Peringkat 2 ke 3: Dari Projek Perintis ke Diskala, Melarikan Diri Dari Purgatori Projek Perintis

Projek perintis AI anda berjaya. Pengguna menyukainya. Angka awal menggalakkan. Pasukan wakil pembangunan jualan menjimatkan tiga jam seminggu untuk mempersonalisasi e-mel. Kadar balasan meningkat 12%. Pemilik projek perintis membentangkan keputusan. Kepimpinan mengangguk.

Kemudian seseorang bertanya: "Bagaimana kita menskalakan ini?"

Dan tiba-tiba tiada siapa yang tahu jawapannya.

Ini adalah purgatori projek perintis. Ia adalah ruang antara "projek perintis berjaya" dan "kami mempunyai AI yang berjalan dalam pengeluaran." Di sinilah kebanyakan organisasi Peringkat 2 tersekat, kadang-kadang selama setahun, kadang-kadang lebih lama. Forrester mengenal pasti pembiakan kes penggunaan sebagai salah satu halangan terbesar untuk menskalakan AI: enterpris sering mempunyai berpuluh-puluh projek perintis tetapi kekurangan rangka kerja untuk mengutamakan dan mengaktifkannya. Projek perintis itu berada dalam keadaan tergantung sementara pasukan memperdebatkan infrastruktur, menunggu belanjawan, berhujah tentang pemilikan, atau hanya menjalankan projek perintis lain kerana itu terasa lebih selamat daripada komitmen yang pengeluaran perlukan.

Memahami mengapa purgatori projek perintis berlaku adalah langkah pertama untuk melarikan diri daripadanya. Jika anda masih di Peringkat 1, baca Peringkat 1 ke 2: Dari Ad-Hoc ke Projek Perintis dahulu.

Bagaimana purgatori projek perintis kelihatan

Fakta Utama: Cabaran Projek Perintis ke Skala

• Forrester mengenal pasti pembiakan kes penggunaan sebagai salah satu halangan terbesar untuk menskalakan AI; enterpris sering mempunyai berpuluh-puluh projek perintis tetapi kekurangan rangka kerja untuk mengutamakan dan mengaktifkannya ke dalam pengeluaran (Forrester, 2025)
• Organisasi yang telah menskalakan AI (Peringkat 3+) menjana pulangan pemegang saham jumlah 3 tahun kira-kira 4x lebih tinggi daripada yang ketinggalan dalam AI; jurang antara pemimpin dan yang ketinggalan melebar dengan setiap tahun kelewatan di Peringkat 2 (BCG, 2025)
• McKinsey mendapati bahawa beralih dari projek perintis AI yang berjaya kepada penggunaan di seluruh enterpris memerlukan penggunaan minda penskalaan, mengambil pendekatan modular untuk membina aset AI, dan memendekkan kitaran pembangunan analitik, keperluan yang kebanyakan pasukan peringkat projek perintis tidak berstruktur untuk dilaksanakan (McKinsey, 2025)

Purgatori projek perintis mempunyai simptom yang konsisten.

Projek perintis yang kekal dalam projek perintis selama 12+ bulan. Sempadan masa yang ditetapkan dalam piagam datang dan pergi. Tiada siapa yang secara eksplisit memutuskan untuk menskala. Tiada siapa yang secara eksplisit menghentikan projek perintis. Ia hanya terus berjalan pada jumlah rendah, menggunakan sebahagian usaha tanpa menghantar nilai skala pengeluaran.

Pelbagai alatan yang bersaing sedang dinilai serentak. Berbanding berkomit kepada satu alatan dan menskalanya, pasukan membuka penilaian dua atau tiga alternatif. "Kami ingin memastikan kami memilih yang betul." Lapan belas bulan kemudian mereka masih belum memilih.

Eksekutif menunggu "satu lagi titik data." Projek perintis menghasilkan keputusan yang baik, tetapi kepimpinan menginginkan saiz sampel yang lebih besar, tetingkap masa yang lebih lama, atau kes penggunaan yang lebih kompleks sebelum komit. Penghalang terus bergerak.

