企业AI项目卡住，别急着怪模型不够强。把跑起来的项目和停住的项目放一起看，差别大多不在模型——大家用的模型能力都差不多。差别在四层能力齐不齐，缺哪层，症状很明显，对号入座就行。
这四层是一位钢厂老板的落地路径总结出来的，从下往上：数据采集、数据打通、具体场景、日常帮手。下面每层给你一句自查的话。
这一层管的是把设备、工序、能耗的数据收进来。
缺了的症状：指标靠人工填报，同一台设备两个班组两个数。
自查：随便挑一个核心指标，问它上一次自动采集是什么时候。答不上来，就是缺这层。
这层是四层里最"重"的，要改硬件、通通讯，不少企业卡在这。有的企业跳过这层，直接在管理层做数据平台，收上来的还是人工填的二手数据——AI 建在二手数据上，说什么都不可信。
这一层管的是把生产、能源、成本各套数据打通。
缺了的症状：生产一套数、能源一套数、成本一套数，开会前先对三天账。
自查：跨部门问同一个指标，两个部门能给出同一个数吗？差多少钱？差异说得清是谁的规则问题吗？
这层的回报最直接。那位钢厂的账能算到"一卷钢"，前提是成本拆到了几百项指标、几百根辊子每根用电都单独计量。数据不打通，AI 连分母都没有。
这一层管的是具体场景——成本分析、生产日报这类真能干活的场景。
缺了的症状
自查：让厂商关掉演示环境，用你自己的数据跑一个真实场景。跑不出来，就是缺这层。
这层的水分最大。"上了多少智能体"是最常见的宣传口径，但数量不解决问题。可靠的判断是场景清单：能列出具体业务场景、每个场景说清解决什么问题谁来用的，和只会演示对话的，不是一回事。
这一层管的是把各场景聚合成业务部门统一的帮手。
缺了的症状：各场景之间不连通，业务部门用两次就放弃，回去用 Excel。
自查：业务遇到问题，是找 AI 还是找 Excel？找 AI 的多，这层就通了。
这层考的是产品功夫，不是模型功夫。场景做得再炫，聚不成一个统一入口，使用率就起不来——使用率起不来的项目，投入产出永远是一笔糊涂账。
四层不是随便挑着建。数据链路要从下往上，场景可以挑小的先试，但第二层没通就大规模铺场景，返工成本最高。那位钢厂先拆数据、后建场景的顺序，是用返工风险换来的教训。
不是每层都要自建：已经有成熟采集系统的，重点在第二层往上；规模小的企业可以把二、三层合成一套。但第一层的采集点和第三层的场景清单，躲不掉。
下一篇讲讲那位钢厂怎么把一卷钢的成本拆出几百项指标。觉得有用可以关注，后续持续更新企业AI落地的实操拆解。
