又到一年规划季，AI项目怎么投?
1. “马上要报2026规划了，一堆AI项目，怎么砍.......”
转眼到了12月，年度规划与预算申报如期而至，X公司PMO负责人Z老师很是头疼：
- 今年8个团队申报了30多个AI项目，预算肯定不够，砍哪些是个难题；
- 2025年，企业无论大小都在积极拥抱AI，X公司也不例外。各业务与科技团队在今年陆续做了不少Agent方向的探索，在9月集团创新Day上展示了十来个Demo，现场反馈一度十分热烈。这些Demo的精彩表现，让老板们对2026年的AI预期显著提高，也顺势提出了一些颇具挑战的KPI；
- 实际上到年底看这些AI Demo 的落地情况并不乐观：大部分项目上线后的业务认可率不高，比如合同助手，法务团队的反馈是用不起来，打开率很低，但这些实际情况老板们并不知情；
- 因为2025公司财报表现一般，科技投入也在收缩，外包团队已经在年中全部裁撤，目前仅靠不到300人的科技团队，要承担集团及各分公司的600+个系统的日常迭代和运维，各个团队都在超负荷运转；
老板们的高预期、2025的AI半拉子工程、预算收紧、团队收缩——面对新报上来的30多个AI项目，2026年到底该把有限资源投向哪里，Z老师真是头疼不已。
不知道你是不是也和Z老师一样，正在为规划和预算的事情发愁？
2.从Demo到落地：看清AI项目的真实成本
在2024–2025年，不少团队都遇到类似情况：Demo阶段3–4人月就能做出不错效果，但一到真正落地，就发现业务效果始终不理想，团队需要很长时间不断优化。以前面X公司的合同助手项目为例，一开始Demo差不多也就花了 3-4 周，但一直到年底都还在持续打磨中。现在进行复盘，团队发现至少还要投入15–20人月才能发展成稳定可用的业务产品。
| 维度 | 典型内容 | 以合同助手为例 | 工作量（人月） |
|---|---|---|---|
| Demo/技术探索 | Prompt调优、对话能力、Demo界面 | 用几十份示例合同做Prompt调优、搭建对话界面、做演示流程 | 3–4 |
| 数据工程 | 清洗补录、OCR校对、结构化 | 处理5年约8000份合同，60%为扫描件；重做OCR、去重、拆分补充协议、补录字段 | 4–5 |
| 精度打磨 | 75%→90%提升、回归测试 | 在真实场景下从85%采纳率进一步提升；补充误判样本、搭条款专项测试集、每周回归 | 5–6 |
| 系统集成 | 权限、流程、签章、档案接入 | 对接签章系统、流程引擎、档案系统、权限体系；梳理200+条权限规则 | 2–3 |
| 流程改造 | 新流程、例外处理机制 | 把“人工找合同→手工修改→审核→归档”改为“AI收集信息→能否处理判断→生成初稿→法务校对→审核→归档”；设计“错题本流程”等 | 2–3 |
| 业务使能 | 培训、双轨运行、激励、习惯迁移 | 多轮培训、双轨运行、设置使用激励；为法务和业务专家培训“错题本流程”，建立兜底人机制等 | 1–2 |
| 运行成本 | 规模化运行Token成本、监控、微调维护 | 调用量从每月几百次到数万次；Token费用、监控告警、模型回滚和切换策略 | 持续 |
大家逐渐意识到：在企业内落地AI项目要取得业务成功，真挺贵的。正如一位朋友博客总结的:
AI 项目预算的二八原则：
模型选型与初步实现，让系统“能跑”，会用 20% 预算；
数据、调优与部署监控，让系统“真能用”，要花 80% 预算。
因此，在规划阶段，如果仍以Demo的成本和效果作为判断依据，结论往往会失真。
正能产生业务价值的AI，不是Demo的简单优化，而是一套完整的工程、流程与组织体系。因此在规划和制定预算时，不应只看“Demo效果有多好”，而应系统考量“工程化落地需要做什么”，全面评估AI技术、数据工程、系统集成、持续运营、流程改造和业务使能等环节的综合成本。
3.哪些AI场景真正值得投？哪些可以果断砍？
既然AI项目这么贵，在规划时就尤其需要仔细掂量：到底哪些场景真正值得投？避免复盘时有很多半拉子工程，造成投资浪费。面对几十个AI项目，一个可简单易行的办法，是用三个维度做快速判断：
