中小企业的 AI 战略：如何起步而不烧光预算

七月，一位拥有 60 名员工的企业主给我打来电话。六个月里他已经花了 35,000 欧元——用于 AI 工具订阅、一门通用的在线培训课程，以及一位“AI 转型”顾问，后者交付了一份 40 页的战略报告。具体成果是：团队中有三个人用 ChatGPT 更快地写邮件。其他人的工作方式和以前完全一样。

这不是个案。这是我在拥有 20 至 200 名员工的意大利中小企业中最常见到的模式：意识到机会，产生竞争焦虑，仓促投资，结果令人失望，最后变得愤世嫉俗。问题不在于 AI。问题在于操作的顺序。

系统性错误：在定义问题之前就购买工具

在 AI 应用上失败的中小企业，几乎总是遵循同一个剧本。董事会中有人读了一篇 McKinsey 的文章，或在某个会议上听到了些什么。于是召开会议，决定要“做 AI”。要求 IT 部门评估工具，或请来一位顾问提出路线图。几周之内，许可证买好了，培训日安排好了，大家等着看结果。

问题在于，没有人回答过一个基本问题：我们想改进哪一个具体流程，改进多少，以及用什么指标来判断我们是否成功？

没有这个问题的答案，任何工具都同样是错的。有了答案，工具的选择就变得几乎显而易见——而且往往比最初设想的便宜得多。

没有人回答过这个基本问题：我们想改进哪个流程，改进多少，以及用什么指标来判断我们是否成功？

任何投资之前要问的三个问题

在购买任何订阅或聘请任何顾问之前，这三个问题必须有具体的答案——不是笼统的，也不是愿景式的。

哪个流程最消耗团队的时间？ 不是“AI 可以在哪里提供帮助”，而是人们的时间花在了哪些重复、低价值的任务上。答案来自与团队交谈，而不是与管理层交谈。运营经理知道瓶颈在哪里。销售代表知道有多少小时花在填写没人看的报告上。客服知道每天会收到哪些和前一天一模一样的问题。

哪里的质量因人的疲劳而下降？ 那些错误率在一天结束时上升、质量取决于执行者而非流程本身、波动性很大的流程——这些是 AI 支持的最佳候选，因为收益是即时且可衡量的。

你已经拥有哪些尚未使用的数据？ 大多数中小企业拥有的数据比他们意识到的要多：客户邮件、支持工单、合同、售后反馈、生产数据。这些数据往往无法利用，不是因为缺少 AI 工具，而是因为缺乏结构和整洁度。用劣质数据喂养的 AI 助手会产出劣质的输出。关于数据的问题先于关于工具的问题。

四个最常见的错误——以及如何避免

错误 1：从工具出发，而不是从问题出发。 不可避免的结果是，工具被用于工具本身在演示中推广的用例，而不是公司的真实问题。ChatGPT Enterprise 被用来写邮件。Copilot 被用来在 Word 文档中自动补全句子。这本身没有错——但它不足以证明投资的合理性，也不会带来转型。

错误 2：把它当作 IT 项目而不是运营项目。 AI 应用不是软件更新——而是人们工作方式的改变。如果项目被委派给 IT 而没有让运营部门参与，就会产生技术上正确但实际上无人使用的解决方案。负责该流程的团队必须是解决方案的共同设计者，而不是被动的接受者。

错误 3：跳过数据基础设施。 生成式 AI 模型在数据有限的情况下也能做很多事。但对中小企业最有价值的用例——以恰当的语气和信息回复客户、用行业特定术语分析合同、按照公司标准对反馈进行分类——都要求相关数据可访问、有结构且保持更新。在数据理顺之前就投资 AI，无异于在沙上建塔。

错误 4：期望三个月内见到投资回报。 对于简单、定义明确的流程，几周内就能看到结果。对于需要与现有系统集成、团队培训和工作流调整的复杂流程，现实的盈亏平衡期在六个月到一年之间。那些因为三个月没有结果而放弃项目的公司，往往恰恰是在即将看到已完成工作的回报时放弃的。

20 至 200 人中小企业的最小可行路径

这不是一个通用框架——每家公司都不同。但这是我最常使用的起点，并会根据具体情况进行调整。

第 1 步——重复性流程审计（2–3 周）。 与 8–10 名不同岗位的人员进行结构化访谈。目标是梳理高频、低变异的流程：每周多少小时，出错的成本是多少，有多少依赖于隐性背景（“知道我们这里是怎么做事的”）而非明确规则。交付成果是一份包含 5–8 个候选流程的清单，按潜在影响和实施难易程度排序。

第 2 步——在最痛的流程上试点（6–10 周）。 选取清单上排名第一的流程，构建一个最小解决方案：不是最终系统，而是能让你衡量这一方法是否有效的方案。一个清晰的假设（“如果我们将工单分类自动化，平均响应时间将下降 30%”），一个明确的成功指标，一个每周的反馈循环。如果试点成功，你就有了证明扩大规模合理性的内部证据。如果不成功，你会在投入大笔预算之前弄清楚原因。

第 3 步——在扩大规模之前建立内部能力。 试点绝不能造成对外部顾问的依赖。它必须把能力转移给 2–3 名内部人员，让他们理解系统如何运作、流程变化时如何更新它、产生错误输出时如何介入。没有这一步，每次更新都需要再求助外部，总成本会无限增长。

实际成本是多少——现实的数字

成本因用例不同而差异很大，但以下是反映我所参与项目实际情况的数量级数字。

用于制定战略并运行首个试点的咨询费用：8–12 周的合作在 5,000 欧元至 15,000 欧元之间。AI 工具许可证：根据工具和用户数量，每月 200 欧元至 2,000 欧元。内部团队时间，这是隐藏的、最被低估的成本：参与试点的人员每周需投入 4–8 小时，至少持续三个月。按每小时平均 30–50 欧元的成本计算，这就是 4,000–10,000 欧元的机会成本，而它很少出现在项目预算中。

相对于当前成本的盈亏平衡点取决于流程。对于一个 10 人支持团队的支持工单自动分类，典型的盈亏平衡期在 4 到 6 个月之间。对于律师事务所生成标准合同草稿，时间更短。对于需要与 ERP 或遗留系统集成的流程，时间线会延长，成本也会上升。

隐藏的、最被低估的成本不是软件，而是内部团队的时间：连续三个月每周 4–8 小时，而这在任何项目预算中都不会出现。

关于耐心的最后一句话

“做 AI”的压力是真实存在的，而且在不断增长。竞争对手在试验。客户在提高期望。供应商承诺几周内见效。在这种背景下，我能给出的最逆势的建议也是最有效的：起步时放慢速度，之后才能走得更快。

一家花六周时间彻底理解问题再选择工具的公司，会在四个月内取得具体成果。一家立即从工具起步的公司，会花一年时间来解释为什么它还没有产生可衡量的投资回报。