企业级 AI 项目越来越能够进入生产环境，前提是供应商在真实负载上证明价值、提供持续的测试和迭代，并展示 ROI。成功的部署起始于可分解的工作流，这些工作流能快速上线并扩展，而不是那些成功标准不明确的宽泛转型项目。

智能体墓地已不复存在

我注意到今年企业购买 AI 的方式发生了巨大变化。很多项目正在进入生产环境，但仅限于特定类型。

去年，MIT 发布了一份广受关注的报告，指出约 95% 的生成式 AI 试点项目没有可衡量的财务影响。

可以这么说，这种情况已不再存在。随着模型改进和购买模式成熟，智能体变得更加有效。

我从 Menlo Ventures 对 500 名美国企业买家的调查中读到一些有趣的数据：47% 的 AI 交易进入生产环境，而传统 SaaS 的该比例为 25%。此外，76% 的企业 AI 用例现在是通过购买而非内部构建获得，这一比例较 2024 年的几乎持平有显著上升。

在 2024 年，当模型还比较新时，一切都围绕实验展开。领导团队面临尝试新事物的压力，因此各种试点项目纷纷启动，既有内部构建，也有与外部合作伙伴的。

如今，当我们进行首次对话时，很明显高管们不需要被说服我们这个用例值得他们投资。更多是要让他们相信我们的方法最适合他们。

那么，成功的用例和失败的用例之间的区别是什么？为什么公司有时会决定内部构建？

为什么‘AI 比 SaaS 转化更好’确实有道理

传统 SaaS 销售的是能力。你购买了一款 CRM，然后花了九个月时间和一个系统集成商让团队正确使用它，最终价值以你的首席财务官多半凭信任接受的方式体现出来。签字与价值实现之间的间隔很长，许多交易就在这个间隔中夭折了。

AI 销售的是输出。当部署奏效时，价值在你签署合同的同一报告期内就能看到，往往就在同一周。AI 提供了足够的即时价值，从而绕过了标准采购流程。这不是买家的热情，而是销售周期被压缩，因为证据比原本要求它的流程来得更快。

根据我们的经验，这也是为什么 AI 买家绝不会仅凭演示做决定。现在每一个 AI 演示看起来都很好，这意味着演示已经完全没有作为购买信号的用处。因此评估已经转移到产品本身，并常常进入生产环境：针对实时流量的影子模式、真实的过往对话、一小部分有真实客户参与的实际流量。买家需要感受它，而不是观看它。这极大地提高了对供应商的要求，但也正是转化率高的原因。等到某人签署合同时，他们已经看到产品在其必须存活的运行环境中运转。评估不是证明的前奏，评估本身就是证明。

自建 vs 购买

向购买转变的部分原因在于专业知识：内部团队往往不具备所需的 AI 实力，而供应商全职专注于解决这个问题。但说实话，这只是其中一小部分原因。

真正的原因是，大多数这类用例不值得在内部从零构建，而原因并不在于构建本身。以我们所在的类别为例：一个称职的工程团队完全可以构建一个可靠的 AI 客服智能体。这已不再是难点。难点在于之后的一切：随着政策和产品变化而进行的持续迭代；对数百万次对话进行分析以找出智能体在哪些地方悄然失效；在每次变更上线前进行的模拟和回归测试；对没有人预料到的边缘情况进行 QA。这些工作永无止境，而且不会随着规模缩小而减少。

让工程师永久承担这些工作并不是一笔好交易。这不是他们的比较优势，而且实际上，一旦出现真正的产品截止日期，这项工作就会被优先降级，而这恰恰正是无人维护的智能体开始在客户面前性能下降的时候。

而且，对于 AI 智能体来说，自建与购买不再是非黑即白的选择，因为现在的产品让您可以自己完成更多工作。购买不再意味着放弃对行为的控制；它意味着购买迭代层（工具、测试、分析等），而您的业务团队则继续掌控方向，无需提交工程工单即可发布变更。这就是为什么企业正在更多地寻求合作伙伴，而且速度远快于以往任何软件类别。

那么，为什么有些项目仍然无法成功？

话虽如此，我也观察到许多听起来很合理的用例却很难在市场上获得牵引力。

1. ROI 从未被清晰地定义。

有些 AI 价值确实难以归因。如果一个 AI 智能体辅助了某个工作流，或让团队更高效，这如何反映在利润上？如果这一点难以定义，领导团队就很难优先考虑这个用例，更不用说承诺长期合作了。

例如，客服 AI 的优势在于其 ROI 非常容易推算。随着 AI 做得越来越好，它既能显著提升运营效率，又能改善客户体验。

随着它扩展到更主动的对话场景，ROI 不再只是节省成本，而是创造收入，这使得论点更有说服力。

2. 问题无法拆解成多个部分。

这一点被低估了，它是预测部署能否成功的唯一最佳指标。

如果你的计划是‘变革我们的运营’，那么没有任何一个版本能在六周内交付、衡量并扩展。你会得到一个为期十八个月的项目、一个指导委员会、中途更换的发起人，以及一个悄然取消的结局。

一体化用例往往非常困难，因为要让业务看到哪怕一丁点 ROI，需要太多事情都做对。

客服在这方面具有异常良好的特性：它几乎可以完美地分解。你可以只从一个用户旅程开始，验证它，进入生产环境，然后从那里扩展。

重新框定

智能体墓地从来都不是企业 AI 不起作用的证据。它证明的是，在 2024 年，许多组织尝试了不可分割的转型，且没有明确的成功标准——而这种情况无论在哪十年、采用何种技术，都总是会失败。

最终存活下来的不会是最复杂的部署，而是那些从足够小、能够交付的规模开始，并在选择供应商之前就写下一个数字的部署。

如果你做不到这一点，你就还停留在 2024 年的阵营中。