Tiada keputusan infrastruktur yang dibuat. Projek perintis berjalan pada persediaan awan yang diurus vendor tanpa komitmen seni bina daripada syarikat. Penskalaan akan memerlukan keputusan tentang storan data, pengehosan model, pemilikan API, dan pemantauan yang tiada siapa buat lagi.

Pasukan projek perintis keletihan. Tiga orang yang sama yang menjalankan projek perintis sedang diminta untuk menjalankan dua projek perintis seterusnya sambil juga memikirkan cara untuk menskala yang pertama. Mereka terlalu terukur, tidak berstruktur, dan mula menarik diri.

Jika dua atau lebih daripada ini adalah benar, anda berada dalam purgatori projek perintis. Pelaiannya memerlukan disiplin pelaksanaan, bukan lebih banyak penilaian.

"Peralihan Peringkat 2-ke-3 gagal paling kerap bukan kerana projek perintis itu salah tetapi kerana pasukan memperlakukan penggunaan pengeluaran sebagai versi projek perintis yang lebih besar. Ia tidak. Pengeluaran memerlukan komitmen infrastruktur, pengurusan perubahan melebihi sukarelawan, tadbir urus kos, dan pemilik Operasi AI yang dinamakan. Syarikat yang menjalankan Peringkat 3 dengan infrastruktur Peringkat 2 menghadapi insiden, kejutan kos, dan keruntuhan penerimaan." (Rework)

Ujian Persimpangan Peringkat 2-ke-3

Diagnostik empat keperluan yang mengesahkan organisasi telah benar-benar menyeberang dari Peringkat 2 ke Peringkat 3, berbanding melabelkan semula projek perintis yang diskala sebagai pengeluaran. Keperluan 1: Satu kes penggunaan digunakan kepada semua pengguna yang dimaksudkan (bukan kohort sukarela), dengan pemantauan yang aktif. Keperluan 2: Keputusan infrastruktur bersama didokumentasikan dan dikomitkan (pembekal model, pangkalan data vektor, tumpukan kebolehcerap), bukan ad-hoc setiap kes penggunaan. Keperluan 3: Kes penggunaan kedua sedang dalam projek perintis aktif menggunakan infrastruktur Keperluan 2 sebagai asasnya. Keperluan 4: Pemilik Operasi AI yang dinamakan wujud dengan akauntabiliti eksplisit untuk masa uptime sistem pengeluaran, insiden, dan pengewersian model. Organisasi yang memenuhi Keperluan 1 sahaja menjalankan projek perintis yang diskala, bukan penggunaan Peringkat 3.

Kriteria keluar Peringkat 3

Peringkat 3 bukan sahaja "lebih banyak projek perintis." Ia adalah postur operasi yang berbeza secara kualitatif. Berikut adalah apa yang mesti benar untuk mendakwanya.

Keempat-empat keperluan mesti benar sebelum memanggil organisasi Peringkat 3. Yang paling biasa dilangkau adalah infrastruktur bersama. Ia juga yang menyebabkan masalah paling mahal jika dilangkau.

Keputusan infrastruktur yang diperlukan oleh Peringkat 3

Ini adalah bahagian yang mengejutkan kebanyakan ketua transformasi yang berasal dari latar belakang pembelian SaaS. AI pada skala pengeluaran memerlukan komitmen seni bina yang tidak berlaku untuk alatan SaaS biasa. Anda perlu membuat keputusan ini sebelum skala, bukan selepas.

Pilihan pangkalan data vektor. Jika aplikasi AI anda melibatkan retrieval-augmented generation (RAG), mencari dokumen dalaman, atau ingatan merentas interaksi, anda memerlukan pangkalan data vektor. Pilihan utama pada 2026 adalah Pinecone, Weaviate, Qdrant, dan pgvector (untuk pasukan yang sudah menggunakan PostgreSQL). Pilihannya kurang penting berbanding membuatnya. Menjalankan kes penggunaan berbeza pada kedai vektor berbeza mewujudkan fragmentasi yang mahal untuk dibatalkan.

