从试点到推广：中间断掉的那几步

AI 试点大多会成功。参与的人是主动报名的、问题是挑过的、有人在旁边盯着。推广之后面对的是不想改变习惯的同事、各种没见过的问法，以及没人专门盯着的日常运行 —— 两者之间的差距，往往比技术实现本身更难跨越。

试点掩盖了什么

1. 用量：试点几十人，推广几百人，并发、成本、限流的问题这时才出现；
2. 问法多样性：试点用户会用「正确」的方式提问，真实用户不会；
3. 内容覆盖：试点只涉及某个部门的文档，推广后要覆盖全公司，而其他部门的文档可能根本没整理过；
4. 运维：试点期间有人随时修，推广后需要明确谁负责、多久响应。

推广前要补齐的几项

容量与成本：按推广后的预期用量重新估算，并设置用量告警和超限行为。这件事在试点阶段看不出必要性，但推广第一周往往就会触发。

内容准备：其他部门的文档往往格式混乱、版本不明。不要指望导进去就能用，先抽查几份评估整理工作量，这部分常常是推广延期的真正原因。

运维归属：明确谁负责日常监控、谁负责内容更新、问题反馈走什么渠道、多久回应。没有这几条，系统会在出第一个问题后迅速失去信任。

培训要讲限制而不只是功能

推广培训通常只演示能做什么。更重要的是说清楚不能做什么、什么情况下不要依赖它的答案、以及发现错误时怎么反馈。用户对能力的预期如果被抬得过高，第一次遇到错误就会彻底放弃。

分批而不是一次铺开

• 按部门或业务线分批，每批之间留出修正时间；
• 每批上线后收集答不上来的问题，补充内容后再推下一批；
• 保留随时回退的开关 —— 出现严重问题时能立刻关闭入口，而不是紧急改代码；
• 前两批的数据用来重新校准容量与成本估算。

最后一点：给推广期留出明确的观察窗口和负责人，而不是上线即结项。AI 系统的表现依赖内容和使用方式，这两者在推广期都在变化。相关安排见AI 智能体解决方案与合作流程。