“很多企业推进AI，仍然是从技术出发，认为有数据就够了，却没有认真面对数据本身的复杂性；再加上系统设计往往站在供给侧，而不是用户侧，最终就会出现投入不少、效果有限的情况。”

Bespin Global副总裁兼首席AI官（CAIO）Han Seonho在3月31日举行的AI Partners Day 2026上作出上述判断，并将其概括为当前企业AI难以真正落地的三大症结：技术先行、低估数据复杂性，以及供给侧思维。

Han Seonho在主题演讲中表示，AI归根结底不是单纯的技术问题，而是经营管理问题。企业若想做出实际成果，关键不在于是否采用了“更先进”的技术，而在于是否把问题定义清楚。IT团队和AI团队也不能各自为战，既要与真正懂技术的合作伙伴协同，也要同步提升企业内部能力。

在他看来，所谓“以技术为中心”的典型路径，就是先上工具、后找场景。在“不了解热门技术就会落后”的焦虑推动下，这种做法正在企业中不断扩散。

他以Text-to-SQL为例称，这类技术可以让员工直接用自然语言提问，由AI从数据库中实时取数并返回结果。相比过去向IT团队提需求、等待一到两周才能拿到数据，Text-to-SQL理论上可以把过程缩短到2至5分钟，技术能力本身并不弱，但真正落地时仍绕不开准确率问题。

Han Seonho指出，Text-to-SQL的整体效果遵循“乘法效应”。例如，用户意图识别准确率为95%、数据检索为95%、SQL生成90%、答案生成99%，各环节相乘后，最终准确率可能只剩约80%。

他进一步表示，排行榜第一的模型在特定环境下可达到95.8%的表现，但放到韩国企业真实业务环境中，准确率仅为65.8%。在他看来，若达不到90%，这类方案就很难在一线业务中稳定落地，因此应在真正有必要的场景中谨慎使用。

基于上述观察，Han Seonho给出的建议是：先定义问题，再选择技术。他表示，企业应先判断某项任务是否会对业务产生实质性影响，再选择解决该问题时成本效益最高的技术路径。如果顺序颠倒，就很容易陷入投入增加、效果却不明显的局面。

除技术先行外，Han Seonho还将“低估数据复杂性”视为企业AI项目中的另一大常见误区。他指出，很多企业认为，只要完成解析（parsing，即把数据转换为AI可读取的形式）和切分（chunking，即按固定规模拆分文本），再搭建向量数据库，数据准备工作就算完成，但现实远没有这么简单。

他解释称，向量数据库的核心机制，是将非结构化数据映射到多维空间中，再以概率方式找出最接近的结果。这项技术当然有价值，但既无法保证绝对准确，也存在明确的结构性边界。

在他看来，向量数据库主要面临四类问题：一是难以处理多维关系和层级结构；二是难以同时高效处理结构化与非结构化数据；三是在领域专用术语与切分粒度发生冲突时，更容易出现信息拼接错误，进而引发AI幻觉；四是不擅长处理复合推理任务。

针对这些限制，他提出，可通过图数据库和本体建模进行补强。

以保险行业为例，Han Seonho表示，在某保险公司的实践中，对比向量方式与图方式后发现，图方式可以把产品、附加条款和疾病之间的关系以结构化方式连接起来，并只向大语言模型传递准确信息。制造业场景中，也有企业把供应数据构建为领域专用本体，并通过分阶段反馈取得了实际效果。他强调，数据并非越多越好，关键在于结构是否匹配。

谈及第三个问题——供给侧思维时，Han Seonho指出，很多系统是按照开发者视角，而非真实用户视角搭建的。“技术上很炫，Demo里跑得很好，向管理层汇报时也掌声不断，但如果业务部门不用，就没有意义。”

他以一家物流企业为例称，该公司基于机器学习模型串联了多套解决方案，并对仓储管理系统进行了升级，管理层原本也看好项目成效。但在面向客户交付的“最后一公里”环节，客户体验却明显恶化。

原因在于，客户真正关心的是能否在指定时间收货，以及是否可以实时追踪配送状态，而系统设计并未围绕这些核心需求展开，更多关注的是供给侧效率，忽视了用户痛点。

Han Seonho表示，很多“看上去像问题”的现象，其实只是表面症状。企业不能像“头痛医头”一样处理AI项目，而应追溯根因。即便让团队负责人先筛选出10个用例、再收敛到3个启动项目，如果出发点不是一线真实问题，也很难形成实质成果。

在他看来，企业更应该把时间花在找准课题上：先识别根因，并与业务影响挂钩，再围绕具体案例启动项目。与其采取“大爆炸”式一次性上线，不如先做小范围验证，再基于真实数据分阶段扩展。相比单纯把精力放在构建AI代理上，用于诊断和监控的投入反而更为重要。