> For the complete documentation index, see [llms.txt](https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/di-wu-bu-fen-luo-di-pian/31-shi-dian-dao-gui-mo-hua.md).

# 第 31 章 · 从试点到规模化

AI 项目最常见的死法，不是做不出来，而是做出了一个惊艳的试点，却怎么也推不到规模化。要理解这一步为什么这么难，得先看清一个反直觉的成本结构。

做一个演示，达到"九成好"往往很容易——挑几个顺的例子，效果立竿见影。可真正上线要面对的，是剩下那一成：各种罕见的边角情况、可靠性、以及出错了谁负责、怎么兜底。而这最后一成的成本，常常比前面九成加起来还高。这就是为什么那么多项目卡在"demo 很惊艳、上线难产"——不是团队不努力，是这段路本来就最贵。

更深一层看，规模化难，是因为它要正面啃那些试点能绕开的硬骨头，而这些骨头大多不是技术问题。责任链要重新接好（定律 4），数据治理要补齐，边角情况要一个个兜住，运营成本要控住。试点阶段这些都可以先放一放，规模化却一个都躲不掉——它们属于组织和管理，不是模型调优能解决的。

因此，管这类项目，得换一套范式，不能沿用管传统软件的老办法。第一，验收标准变了。传统系统能穷举测试，固定输入给固定输出，对就是对；而 AI 系统做不到，同样的输入未必给同样的输出。验收它，不能再问"是不是全对"，而要看置信度、看在大量样本上的表现分布、靠抽样审计、看兜底机制是否可靠。用验收确定性软件的方式去验收 AI，要么永远验收不通过，要么放进去一个没底的东西。第二，它是迭代式的，不是一次交付的瀑布——边跑边调，持续运营，而不是上线即完工。第三，别只在上线当天验收效率指标，要持续盯质量和信任的滞后表现（第 12 章）。

最后，规模化难还有一层心理原因：很多组织其实是卡在了"不敢从试点毕业"。做 demo 安全、好看、没风险，而规模化要碰责任、碰组织、碰真金白银，于是一个接一个地做试点，永远不往下走，陷在所谓的"试点地狱"里。第 15 章说过，健康节奏的关键之一，就是敢于从试点毕业——敢去啃那最后一成、最贵的骨头。

需要补一句分寸：不是所有试点都该规模化。有些试点跑下来，验证的恰恰是"这件事不值得做"，那么及时止损、不硬推，同样是一种成功。规模化的勇气，不等于对每个试点都一condition推到底；它指的是，对那些验证有效的场景，敢于迈过最后一公里，而不是无限地原地打转。

## 要点速查

* AI 项目常见死法：试点惊艳、推不到规模化。
* 成本结构（N9）：demo 到"九成好"容易，最后一成（边角/可靠/责任兜底）常比前九成还贵。
* 规模化要啃的是组织硬骨头（责任链重接、数据治理、成本），非模型调优能解决。
* 验收范式变了：不问"是不是全对"，而看置信度/表现分布/抽样审计/兜底；迭代式而非瀑布；持续盯质量滞后指标。
* 敢"从试点毕业"（接第15章）；但不值得做的试点及时止损也是成功。

## 给管理者的三步

* 现在：识别手上是不是有一堆停在 demo、迟迟不上线的试点（试点地狱的信号）。
* 三个月：选一个验证有效的试点，专门为规模化做准备——把责任链、边角兜底、验收标准这最后一成的事排上日程。
* 一年：建立适配 AI 的项目管理与验收方式（置信度/抽样/迭代），不再拿传统软件的验收流程套 AI。


---

# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.

## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:

```
GET https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/di-wu-bu-fen-luo-di-pian/31-shi-dian-dao-gui-mo-hua.md?ask=<question>&goal=<endgoal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.

The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.