随着生成型人工智能（AI）的快速普及，企业的关注点已从“使用什么AI模型”转向“如何将AI真正落地于实际工作”。然而，尽管认识到运营设计的重要性，仍有不少尝试将同一设计应用于所有行业的情况。
例如，将在金融领域有效的做法直接应用于制造现场，或将为零售设计的数据结构照搬到公共机构。结果往往是相似的：技术虽然得以实现，但在实际工作中却无法运作。
在金融行业的AX项目中，最常见的错误是先实现技术，再将权限设计推迟到后期。虽然实现了合同审核自动化或客户咨询AI，但在运营阶段却因未明确接入权限和责任范围而不得不重新设计。此外，由于扫描合同或图像基础的金融和法律文档较多，事先验证AI能够处理的文档类型及其解析准确性也是必不可少的。
对于公共机构而言，民众投诉处理的准确性和行政程序的一致性至关重要。因此，AI不仅要生成答案，还需能够展示依据的法规和文档，并管理响应历史。此外，负责人员对AI结果进行审核并作出最终判断的运营方式，对提高现场的接受度也起着重要作用。
在零售AX项目中，常见的错误是未准备好数据就急于应用AI。由于不同来源的商品编码体系各异，或退货、换货未在销售数据中得到正确反映，即使AI模型再先进，结果也难以令人信服。大多数被现场拒绝的AI项目都是跳过了这一阶段。
在红砖参与的电商基础零售项目中，AI应用之前需要首先进行数据整合。商品数据、需求数据和地区销售数据分散在不同系统中，需先将其连接成一个管道。在此基础上，我们重新设计了商品推荐和促销决策流程。这不仅仅是增加AI功能，而是全面改变了工作流程，使得原本需要多人几天才能完成的任务，现在由一人一天内即可处理。
红砖在启动AX项目时，首先要了解该行业的工作结构、数据环境和监管背景。即使实现相同功能，金融公司和制造公司的设计也必须不同，需根据行业背景决定优先应用的领域、数据的结构化方式以及系统联接的起点。
红砖的前置工程师（FDE）从项目初期就被派往客户现场，通过访谈、实际文档和数据样本分析、工作流程观察，诊断重复工作、瓶颈和错误发生的点。随后，根据工作频率、所需时间、数据准备情况、预期效果以及安全和监管风险等标准评估候选任务，确定行业优先级。
在4至8周内，选择一个能够验证成果的工作进行试点，并设定处理时间缩短、准确度和实际使用率等明确的KPI进行设计。FDE在此过程中缩小了现场与开发团队之间的语言差异，协调数据清理、权限结构、系统联接和验证程序。通过这一方式，构建出不仅仅是技术实现，而是能够真正落地并扩展的AX结构。
在这一过程中，不会一次性尝试全公司转型。首先在效果高、风险低的领域进行试点，确认现场的信任后再进行扩展。这一顺序对提高AI应用后的实际使用比例起到了决定性作用。
许多企业已经意识到，AX项目的成功与其设计方式密切相关，而不仅仅取决于使用什么AI模型。然而，这一设计也必须因行业而异。如果忽视这一差异，将经过验证的单一方法应用于所有行业，最终的结果往往是技术实现了，但在现场却无法运作。成功的AX项目并不是从优秀的AI模型开始，而是从对该行业和现场的理解开始。
※ 本报道经人工智能（AI）系统翻译与编辑。