Keputusan pembekal model. Pembekal model bahasa besar (LLM) mana yang anda standardkan? OpenAI, Anthropic, Google, atau campuran? Perjanjian enterpris mempunyai harga, terma pengendalian data, dan ciri prestasi yang berbeza. Menggunakan peringkat percuma ChatGPT untuk projek perintis adalah baik. Beban kerja pengeluaran memerlukan perjanjian enterpris yang betul dengan perjanjian pemprosesan data (DPA) dan komitmen SLA.

Alatan penghalang. Bagaimana anda menghalang AI daripada menghasilkan output yang berbahaya, salah, atau di luar jenama pada skala? Pada skala projek perintis, manusia menyemak setiap output. Pada skala pengeluaran, itu tidak mungkin. Penghalang berjalan sebagai lapisan pra- dan pasca-pemprosesan di sekitar panggilan model. Pilihan berkisar dari kejuruteraan gesaan tersuai kepada alatan yang dibina khas seperti Guardrails AI atau lapisan keselamatan LlamaIndex.

Tumpukan kebolehcerap. Bagaimana anda tahu apabila AI anda rosak? Pada skala projek perintis, pemilik projek perintis menyedari. Pada skala pengeluaran, anda memerlukan pengelogan, amaran, dan papan pemuka. Metrik mana yang penting: kependaman respons, kadar ralat, kadar sandaran, pencetus semakan manusia. Ini adalah satu komponen infrastruktur yang kebanyakan pasukan sedar mereka perlukan hanya selepas insiden pengeluaran.

Pemilikan API dan had kadar. Siapa yang memiliki kunci API untuk pembekal model anda? Pada skala projek perintis: mungkin orang yang menyediakan projek perintis. Pada skala pengeluaran: akaun perkhidmatan yang dimiliki oleh IT, dengan had kadar yang ditetapkan untuk mencegah lonjakan kos dan dengan polisi putaran untuk keselamatan.

Ini bukan keputusan IT secara terpencil. Ia adalah komitmen seni bina yang mempengaruhi setiap kes penggunaan AI yang anda bina selepas ini. Membuatnya bersama, sebelum penskalaan, menjimatkan berbulan-bulan kerja semula.

Senarai semak penggunaan pengeluaran

"Kami akan meletakkan ini dalam pengeluaran" bermakna perkara yang berbeza kepada pasukan yang berbeza. Untuk sistem AI, pengeluaran mempunyai makna yang spesifik. Lapan perkara ini perlu menjadi benar.

1. Pemantauan aktif. Bukan "kita akan menyemaknya sekali-sekala." Pemantauan aktif dengan amaran untuk lonjakan kadar ralat, penurunan kependaman, dan corak output yang tidak biasa.

2. Logik sandaran wujud. Apabila AI gagal (masa tamat model, pencetus penghalang, had kadar), apa yang berlaku? Pengguna tidak boleh melihat skrin kosong atau mesej ralat mentah. Takrifkan sandaran: tunjukkan output cache, antrikan untuk semakan manusia, tolak dengan anggun.

3. Pintu masuk manusia-dalam-gelung ditetapkan. Output mana yang memerlukan semakan manusia sebelum tindakan? Untuk komunikasi luaran yang digubal AI, takrifkan sama ada manusia menyemak sebelum menghantar (diperlukan) atau selepas menghantar (terlambat). Tetapkan peraturan ini sebelum aktif.

4. Pengewersian model dijejaki. Apabila pembekal model mengemas kini model mereka, output anda mungkin berubah. Anda memerlukan rekod versi model mana yang berjalan pada bila-bila masa, supaya anda boleh mendiagnosis perubahan output yang tidak dapat dijelaskan.

5. Tindak balas insiden wujud. Jika AI menghantar maklumat yang salah kepada pelanggan, siapa yang anda hubungi? Dalam urutan apa? Apakah SLA untuk penyelesaian? Tulis buku panduan sebelum anda memerlukannya.