- 是否位于主业务流（价值高/低）
- AI能否带来结构性提升（潜力高/低）
- 实施复杂度是否与收益匹配（复杂度高/低）
3.1 主业务流×高潜力场景
典型特征
- 处于业务主链路，能直接影响营收和运营成效
- 利用AI有望显著减少返工/提升质量/缩短周期
- 数字化基础好，数据充分，数据质量不错
- 业务认同度高、期待值明确，愿意尝试
- 涉及多角色协作、数据链路和深度集成，实施复杂度高但ROI清晰
示例：X企业的“合同生成与交付准备自动化”
以X企业为例——其主要业务为客户提供工商注册、财税、HR、法务等服务。“咨询→方案→合同→审核→交付准备”是其主业务流，当前有完整的数字化平台支撑，且销售模式已全面往线上迁移。在这个主业务流中存在多个AI潜力点，如：自动摘要客户沟通内容、结构化关键字段、基于SOP/知识库生成服务方案初稿、场景化合同条款生成、合同预审等等。虽然涉及多部门协作、数据工程，属于难但值得做的场景。
策略：重点投入，做全链路工程
- 预算优先级最高
- 每个子环节都是可量化的效率点
- 把AI 机会点按“贯通价值链”规划，先从实施复杂度低机会点开始，为多阶段逐步落地
3.2 主业务流×低潜力场景
这类场景虽然位于主业务流，但短期看AI很难释放价值。原因通常不是“模型不行”，而是基础条件不具备。
典型特征
- 数据不在线、不干净、字段缺失严重
- 流程例外多、执行不一致
- 输入没有统一模板、结构化程度低
- 在此基础上做AI，结果不稳定、难评估
- 往往需要花更大的力气“补地基”，而不是“做智能化”
示例：X企业的“销售线索评分”
X企业曾尝试上线线索优先级评分，AI准确度长期在60%以下。复盘发现，这不是算法问题，而是：
- 线索字段（行业/规模/来源）大量缺失
- 三十多个类型的销售场景各自使用不同Excel模板
- 大量关键内容写在自由文本备注里
策略：暂缓，不急于做AI，先数字化、流程标准化
- 优先做数据治理、流程标准化
- 形成一致的结构化输入
- 达到“AI Ready”后再考虑智能化
- 避免过早立项导致成本沉没
3.3 边缘流程×高潜力×低复杂度场景
典型特征
- 容错性高（60–70%准确度即可），用户对AI期待仅为辅助作用
- 可以用大模型+Prompt Flow轻量实现
- 几乎不依赖深度系统集成
- 市面已有成熟工具，或可用开源Agent快速搭建
- X周内可以上线；如果模型升级了应用升级也很快，投入低
示例：
- X企业中的快速原型构建、客户邮件自动摘要/自动打标签/情绪判断、行业/政策资料自动结构化与总结
策略：快速交付，优先采购或轻量搭建
这一类需求确实能提升效率，但更适合用低成本方式解决：
- 优先采购业界现成的 Agent工具，或基于开源Agent平台（如Dify）由业务团队自建
- 控制研发投入，保证不挤占主战场资源
3.4 边缘流程×低潜力×高复杂度场景
典型特征
- 不在主业务流，对主业务 KPI影响有限
- 需求价值模糊，无量化指标（“提升体验”“赋能创新”）
- 当前数字化成熟度也一般，数据处理成本高
- 要求深度定制、跨系统集成、流程也要改
- 服务用户数量很少，即使上线也只有很少量用户使用
示例：X企业中常见的“止损场景”
- 只服务2-3 位法务人员的法务助手 、“内部知识助手”“内部学习助手”等多版本重复建设
这些项目往往走向类似路径：立项很好看 → Demo很惊艳 → 上线没人用 → 维护成本变负担。
策略：果断砍掉
- 不进入预算池 ；不做POC也不立小试点
4. 如何才能避免半拉子工程、让AI投入产生业务实效？
4.1 误区：只围绕AI能力，忽略AI 项目的其他落地要素
从落地视角看，一个AI项目要成功，需要同时考虑五个关键要素：
- 应用：应用除了本身性能好，还要照顾到端到端使用体验
- 数据：除了启动前数据预处理提炼出知识，同时要能让线上产生的数据能持续不断地提炼新知识反哺给应用
