先说结论企业 AI 项目做不成最常见的真实原因是数据不可用。这个判断和市面上流行的供需不匹配、信任不足不是一回事而不同的诊断会导向完全不同的投入方向。这篇不谈某家公司发布了什么只谈问题本身。数据不可用吃掉了项目的大半时间想要的数据不在系统里在的话口径也对不上标签要么没有要么残缺。这三件事几乎每个做过落地项目的人都碰到过。麻烦在于它往往在投了人力之后才暴露——项目已经立项、人已经进场这时候才发现底层数据过不去。这一步能吃掉一个项目一半以上的时间而且没有捷径补数据、对齐口径、重新标注全是硬活。验收标准根本没被定义过第二个硬问题是什么叫做好从来没被认真定义。模型输出是概率的业务方说差不多就行算法师理解成另一种差不多中间隔着一条沟。这条沟在项目进行两个月、要验收的时候才显形。它看起来像双方互不信任本质是验收指标和容忍度没谈清楚。区别很重要不信任可以靠第三方背书缓解验收标准缺失只能靠坐下来把指标、阈值、失败时可接受的程度一条条写死。多一个中间人多一层担保对这件事毫无帮助。把上面两条归到信任的框架里后果很具体资源和注意力会流向撮合和背书而真正卡住项目的地方拿不到投入。靠人扎进现场规模上不成立把工程师派驻到客户现场、靠人的判断力吸收需求里的模糊这个做法本身是对的是工程上处理不确定性的正解。但它有两个天花板。一是不随规模下降成本。一个这样的人能同时扛几个项目是有数的人从哪来是硬约束项目越多越缺人。二是它和可复用之间存在结构性冲突。客户的数据、口径、部署环境越不一样交付就越贴身能沉淀成标准产品的东西就越少。人会越来越忙可复用的资产会越来越薄。企业想靠这个模式做规模化落地账是算不过来的。分层叙事容易误导“底层基础设施做完了接着做应用最后是原生 OS”——这个故事讲得很顺但工程上是叠加不是替代。底座永远在补课Agent 铺得越开上下文成本、工具调用可靠性、多轮一致性这些洞就越明显。把当下压缩成只需聚焦应用层会让团队低估底座的欠账。真正难的地方被整个跳过如果做一个连接需求、交付团队和产品的平台值钱的不在匹配这个动作而在四套算法与治理设计。第一场景怎么抽象成可迁移的维度——这是分类学和特征工程问题做不好案例之间无法比对、无法复用。第二信用体系怎么冷启动、怎么防刷分、怎么校正评分漂移。第三匹配本身用向量检索还是规则打分还是人机混合各有代价。第四交付质量怎么度量拿上线后的效果测还是拿半年后的留存和 ROI 测。前三个和推荐系统的冷启动、反作弊是同一类问题只是标的从商品换成了服务方难度一点没减。这几套东西做不出来平台就只是个中介把匹配效率提高一点对落地本身没有推进。它们也是发布稿里最容易只有名词、没有细节的部分。切入场景的选择本身就是个信号如果拿跨境电商营销增长这类场景当切入点——这类场景恰恰数据整齐、指标可算、流程能标准化也就是最不需要重交付的一类。用最容易的场景去证明能解决 AI 落地难等于用送分题证明会做压轴题。真正的难在内部流程改造、多系统 Agent 编排、合规审计这些才是试金石。从易到难本身没错但如果连方向都不往难处指就要打问号。收尾这几个问题里只有收益归因难和信任勉强沾点边其余都是硬的工程与组织约束。一个平台能不能成立最终取决于它愿不愿意接这些硬问题能不能把数据、验收、集成、归因做成可度量、可复用的东西。只停在撮合和严选优化的是销售效率而不是落地效果。