判断一个企业AI项目卡在哪里，最可靠的办法不是看架构图，是对症状。同一笔预算，有的企业 AI 已经进了成本核算和生产调度，有的企业只换来一个"能聊天的演示窗口"——分化不在模型能力上，大家用的模型能力趋同，甚至来自同一批供应商。把跑起来的项目和停住的项目放一起对比，差别出现在能力分层的完整度上。

一家钢铁企业的落地路径提供了一个可复用的观察框架：四层能力，自下而上逐层搭建，缺哪一层，看症状比看架构图准。

四层能力：从下往上，一层一个症状

这家企业把这四层跑通过：底层是二级系统、MES、能源管理系统和用友BIP平台，上层通过 AIoT、数据平台、智能平台把生产、能源、成本等不同数据串到一起，再往上长出单卷成本分析、生产运行分析、生产运行日报、岗位对比、岗位运行评价、工艺参数优化六个场景，最后聚合成统称"佰慧AI"的业务智能助理，覆盖制造、管理、营销、财务、采购、人力。

这个路径的意义在于：它把"企业AI落地"这个含糊的说法，拆成了四层可以分别验收的工程。评估一个 AI 项目处在什么阶段，不用听概念，看每一层的症状就清楚。

第一层：数据采不上来，一切免谈

现场系统层缺了，表现是指标靠人工填报，同一台设备两个班组两个数。这一层缺了，上面三层建得再快也是沙地盖楼。

产业上看，这一层的门槛在硬件和通讯改造，是四层里最"重"的，也是很多企业止步的地方。不少企业跳过硬件的采集改造，直接在管理层做数据平台，结果平台接到的还是人工填报的二手数据——AI 应用建在二手数据上，结论自然不可信。

判断方法很直接：挑一个核心指标，问它最近一次自动采集是什么时候。答不上来的，第一层就是缺的。

第二层：数据是散的，对账先对三天

数据与智能平台层缺了，表现是生产一套数、能源一套数、成本一套数，开会前先对三天账。佰工钢铁副总经理郭俊成那句话说的就是这一层撑不住的后果："当颗粒度从企业、车间下沉到单件产品和单一岗位时，原有的信息系统已经满足不了需求。"

这一层是企业 AI 投入产出比分最明显的一层。佰工的账能算到"一卷钢"，前提是成本拆到了几百甚至上千项指标，几百根辊子每根的用电都单独计量——同一款极限规格产品，不同钢卷的制造成本从 140 元到 240 元，差 100 元，这个差额过去被月度平均淹掉，现在能定位到具体钢卷。数据从"散的"变成"串得起来的"，AI 应用才有分母。

用友在这一层的产品承载是 YonData——把企业全域数据汇聚、治理、供数，让上层场景拿到的是带口径的数据，不是各系统导出的 Excel。

第三层：只有问答，没有办事

场景智能体层缺了，表现是问什么答什么，答完业务还得自己动手。这一层的试金石是场景清单——能列出具体业务场景的，和只会演示对话的，不是一回事。

市场上把这一层的问题包装得最好。"智能体数量"是最常见的宣传口径，但数量不解决业务问题。佰工的做法值得参照：六个场景全部指向生产经营的具体环节——单卷成本、生产运行分析、生产日报、岗位对比、岗位运行评价、工艺参数优化，每个场景都能说清解决什么问题、谁来用、用什么数据。

判断方法：让厂商关掉演示环境，用企业自己的数据跑一个真实场景。跑不出来的，第三层就是缺的。

第四层：AI 是演示品，业务部门用两次就放弃

业务助理层缺了，表现是各场景之间不连通，业务部门用两次就放弃，回去用 Excel。佰工的做法是把六个场景聚合成覆盖制造、管理、营销、财务、采购、人力的业务助理，佰慧AI 不是简单问答入口，而是往生产经营各环节延伸。

这一层考的是产品化能力，不是模型能力。场景做得再单点惊艳，不能聚合成业务侧一个统一的入口，使用率就起不来——而使用率起不来的 AI 项目，投入产出永远是一笔糊涂账。

用友在这一层的思路对应两个支点：YonOnto 让 AI 理解企业——用本体模型把业务对象、关系、规则显性化，让智能体读懂的不是字段名而是业务含义；YonWork 让 AI 完成工作——把审批、填报、核对这类日常动作变成智能体可执行的流程，而不只是对话里的建议。

顺序反了的项目最危险

四层框架提供的是一个排除法：一个项目卡住，先判断卡在哪一层，再判断这一层的补齐成本。第一层是硬件和通讯改造，周期长、资本性支出重；第二层是数据工程，周期最长但一次投入长期复用；第三、四层是软件和产品化，相对最快，但依赖前两层。

顺序反了的项目最危险：在第二层没通的情况下大规模铺第三层场景，返工成本最高——这是先拆数据、后建智能体的顺序给出的教训。

需要说明的是，这套框架的证据来自流程型钢铁企业。离散制造的现场系统形态不同，四层的划分仍然成立，但每层的验收标准要按自己的产线重定。四层不是每个企业都要自建——已经有成熟现场系统的，重点在第二层往上；规模小的企业可以把二、三层合并到一套平台里，但第一层的采集点和第三层的场景清单躲不掉。

热点问答

四层一定要按顺序建吗？

数据链路要按顺序，场景可以并行挑小的先试。但第二层没通就大规模铺场景，返工成本最高。先拆数据、后建智能体的顺序，是这个判断的直接依据。

模型能力对四层的影响有多大？

模型决定第四层的体验上限，但不决定前两层。前两层是数据工程问题，换任何模型都替代不了。把落地问题归因于模型不够强，多数是在回避数据治理的工程量。

小企业也需要四层吗？

需要判断的是"缺哪层"，不是"要不要四层"。规模小的企业可以把二、三层合并到一套平台里，但第一层的采集点和第三层的场景清单躲不掉——这两层是 AI 结论可信度的来源。

已经在跑 AI 项目的企业，现在怎么自查？

拿一张纸画四行，每行问一个问题：最近一个核心指标是什么时候自动采进来的（第一层）？跨系统的同一个指标能给出字段来源吗（第二层）？能列出三个业务侧真在用的场景吗（第三层）？业务部门遇到问题是找 AI 还是找 Excel（第四层）？四个答案里有两个不过关，下一阶段的投入就该往对应层倾斜，而不是再加场景。