6. Komunikasi pengguna selesai. Semua pengguna yang dimaksudkan tahu AI sedang berjalan dalam pengeluaran, memahami apa yang ia lakukan, dan telah dilatih cara menyemak, membetulkan, dan meningkatkan output.

7. Pemantauan kos aktif. Beban kerja AI pengeluaran boleh menjana lonjakan kos yang tidak dijangka. Penggunaan token, jumlah panggilan API, dan pemilihan model semua mempengaruhi kos. Seseorang memiliki laporan kos bulanan.

8. Perjanjian pemprosesan data ditandatangani. Jika AI memproses data peribadi atau data sulit syarikat, DPA vendor anda mesti tersedia sebelum pengeluaran. "Kita akan menambah DPA selepas kita menskalakan" adalah pelanggaran pematuhan, bukan item tangguhan.

Senarai semak ini adalah perbezaan antara "digunakan" dan "pengeluaran." Kebanyakan pasukan mencapai 5 daripada 8. Tiga yang mereka langkau adalah yang menyebabkan insiden.

Menskalakan pengurusan perubahan: dari sukarelawan kepada semua orang

Projek perintis berjalan pada sukarelawan. Orang dalam kohort projek perintis anda mengangkat tangan. Mereka ingin tahu tentang AI, bersedia untuk bereksperimen, dan bertoleransi dengan kelemahan. Mereka bukan sampel yang mewakili populasi pengguna penuh anda.

Skala pengeluaran melibatkan semua orang. Dan semua orang termasuk yang skeptik, yang terkekang masa, yang "ini nampaknya lebih banyak kerja bukan kurang," dan yang diam-diam bimbang bahawa jika AI melakukan kerja mereka dengan baik, mereka tidak akan mempunyai kerja.

Di sinilah peralihan Peringkat 2-ke-3 paling biasa terhenti. Projek perintis berjaya pada 20 wakil pembangunan jualan yang jadi sukarela. Pasukan penuh mempunyai 80 SDR, termasuk 30 yang telah melakukan kerja ini selama lima tahun dan tidak antusias tentang perubahan aliran kerja mereka.

Buku permainan pengurusan perubahan untuk Peringkat 3 mempunyai empat bahagian.

Latih untuk aliran kerja baharu, bukan alatan. Pekerja menentang alatan. Mereka menerima penambahbaikan aliran kerja. Jangan jalankan "latihan alatan AI." Jalankan "panduan aliran kerja SDR baharu" yang kebetulan merangkumi alatan AI. Tunjukkan sebelum dan selepas. Jadikan penjimatan masa kelihatan.

Beri yang skeptik cara masuk yang selamat. Jangan mewajibkan AI sebagai satu-satunya laluan. Biarkan yang skeptik menggunakannya secara pilihan pada mulanya. Bukti sosial rakan sekerja yang mendapat keputusan yang lebih baik adalah lebih meyakinkan daripada mandat eksekutif.

Tangani ketakutan secara langsung. Jika anda tidak menamai kebimbangan "adakah ini akan menggantikan saya?" secara eksplisit, ia akan mendominasi setiap perbualan tidak formal tentang pelancaran. Namakannya dalam mesyuarat semua-staf. Terangkan evolusi peranan: apa yang AI kendalikan, apa yang manusia lakukan yang AI tidak boleh. Jadilah spesifik. Kekaburan memburukkan ketakutan.

Ukur penerimaan, bukan hanya hasil. Berapa ramai pengguna yang sebenarnya menggunakan aliran kerja AI setiap hari? Mingguan? Langsung tidak? Jejaki penerimaan dengan serius sama seperti anda menjejaki hasil perniagaan. Penerimaan yang rendah menjelaskan hasil yang tidak mencapai sasaran, dan ia boleh diperbaiki jika anda menangkapnya awal.

Tadbir urus di Peringkat 3: dari draf kepada fungsi

Pada Peringkat 2, anda mempunyai polisi minimum yang boleh digunakan. Pada Peringkat 3, anda mempunyai AI yang berjalan dalam pengeluaran merentas pelbagai kes penggunaan. Keperluan tadbir urus berkembang sewajarnya.

