面对企业大规模推进AI试点、却迟迟难以在业务端验证成效的现象，业内近来给出了多种解释。

AI代理公司Varick现场工程团队负责人Daniel Conner近日在社交平台X发文称，很多人习惯把试点失败归因于数据、模型，或笼统归结为变更管理不到位，但这些往往并不是根本原因。

据介绍，Varick主要面向年营收超过10亿美元的大型企业，提供从AI战略、业务重构到代理搭建和运营支持等服务。

Daniel Conner总结了企业AI试点失败的7个常见原因，而其中并不包括“模型选型”。

第一，试点范围只依据标准操作流程（SOP）来划定，却没有基于真实作业情况梳理流程图。

他以“将新合作方录入公司系统”为例称，按照操作手册，这项工作5天即可完成，但现实中往往要花22天。

Daniel Conner表示，实际执行过程中经常会出现资料缺失、收款账户信息格式不统一等情况；每10家合作方中，约有1家其实是已注册企业更名后再次提交材料。流程中的例外情形占比超过40%。如果AI只是照着手册设计，到了真实业务场景中很难稳定运行。

第二，只挑演示中最显眼的单个环节快速落地，而没有从端到端重构整个流程。即便借助AI读取纳税文件（W-9）节省了8分钟，整个业务周期仍然可能是22天。Daniel Conner指出，这22天中的主要耗时并不在实际操作本身，而在流程衔接、等待外部机构反馈，以及与其他部门确认等环节。

第三，没有建立基线指标。如果系统上线前没有明确处理周期、单笔成本、错误率等关键指标，4个月后当财务团队追问投资回报率（ROI）时，项目团队将很难给出答案。Daniel Conner直言，财务团队通常不会认可“用户感觉生产力提升了30%”这类问卷式结论。

第四，把产品做成只有在员工发出指令后才会响应的聊天机器人，或Copilot式助手。他认为，这类工具通常只有约10%的员工会持续使用，带来的效率提升也只有10%至20%；相比之下，能够在后台自动执行、仅将例外情况交由人工处理的代理，改善幅度有望达到60%至90%。

第五，在员工日常使用的系统之外，另做一套独立应用。Daniel Conner表示，凡是需要员工单独访问新入口、重新登录后才能使用的工具，往往都很难真正推广开来。更理想的做法，是让代理直接运行在SAP、ServiceNow、Outlook等现有系统中。如果部署在企业自有云和自有数据体系之上，安全、法务和IT部门的审批流程通常也会更快。

第六，业务部门缺少明确牵头人。Daniel Conner指出，IT部门交付的代理一旦出现问题，很多时候并没有人负责持续修正和优化。他建议，应由对业务指标直接负责的部门主管来牵头推进代理项目，同时配备能够就近处理问题的技术人员。

第七，没有为“第7个月之后”做好安排。很多试点项目依靠为期6个月的创新预算启动，但预算一旦结束，AI使用费由谁承担、模型停止服务或涨价后如何应对，往往都没有预案。Daniel Conner认为，相关成本应从项目一开始就纳入业务部门的运营预算，同时避免对单一AI模型形成过度依赖。

在他看来，这些问题之所以反复出现，根源还在于各方目标并不一致：软件厂商更关注用户规模的扩张，咨询机构更看重报告交付，企业内部团队则往往急于尽快做出演示效果，真正围绕业务结果展开的投入反而不足。

Daniel Conner表示，在解决上述7个问题后，合作方注册周期已从22天缩短至4至5天，需要人工判断的比例也降至约15%。由于项目事先建立了基线指标，CFO能够清楚验证实际成效，这也成为争取下一批10个业务项目预算的关键。