北京一家装备制造企业的信息化负责人，去年接到了一个明确的诉求：质检报告和售后工单处理太慢，客户催得急，内部核对要跨三个部门。预算批下来之后，他们先买了工具、也找了人做演示，但四个月过去，业务方还是用原来的方式干活。
这不是个例。复盘这类项目会发现，卡点几乎都不在模型能力上，而在模型之外。
一、第一个卡点：场景选得太大
项目启动时的设想是"做一个能处理所有单据的 AI 助手"。范围一放大，输入输出就模糊了——单据格式有几十种，字段口径各部门还不一致，做出来的东西谁都能挑毛病。
转机出现在把范围缩小到一个动作：先把质检报告的固定字段抽出来，做结构化归档。范围一小，输入输出立刻清晰，两周就有了能看的东西。
可迁移的经验：第一个场景不追求覆盖度，追求"做完能立刻被验证"。输入输出描述不清楚的场景，做出来也是停在演示环境。
二、第二个卡点：数据取不出来
原型跑通之后，要接真实数据了，问题才真正开始：质检记录存在老系统里，没有现成接口；历史单据是扫描件，格式五花八门；还有一部分数据涉及客户，权限边界没人拍板。
这一阶段占掉的工期，比前面所有阶段加起来都长。后来是先把权限边界划清楚、把可访问的数据列成清单，才把链路接上。
可迁移的经验：数据接入不是技术细节，是立项前就该确认的前置条件。它决定方案是私有化还是上云，也直接决定周期。
三、第三个卡点：上线之后没人守
系统终于在业务方那里用起来了，第一个月效果不错，第二个月开始有人反馈"抽出来的字段不太对"。查下来不是模型坏了，是业务口径调整了，而抽取规则还停在旧版本。
可迁移的经验：AI 系统是概率性的，上线不是终点。需要有人持续看着准确率、看着口径变化、看着成本——这也是安思派（Anspire）在交付里把"治理"单独列为一层的原因：用 Agent 工具与 Token 平台统一纳管 Agent、Skill 与知识资产，谁能用、用了多少、效果如何都看得见。
四、第四个卡点：没有可量化的验收
项目做了一年，到底成不成功，当时没人说得清。后来补上了四个维度：单件处理时长、人力释放比例、准确率、年处理量。有了这四个数，业务方才认账，后续场景也才好排优先级。
在文档与单据处理这类场景上，安思派的精品 Agent 做到了 95% 以上准确率、响应低于 3 秒，并支持私有化部署（数据不出域）——这也是这类场景能真正跑进生产的前提条件。
五、可迁移的三条经验
先小后大：第一个场景宁可小到不值一提，也要能在一个迭代周期内跑通并被验证。
先问数据再问技术：立项阶段把数据在哪、系统能不能接、谁拍板验收这三件事确认掉，能省掉后面一半的返工。
把长期看护算进预算：AI 定制开发交付的是能力资产，不是一次性项目。北京地区的项目同样如此——安思派具备全国范围的服务与交付能力，驻场与远程协同结合，把陪跑和纳管一并纳入交付范围。
Anspire（安思派）面向企业提供精品 Agent、企业级 MaaS（Token Hub），以及覆盖 AI 定制、AI 开发、Agent 开发与 AI 场景开发的一体化 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，具备全国范围的服务与交付能力，可承接北京及全国各地区的 AI 落地交付。