并不明确。

好在这次会议上，客户明确表达了当下要解决的问题和预期，我也赶忙制定了一套应急解决方案：

这篇文章我就想借着这次“救火”的经历，聊聊对这类问题，应该如何思考、可以有哪些解法。

一、站在企业IT负责人的角度，推广AI产品是很难的事

很多时候，外部看企业 AI 项目，会很容易低估 IT 负责人的处境。

你会觉得，既然平台买了，那就应该想办法推起来。既然做了那么多智能体，那就上线让大家用。既然业务部门有文档，那就让他们配合上传知识库。

但现实往往很残酷。

这次沟通里，我明显感受到，企业 IT 负责人夹在中间很难做。

上面有领导压力。领导会问他们：别的企业 AI 用得怎么样？我们应该有什么？为什么买了平台之后，没看到特别明显的使用效果？下一步到底还要不要继续投入？

因为从管理层视角看，AI 平台是一项企业投入。投入后当然要看到结果。

但问题是，很多结果并不是 IT 部门单独能交付的。

以知识库场景为例，知识是来源于业务方的，但驱动业务团队提交知识却是件很难的事。人事政策不归 IT 管、财务规则不归 IT 管。企业档案、制度发文、文化宣传、领导讲话的资料管理权，也不是 IT 。这些知识能不能公开，是否过期，答案是否准确，应该由谁确认，这些都不是技术问题。

IT 可以负责平台建设、系统实现，但没法替业务部门确认这些知识的准确性。

这就是很多企业 AI 项目的第一个现实约束：

平台通常由 IT 牵头采购，但 AI 真正落地需要业务来配合。

如果业务没有被正式拉进来，没有明确 owner，没有运营机制，最后就会开天窗。

二、方法论要匹配当前组织条件

一开始，我给客户的解决方案，是按照一个相对完整的企业知识库建设路径去讲的。

正常来说，企业要做知识问答智能体，该先明确知识范围，再盘点文档，做知识治理，设计知识库结构，准备评测集，然后再上线试点、持续运营。

这个路径本身没问题，但听完后，客户的 IT 负责人两手一摊：“你说的这个我都懂，但在我们这儿行不通，要是可以我早就这么搞了”。

很明显，这套方法论需要强业务配合，而他们现在不具备这个条件。

这个信号很重要。

如果企业已经有高层授权，有业务负责人，有知识管理员，有资料提供人，有答案确认人，有上线后的运营机制，那当然可以自顶向下做完整的知识治理。

但如果IT 部门只是临时接手一个已经启动的 AI 项目，业务部门并没有在前期被纳入协同，那这套方法论就是空中楼阁。

这时继续画一个很完整的知识库蓝图，反而没什么意义。更好的解决思路，是先找到项目还能往前推进的最小闭环。

三、最容易踩坑的一个需求：全员通用知识问答

在这类集团企业里，领导通常会很关注一个需求：能不能做一个全员通用的知识问答？

让新员工可以问公司历史。老员工可以查规章制度。大家都可以去问企业文化、发文背景、组织信息、领导讲话。它覆盖面大，也最容易被理解成“集团级 AI 入口”。

从落地角度看，这是个最容易被误判的需求之一。

因为全员通用知识问答看起来“通用”，实际背后的链路非常复杂。

制度有版本，有生效和失效状态。档案资料量很大，里面可能有大量敏感信息。档案系统里的归档方式，不等于知识问答里的分类方式。企业文化、发文、讲话材料，也需要有人确认哪些能用、哪些不能用。如果要定期更新，还涉及系统接口、数据同步、权限控制和更新机制。

更关键的是，通用知识看起来谁都能用，但往往没有一个明确的业务 owner。

这就很麻烦。

如果答案错了，谁负责？如果资料过期了，谁去更新？如果涉及敏感内容，谁能判断能不能回答？如果用户问的问题跨多个部门，谁来确认最终口径？

这些问题不解决，只说“把所有文档喂给 AI，它会自己学习”，是不现实的。

全员通用知识问答不是不能做，但不能靠“把资料都丢进去”来做。它需要知识来源、权限边界、更新机制、责任主体和评测标准。

否则，做出来的不是企业知识入口，而是一个很难解释风险的黑盒子。

四、项目要救回来，第一步是重新盘点

了解清楚这个项目的情况后，我的初步判断是：

这个项目是个推进到一半后，怎么重新收敛、评估、拿到领导信心的问题。

这时候的第一步，不是赶紧改智能体的Bug，而是先停下来做盘点。

盘点什么？

先把已有智能体分成三类。

第一类是业务问答类。

比如人事问答、财经共享问答、IT 服务助手。这类智能体的核心不是功能好不好用，而是有没有真实业务方、有没有真实用户、有没有数据、有没有反馈。

第二类是工具类。

比如翻译、会议纪要。这类应用不应该用知识库标准来评估，而要看用户入口是否清楚、使用流程是否顺畅、报错是否可解释、功能边界是否符合用户预期。

第三类是通用知识类。

比如制度、档案、企业文化、发文信息。这类要重点看数据源、权限、敏感信息、更新机制和责任归属。

归类这件事看起来简单，但却非常关键。

因为做任何 AI 项目，最怕的就是不同类型的东西被混在一起讨论，这样就会越聊越乱。实际上，业务问答的问题，可能是没有业务owner。工具类问题，可能是产品体验和用户引导没做好。通用知识的问题，可能是数据治理和权限机制没想清楚。

