不完
前些天，我去拜访一位客户，正巧这位董事长在与其内部团队讨论他们上线的企业 AI 应用。他很兴奋，希望把这套应用做成公司 AI 转型的旗舰里程碑。
我在旁听了暗自惊讶，因为在我看来，他所推崇的这套应用、远谈不上先进。本质上只是基础信息汇总工具，外挂一个轻量聊天机器人；底层模型的推理能力，也有明显短板。
不过，事后回想这位董事长看到的是一个值得往前推进的起点，我先看到的却是它离前沿还有多远。这种反差，让我重新想了一遍：
我们到底拿什么衡量企业 AI 转型？
中型企业的 AI 转型，常常败在两个对称的幻觉上：一是“不够前沿就不算转型”，二是“上了聊天机器人就算转型”。前者让人在预算与素养都不够时硬赌旗舰；后者让人永远停在试点阶段，把演示当成终点。
但实际上，企业 AI 转型的价值，并不由模型是否前沿来单独决定。
当然，这句话也不能成为替基础工具开脱的理由。一个不完美的起点，究竟是在帮组织积累能力？还是在给原地踏步找借口？要看上线之后发生了什么。
不够前沿，就没有转型价值吗？
我在日常推进诸多客户 AI 转型咨询项目时的体感是，企业高管会上经常谈 AI，却未必理解它能做什么、为什么会出错；已有的数字化底座并没有看上去那么稳固，而他们的预算又绝不可能按大厂节奏投入。
在这种条件下，把最强模型放进公司，并不会自动补齐资料、接通旧系统，也不会让员工突然知道该把哪些工作交给 AI。
模型能力当然重要。它决定一部分任务能不能做，做到什么程度；组织能否用好这些能力，则决定它们能不能变成实际的业务价值。
对眼下他的这套应用，我给客户的建议是：不能因为预算有限，就忽略推理能力的短板。信息汇总、资料查询、摘要生成，可以作为评估的起点，但每一类任务仍要核验效果。尤其是涉及多步判断、关键业务决策或自动执行的工作，更要严格考察它。
如果某个任务需要的能力超出了现有模型的上限，就应该升级模型、缩小任务范围，或者暂时交回给人。找到并承认边界，也是项目推进的一部分。
反过来，如果问题出在资料过期、部门口径冲突、权限不清，换一个更强的模型，也未必能解决。预算应该花在哪里，要从具体问题往回找。
美国商业顾问公司 Kaufman Rossin 在 2026 年 5 月发布的中型企业调查中，发现 94% 的受访企业已经使用生成式 AI，但其中只有 2% 实现了规模化运营。
这个样本足以提醒我们：广泛使用和规模化运营之间，还有很长一段路。
对于资源有限的企业而言，起步时更应该问清楚：我们现在的哪一项工作，最应该投入更多资源做好？
这个问题，比“我们有没有用最前沿的模型”更接近经营的关注点。
上了 Chatbot，为什么还不算完成转型？
工具上线，至少让组织有了接触 AI 的机会。但接触之后，原来的工作有没有变化，是另一回事。
假设员工从聊天机器人里拿到了一份摘要，仍然要回到几个旧系统里逐项找资料，手工核对，再按原流程提交。摘要可能节省了一点时间，这份价值值得承认；可资料分散、重复核对、层层转交的问题，还在那里。
如果把这点局部便利包装成公司已经完成 AI 转型，后续要做的工作就很容易被掩埋在盲目的庆功中。
MIT 斯隆管理学院下的 CISR 有一个企业 AI 成熟度框架，它把实验准备、试点与能力建设、企业范围的规模化应用，以及面向未来的 AI 能力区分开来。它的这个区分很有启发：
企业 AI 转型试点阶段积累的能力，要可以支撑后续的流程改变与规模化。
一个聊天入口，可以帮助人更快理解现有系统，也可能把系统原有的问题遮得更漂亮。关键在于，使用中暴露出来的问题，有没有人接住。
董事长的兴奋与支持，当然是企业中推进项目的资源。但如果它能换来业务部门参与、资料整理和下一步流程试验，这份兴奋就更有价值。
一个基础工具，怎样成为真正的沙盒？
换一个角度看，我们可以将这家公司中的这套应用、当作一个公司 AI 转型的沙盒。
这里的沙盒，是在限定任务、限定数据和限定责任范围内，让组织在真实工作中试用、核验和调整的地方。基础工具可以承担这项任务，但不能因为被叫作沙盒，就免于交代结果。
对我来说，它至少需要回答四个问题。
第一，使用者有没有学会判断它的边界？
员工愿意打开工具，只是开始。更值得观察的是，他们能否检查回答的来源，识别信息缺失或结论越界，知道什么时候要回到原始资料、什么时候必须找人确认。管理层也需要逐渐分清，哪些期待可以由工具满足，哪些还缺能力或条件。
这些变化，可以通过真实任务的核验记录来观察，不能只靠一场培训后的满意度判断。
第二，使用过程有没有暴露值得解决的业务问题？
假设同一类查询总是答不完整，原因可能是资料缺失；如果几个部门对同一件事给出不同答案，问题可能在口径；如果答案是对的，员工还是用不起来，就要继续看它卡在权限、交接，还是后续操作。
这些都只是可能出现的情况，需要在使用中验证。沙盒的价值之一，就是帮我们分清：究竟是模型做不到，还是公司自己还没有把工作理顺。
第三，发现问题之后，谁负责处理？
资料错了，谁更新？访问范围不合适，谁调整？输出出了问题，谁复核？涉及流程修改，又由谁拍板？
如果所有反馈最后都回到“找技术同事修一下”，业务部门不参与，沙盒很难积累出可以持续使用的能力。试用要留下问题记录，也要留下责任和处理结果。
第四，什么时候继续，什么时候扩大，什么时候停？
在试用开始时，就应该约定复盘时间，选定少量真实任务，记录原来的耗时、差错和人工核验负担。之后再比较，工具究竟改善了什么，又增加了什么成本。
如果使用确实有帮助，但资料和权限问题尚未解决，就先修基础条件；如果一类任务已经稳定有效，而且有人愿意承担后续责任，再考虑把它接入下一段流程；如果持续出错、核验成本超过收益，也应该缩小范围或停止。
从工具走向流程改造，不必一步跨到全公司。可以先选一条工作链，明确 AI 负责哪一段、人负责哪一段、结果怎样进入下一环节，再看这条链是否真的比原来更好。
我认为最重要的，是一个能把下一步看清楚的沙盒：
它可以证明某个方向值得投入，或者可以证明某个方向暂时不值得。
起步可以受限，终点不能含糊
中型企业没有必要为了证明自己正在转型，把每一个项目都做成旗舰。也不能因为已经有了聊天机器人，就把转型这件事交代完了。
够不够前沿，不足以判定一个项目没有价值；已经上线，也不足以判定它产生了转型价值。
更有用的尺度是：员工是否更懂得使用和核验 AI，资料与流程中的问题是否更清楚，有没有人承担改进责任，以及某一项真实工作是否因此变得更好。
在企业 AI 转型的过程中，这些变化未必都在上线当天发生。学习可以有阶段，但下一步要做什么、什么时候复盘，不能一直含糊不清。
今天，模型的能力已经很强，并且还会继续变强。但是，企业能不能跟上，还是要看能否用它们的能力、带来实际工作的改变。
企业 AI 转型的起点可以不完美，但是下一步、一定要清楚。