当交流多了发现AI落地并不是那么简单的事，今天开一篇文章分析一下。

01

先说挑战

1、对技术的能力边界不清晰。

现在技术平权，不同于之前的机器学习技术使用门槛很高，现在基于大模型、agent的个人应用非常普及，豆包、DeepSeek、各种龙虾，个人非常容易上手。加上一些营销号的反复说，有一部分人认为技术已经很普及了。

但是，个人应用和企业应用差距非常大，尤其是财务共享中心业务量大、业务专业性强、业务质量要求高的组织。拿差旅订票举例，个人用agent各种授权能跑通，如果用到企业商旅，预算怎么控、审批怎么走、超标怎么办、权限怎么给、数据安全如何保障、系统接口怎么对，各种各样的挑战是个人应用场景里遇不到的。公司用，是一个组织，这个组织几千几万人，跟一个人用完全不同。

不是说技术能力不行，而是说，这些技术适配到企业里会非常复杂，要考虑的事情多。

2、可参考的企业场景落地少，需要共创。

现在大模型技术在企业内部的应用场景有但相比核算系统、共享系统还是非常少的。agent智能体宣传的多，但大部分都是假的。现在成熟的面向企业端的agent平台都没有太成熟，字节、阿里、京东都有自己的agent平台，这些平台从0到1也就1-2年的时间，企业落地到场景里更少。agent平台公司都还在摸索，企业级应用要正确认识，共创很重要，接受不断的尝试、坚持下去很重要。

3、对技术落地投入预期不够。

不是买了大模型技术、买了agent平台就能干活跑流程。还需要：

人力投入。要梳理需求，要做技术选型，要写产品需求文档，要试错，要准备训练数据，要调优和提示词，甚至要联系模型公司共同调整底层模型逻辑。这都是需要人做的事，不是说一句话模型就能帮我干活。

费用投入。大模型、agent平台采购要花钱，价格便宜的安全性、稳定性、持续运维能力有质疑；硬件要花钱，能跑得起来企业级模型的硬件都不便宜；训练数据有时候也要买的；长期运维的人力物力也要考虑的。有不少人问我，token都这么便宜了，你们智能审核为什么这么贵，唉，不想说话。我想到一个比喻：电费这么便宜5毛钱一度，为什么北京到上海高铁票要600多。

专业投入。对于财务这样的场景，底层模型对财务专业术语理解能力都比较差，需要财务同事先给一些专业数据去训练调整。即使底层模型理解能力够，也需要构建初始场景数据让模型去学习训练。大模型如同应届研究生，基础能力强，但是要到岗工作，还是需要岗前培训、老带新的。

4、对业务价值的预期不清楚。

有时候是高预期。豆包龙虾都这么好用了，搞一个风控智能体有什么难的，搞一个智能问数有什么难的。什么需要3-4个月？龙虾都这么成熟了还需要3-4个月，几天不就行了？

有时候是低预期。类似大模型识别、财务智能审核这些有成熟案例的，是可以做到替代人工审核，其实是不用一点一点尝试，或者做一半发票审核。

有时候是不知道到底要高预期还是低预期。技术落地价值不纯粹，考虑其他事情很多就容易纠结，纠结就不容易落地。

02

再说应对

1、花时间。一定要投入时间和精力认真的研究技术，研究落地案例。这些技术本身就是新的，不认真学习大概率是没有正确认识的。既然想干就要投入，有时候有人专门请我们过去讲方案讨论案例，但是时间又不留够，交流的时候电脑上还在聊别的事，这怎么行。

2、找对人。找真正干过这个事的人聊，找务实的人聊，找真实案例去聊。自己闷头研究不行，每天问DeepSeek和豆包也不行，得交流，共创。

3、自判断。构建自己的逻辑体系，自己判断这些技术、这些案例是不是能满足我们的需求。跟包治百病一样，现在的技术哪怕未来可见的技术，也不是都能解决所有问题。

4、敢尝试。不落地哪怕研究十年、写多少分析文章都没太大意义。真正让技术在业务场景里跑通、产生业务价值才是终极目标。找小场景试、小投入的试，试错了也不会出大问题，试成功了就赶紧推广，价值就能出来了。

5、找成熟产品。我依然相信，有成熟产品找成熟产品落地。大模型、agent这套技术，跟传统的信息化开发逻辑完全不同。传统系统是需求提出来，什么流程什么界面跑什么数据，需求和技术相互能容易理解。

但模型不一样，数据多、后台跑，只能输出结果，过程不知道。哪怕是财务智能审核，标准化的规则300条用代码写和3000条用规则库规则引擎跑，效率、效果都不一样。

前两天我们拿差旅规则举例，我们有差旅标准，但如果跟领导出差怎么办、会务组统一安排酒店超标怎么办、节假日怎么办、赶上广交会订不到酒店怎么办、临时去了另外一个城市出差怎么办、中间回了趟家怎么办、上午出行和下午出行补贴怎么算、有飞机餐和没飞机餐补贴怎么算。嗯，规则我讲清楚，你说怎么开发。

来源：财务管理研究