- 流程：上线新的AI系统也意味着新的工作流程变革，要设计可以接住AI结果的作业链路与例外机制、知识运营机制，做好业务流程变革的充分准备、沟通和备案工作等
- 平台：配合AI应用持续进化需要的权限、自动化评估、监控等底座能力
- 人：需要对业务人员进行赋能培训，新的激励机制、超级用户体系，在这个过程中要帮助人员从认知到能力上进行改变和提升。
很多AI项目之所以半拉子，是因为只盯着AI技术和功能本身，没有足够重视数据、平台、流程和人的投入。以X企业为例，过去2年的很多AI项目场景是主业务流的，比如销售助手，但依然是半拉子工程，其核心原因是：这个项目是由科技发起的，投入都在AI技术上——“工程架构优化、调模型”，从一开始就没有业务深度介入，也没有考虑到业务人员的端到端体验，没有设身处地按业务人员视角用新的助手跑过业务流程，一味认为就是“业务人员僵化，不拥抱 AI”，但其实复盘下来，会发现站在业务视角，现在这个助手“的确很难用”。
要做成一个“能跑的业务系统”，应用、数据、平台、流程、人五个要素必须一起往前推，步伐可以小一点，但每步都要包含这5个要素。
4.2 预算：按“五要素”成本结构来估，反映真实落地需求
以X企业主业务流中的“交付准备自动化”作为例子。如果按“功能模块”来编预算，只会算到应用开发和模型调用成本，其他都没有考虑到，这就很容易成为半拉子工程。按照“五要素”来拆，充分考虑到持续迭代精度打磨的投入，预算会更贴近真实投入，也能确保后续阶段具备可复用性。
这样确保 Phase1 不仅仅是一个可试用的AI 功能，还有可扩展的平台底座 、可迁移的用户能力和可复用的数据与流程等，换句话说：预算买的是持续推进的能力，而不是一个孤立项目交付。
4.3 重投场景，不能只看“点”，还要规划“线”
真正值得投入的主业务流场景，只做单点改进，很容易被业务评价为“不痛不痒”。
可以用六步来规划：
Step1：画出端到端价值链
从“线索→成单→交付”画清楚所有环节、耗时、返工点。
Step2：识别2–3个最有价值的机会点
优先选择耗时高、返工重、风险大、数据可控的环节。
Step3：规划1年后的业务蓝图
明确一年后，这条主业务流希望在哪些业务指标上被AI击穿。
Step4：检查数据就绪度和依赖关系
数据不过关的，立即归为“待育场景”；
存在强依赖的，标注先后顺序，避免起点选在“被卡死”的位置。
Step5：排出一条“由点到线”的推进路线
确定先做哪个点、后接哪个点，每一步要复用哪些能力。
Step6：分切片按五要素编预算，并形成“串成线”的整体规划
每个切片都明确应用/数据/流程/平台/人的投入，最终形成3个月能见成效的里程碑、12 个月逐步贯通主业务流的整体路线。这样设计的预算，不仅能确保Phase1有结果，也能避免走到第二阶段时才发现：底座完全不能复用，只能推倒重来。
重投场景的规划，从一个可控切片入手，沿着主业务流逐步击穿，最终贯通成线；在预算上，同时设计好每个切片的投入和整条链的总盘子，每个里程碑及时复盘调整，避免半拉子工程。
5. AI规划预算的4点提示
做规划预算，不仅仅是提交一个数据表，而是要为企业的科技投资做一个ROI保障机制。下面这4条提示，希望能帮Z老师们厘清思路：
- 1.AI 项目成本要算全，让老板们都对此有清晰认识
不再用Demo当预算基准，把数据、精度、集成、流程、培训、Token等隐性成本都算进去，并让老板和关键干系人对这些有清醒的认识。 - 2.投资瞄准主业务流
有限的预算应该始终瞄准主业务流，聚焦真正高价值的AI场景。 - 3.重投场景要规划从点到线的路径
先从一个AI切片开始，再沿链路往两端扩，AI赋能贯通业务，而不是留下一串彼此孤立的“AI小功能”。 - 4.监督AI落地的系统性工程
不再只给“功能”批预算，而是要监督应用、数据、流程、平台、人的各个维度进展、实际效果，依据复盘结果来看下一阶段怎么接上去。
祝愿Z老师们在2026年的AI项目都能「马到成功」😄
💡
如何进行 AI 规划？这里查看AI2.0 产品经理实践指南:
相关文章：
#AI规划 #年度规划 #投资预算 #AI场景探索 #AI项目成本
（本文配图由Nana Banana生成）
