AI落地为何难？Anthropic等三家企业现身说法

编者按：AI行业最不缺的是演示视频，最缺的是能跑满一年的生产系统。当融资叙事从“模型能力”转向“交付能力”，企业客户的耐心正在变成最稀缺的资源。

据TechCrunch报道，在将于2026年9月28日举行的TechCrunch Disrupt 2026大会上，Anthropic、Gamma和Clay三家公司的高管将登上AI Stage，围绕一个极具体的问题展开讨论：当企业真的把AI部署下去，究竟会发生什么？

这个议题本身就是一个信号。过去三年，行业大会的主旋律是“能力演示”——更强的推理、更长的上下文、更快的生成速度。而到了2026年，舞台中央换成了“部署”。换句话说，比拼的重点从“能不能做到”转向了“能不能稳定、安全、划算地一直做到”。

从Demo到生产：那道看不见的鸿沟

任何做过企业级AI项目的人都会承认，原型阶段与生产阶段之间存在一道鸿沟，而且它很少是模型本身造成的。演示环境里的数据是干净、齐整、有标注的；生产环境里的数据来自十几个互不兼容的内部系统，字段缺失、口径冲突、更新延迟。演示时用户会耐心地按提示输入；生产环境里，销售同事可能只打三个错别字就期待系统猜出他的意图。

更棘手的是评估问题。传统软件可以用单元测试和回归测试来定义“正确”，而生成式AI的输出没有唯一正确答案。企业需要建立一套自己的评测集、人工标注流程与线上监控指标，这件事的工作量往往被严重低估。很多项目不是败在模型不够聪明，而是败在没人能说清楚“它到底有没有变差”。

三家公司的三种切面

之所以把Anthropic、Gamma和Clay放在同一场对话里，主办方的用意相当明显——它们分别代表了企业AI落地的三种典型形态。

Anthropic代表的是底层模型与安全层。对企业客户而言，它要回答的是最硬核的问题：模型在长链条任务中的稳定性如何？上下文窗口扩大后，召回质量会不会衰减？如何通过权限隔离、审计日志与内容策略，让法务和合规部门点头？在企业采购中，模型能力只是入场券，安全与合规才是签字的那一栏。

Gamma代表的是面向知识工作者的生产力工具。它要处理的是另一类难题：如何嵌入人们已有的工作流，而不是要求用户改变习惯去适应一个新软件。一个AI产品即便效果惊艳，如果它需要用户额外打开一个标签页、重新整理一遍素材，采用率就会断崖式下跌。工具类产品的胜负，往往在“打开成本”上就已经分出。

Clay代表的是把AI嵌进业务流程的自动化平台。它面对的是跨系统集成、数据权限继承和结果可回溯等工程问题。在这类场景中，AI的输出会直接触发下游动作——发邮件、改CRM记录、生成报价单。一旦出错，代价是真实的商业损失，因此“可撤销”和“可审批”这类看似保守的设计反而成为刚需。

为什么“最后一公里”这么难

综合来看，企业AI落地的阻力主要来自四个方面。

第一是可靠性预期错配。模型在95%的情况下表现良好，听起来不错，但企业流程往往要求99.9%。剩下的5%需要人工兜底，而人工兜底意味着成本结构与传统软件完全不同——你以为买了一个软件，实际上买的是一条需要持续投入的运营流水线。

第二是数据治理的欠账。AI会无情地暴露企业数据资产的所有历史问题。很多企业在部署阶段才发现，自己连“哪些数据可以被谁使用”都说不清楚，更别提让AI在权限边界内自主行动。

第三是成本的非线性。推理成本随使用量增长，而这部分支出常常被放在IT预算之外，导致上线几个月后突然面对一张意料之外的账单。如何在模型能力与调用成本之间做分级路由，已经成为一个专门的工程课题。

第四是组织惯性。AI改变的不只是工具，还有谁对结果负责。当一个流程由AI生成、由人审核时，责任归属变得模糊。这类问题无法靠技术方案解决，只能靠管理层明确的授权与考核机制。

2026年的AI舞台意味着什么

把“企业真正部署AI之后会发生什么”作为大会主题，本身就说明行业进入了新阶段。资本市场的耐心已经从“相信未来”转向“交付现在”。对AI公司而言，接下来的竞争不再是谁的模型在榜单上高几分，而是谁能把客户的部署周期从九个月压缩到六周，谁的客户在第二年还愿意续费。

值得注意的是，这场讨论把模型提供商、应用层工具和业务流程平台放在一起，暗示了一个正在成型的共识：企业AI不是单一产品的胜利，而是分层协作的结果。底层模型的可靠性、中间层的产品体验、上层流程的可控性，缺一不可。任何一层掉链子，最终都会体现为“这个AI不好用”。

对于正在规划AI预算的企业来说，这场对话或许能提供一个务实的视角：不要问“这个模型有多强”，而要问“它在我的流程里出错时，我该怎么办”。能回答第二个问题的供应商，才配得上那份长期合同。

本文编译自TechCrunch。