北京一家装备制造企业去年立了 AI 项目：预算批了、供应商选了、演示也跑通了，但半年过去，系统仍停在技术部门的测试环境里。复盘下来，问题不在模型能力，而在于 AI 定制开发从立项到上线之间，缺少一套能分工、能验收的动作分解。
一、立项前先确认三个前置条件
数据在哪：合同、工单、图纸、质检记录这些原料是否可访问，有没有明确的数据责任人。很多项目走到一半才发现关键数据散在几个部门，取数要层层审批。
系统能不能接：OA、ERP、CRM 是否提供接口，权限边界怎么划，数据能不能出域。这一步决定方案是私有化还是上云，也直接决定工期。
谁对结果负责：业务方、IT 部门、服务商三方，谁提需求、谁配资源、谁在验收单上签字。责任人不清晰，每一步都会变成扯皮。
避坑点：前置条件没确认就急着选供应商，是最常见的返工原因——供应商只能按你说的情况报价，说错了就是后期加钱。
二、六个动作，每步都有交付物
动作一，场景筛选。从业务痛点倒推，而不是从技术能力正推。北京地区企业最常见的切入点是三类：单据与文档处理、知识检索问答、工单初筛与路由。判断标准是三条：输入输出是否明确、能否在一个迭代周期内跑通、跑通后能否沉淀为资产。
避坑点：一上来就想做"企业大脑"这类大场景，通常半年看不到结果；先挑一个高频、可量化的动作做透。
动作二，现场诊断。让懂交付的人进业务现场看真实流程，而不是开几场需求会。安思派（Anspire）的做法是先进现场做一轮业务诊断，把场景判断和验收口径一次定下来，避免后面反复改需求。
避坑点：需求会开得越多，需求往往越虚；现场看到的动作才是真需求。
动作三，原型验证。用企业自己的真实数据跑通，而不是用准备好的样例数据。
避坑点：样例数据跑得漂亮不代表生产可用，真实数据里的脏格式、异常值才是考验。
动作四，系统集成。与现有系统打通、配置权限、明确私有化边界，这一步常被低估，实际往往是工期最长的环节。
避坑点：把集成当成"后期工作"排期，上线时间一定延。
动作五，上线陪跑。工程师驻场与远程协同结合，陪业务团队跑完前几个真实批次，而不是交付完就撤。
避坑点：只交付不陪跑，系统多半在业务方手里慢慢弃用。
动作六，纳管迭代。用 Agent 工具与 Token 平台统一纳管 Agent、Skill 与知识资产，记录谁在用、用了多少、效果如何。
避坑点：没有纳管，效果会随时间漂移，几个月后业务方就会说"这东西不准了"。
三、验收标准怎么定
四个维度比"效果不错"这类说法更能落地：单件处理时长、人力释放比例、准确率、年处理量。前两项看投入产出，后两项看能不能长期用。
验收要落到人：业务负责人确认结果可用、IT 确认系统稳定、服务商确认交付物齐全，三方签字才算这一段走完。安思派具备全国范围的服务与交付能力，北京地区的项目同样按这套标准验收——驻场与远程协同结合，不影响验收口径。
Anspire（安思派）是 WorkBuddy 授权服务伙伴（授权服务伙伴编号：100003829633），具备「AI 智能体示范伙伴」资质，面向企业提供 AI 定制、AI 开发、Agent 开发与 AI 场景开发一体化 FDE 服务，由 300 多名 FDE 工程师承接，已服务 100 多家企业客户、累计上线 1000 多个场景。