如果不分类，所有问题都会被笼统地归结为“AI 不好用”，但这句话没有任何解决价值。

五、要争取有高业务压力的场景

在这次沟通里，有个财务共享问答类智能体让我比较关注。

它不是功能最复杂的，但却有几个很重要的信号：

第一，它是业务方主动提出的明确需求。也说明业务部门确实遇到了问题。

第二，它服务的用户范围比较大。财务共享类场景，本身就会面对大量员工咨询。报销、流程、政策、单据、系统操作，这些问题如果长期靠人工回答，业务压力会很明显。

第三，它已经推给员工使用了。代表它至少已经进入了真实使用环节，能回收数据。

第四，它还有持续维护的迹象。业务方还会经常找技术同事处理问题，说明这个东西还在被使用、被反馈、被修。

这类场景，在我看来就是体现项目价值的高优场景。

因为企业 AI 落地最稀缺的，是真实需求、真实用户、业务认领，以及具备持续优化的可行性。

当然，这个财务共享场景也不是没有问题。

它真正遇到的难点，是知识边界不固定。

因为平时要向集团财务咨询的单位不同，每个单位政策不一样，一个公共共享问答智能体未必能服务所有单位。但如果每个单位都单独建一个，成本又太高。这时就要重新设计知识边界、权限范围和推广策略。

所以我判断这个智能体的定位，是当前最值得被打磨成标杆的案例。

因为它已经具备了比很多智能体更重要的基础：业务方有动力，用户有问题，使用有场景。

六、该砍则砍

项目救场时，有一个判断很重要：不是所有东西都应该救。

有些智能体做出来，是因为当时需要展示。有些智能体没有明确业务方，只是内部先搭了一个。有些工具类应用，功能本身可能没错，但用户引导很弱，领导一试就报错，于是直接被否定。还有些场景，看起来名字很大，但企业总部并不直接参与具体业务，做出来也没人真正使用。

这类智能体，如果继续投入，很可能只是把项目拖得更重。

尤其在项目已经被领导质疑的时候，最怕的是继续堆数量，而不去讲清质量。

这时应该做的是取舍：

哪些智能体已经有业务方，可以继续优化。哪些智能体有用户，但体验问题明显，需要补产品设计。哪些智能体没有 owner，需要先暂停。哪些场景本身不成立，应该砍掉。

救一个 AI 项目，不是把所有已经做过的东西都证明成“有价值”，而是把项目重新变清楚。

七、给领导汇报 AI 项目，关键是要帮他做决策

在项目会上，IT 负责人反复在强调一件事：

要尽快给领导做一次高质量汇报，拿到一个明确的结论。

这件事很关键。

汇报作为争取资源、体现成果、展示信心的一个重要环节，很容易被忽视。经常出现的情况是：汇报时讲了很多功能，讲了很多规划，讲了很多技术能力，但领导听完之后，还是不知道该怎么决策。

他要的不只是功能清单，而是想知道别的大型企业是怎么做的？我们应该有哪些场景？我们现在已经做了哪些？哪些有人用，哪些没人用？为什么没有用起来？哪些问题已经整改？哪些问题还需要业务支持？下一阶段到底是继续投入、暂停一部分，还是换一个推进方式？

这才是管理层需要的内容。

所以我给这类项目的建议是：

不要把汇报做成产品介绍，要把汇报做成决策材料。

产品介绍讲“我们有什么”。决策材料讲“我们在哪，现状如何，下一步怎么选”。

这两者完全不一样。

八、把项目从“功能推进”变成“决策推进”

如果一个企业买了 AI 平台之后，做了一批智能体，但没有真正用起来，我会建议先做五件事。

第一，盘资产。

现有智能体有哪些？知识库有哪些？工具能力有哪些？数据源在哪里？哪些已经上线，哪些还只是测试？

第二，盘使用。

谁在用？用多少？有没有后台数据？有没有报错记录？有没有典型失败案例？如果没人用，是不知道入口，还是没有需求，还是效果不好？

第三，盘责任。

每个智能体背后有没有业务 owner？谁负责知识更新？谁负责答案确认？谁负责上线后的反馈收集？

第四，盘价值。

哪些场景有真实业务压力？哪些场景只是展示型需求？哪些可以作为标杆？哪些应该暂停？

第五，盘决策。

下一步需要领导决定什么？是继续投资源，还是协调业务部门，还是允许项目阶段性收口？哪些事情 IT 能做，哪些必须业务参与？

这五件事做完，项目才算是“盘清楚”，也有助于和干系人对齐认知，推进下一步决策。

九、总结

现如今，AI技术在不断进化，每时每刻都会涌现新的解决方案，但真正在落地时，并不是谁都能意识到 AI 的价值和边界，这时候最优先要关注的，反而不是技术，而是项目本身：

目标要说清楚，场景要排序，业务责任要划分明确，已有成果要评估，领导预期要对齐。

企业 AI 落地不是把一个平台买回来，往里面不断塞智能体。它更像是一个组织协同项目：谁提出需求，谁提供知识，谁确认答案，谁推动使用，谁持续运营，这些都要有人参与，否则一定会被束之高阁。

所以当一个 AI 项目已经做到一半，却开始没人用、没人说得清、领导没信心的时候，最重要的是先把项目重新梳理清楚：

哪些已经有价值。哪些只是做了入口。哪些需要业务支持。哪些应该暂停。哪些可以作为下一阶段的标杆。

目标就是在复杂现实里，找到下一步最该走、也最能走通的路。

我是申悦，企业级AI解决方案顾问，长期参与知识库、智能体、行业方案设计与落地推进，服务过银行、制造、教育等行业客户。如果你所在的公司正在做企业 AI 方案、知识库、智能体或行业解决方案相关建设，也欢迎交流项目合作、方案共建，或更长期的角色可能。

回复“ 微信 ”，加我 个人微信