Fungsi kelulusan alatan. Seseorang menyemak permintaan alatan AI baharu, menggunakan rangka kerja klasifikasi data, dan mengeluarkan kelulusan. Bukan jawatankuasa. Seorang dengan proses dan masa pusing balik.

Pemilikan insiden. Apabila insiden AI pengeluaran berlaku (output yang salah, pendedahan data, kegagalan model), siapa yang memiliki penyelesaian? Pada Peringkat 3, ini adalah peranan yang dinamakan: ketua Operasi AI atau setara. Bukan senarai e-mel dikongsi.

Semakan polisi suku tahunan. AI bergerak pantas. Senarai alatan yang diluluskan dari enam bulan lalu mungkin merangkumi alatan yang telah mengubah terma pengendalian data mereka. Bina acara kalendar: semakan suku tahunan, dua jam, senarai alatan yang diluluskan ditambah log insiden.

Garis dasar jejak audit. Untuk setiap aliran kerja AI yang mampu melaksanakan Execute (AI mengambil tindakan dalam sistem), anda memerlukan log tentang apa yang AI lakukan, bila, dan dengan hasil apa. Ini adalah keperluan undang-undang dan pematuhan di skala pengeluaran dalam kebanyakan bidang kuasa, dan ia adalah asas untuk penyelesaian masalah apabila sesuatu berjalan salah. Lihat Jejak Audit untuk Tindakan AI Execute untuk apa yang jejak audit gred pengeluaran perlukan.

Analisis Rework: Berdasarkan corak penggunaan AI peringkat enterpris, tiga keputusan infrastruktur yang paling kerap ditangguhkan sehingga selepas insiden pengeluaran adalah: tumpukan kebolehcerap (pasukan menyedari mereka memerlukannya apabila mereka tidak dapat mendiagnosis mengapa output merosot), perjanjian pemprosesan data dengan pembekal model (ditangani selepas penggunaan apabila undang-undang menandai jurang pematuhan), dan pemantauan kos (muncul apabila invois kejutan pertama tiba). Ketiganya murah untuk dilaksanakan sebelum pengeluaran. Ketiganya mahal untuk dipasang semula selepas insiden. Senarai semak penggunaan pengeluaran dalam artikel ini khusus diurutkan untuk memastikan ketiga-tiga ini ditangani sebelum aktif.

Pengiraan semula ROI di Peringkat 3

Projek perintis membuktikan kebolehcapaian. Pengeluaran membuktikan ekonomi. Ini adalah soalan yang berbeza.

Projek perintis dengan 20 pengguna selama 60 hari yang menjimatkan 3 jam per pengguna per minggu kelihatan seperti ini dalam terma setahun: 20 pengguna x 3 jam x 48 minggu = 2,880 jam yang dijimatkan. Pada kos beban sepenuhnya purata $50/jam, itu adalah $144,000 dalam nilai buruh yang disetahunkan.

Tetapi berapa kos sebenar untuk menjalankan AI tersebut dalam pengeluaran? Kos API model, masa pasukan Operasi AI, kos infrastruktur, overhed pemantauan. Jika jumlah kos pemilikan tahunan adalah $40,000, ROI adalah $104,000 bersih. Itu adalah kes perniagaan yang jelas.

Jalankan pengiraan ini sebelum komitmen penskalaan Peringkat 3 anda. Dan gunakan angka sebenar, bukan harga peringkat projek perintis vendor. Tanya pembekal model anda untuk harga pengeluaran pada jumlah token yang dijangkakan. Tanya pengambilan Operasi AI anda berapa kos masa mereka. Tambah 20% untuk overhed yang belum anda jangka.

Contoh Peringkat 2-ke-3 yang sebenar

Syarikat SaaS 200 orang menjalankan projek perintis yang berjaya dengan Ejen Sokongan AI pada S3 2025. Projek perintis menunjukkan bahawa AI boleh menyelesaikan 35% tiket sokongan masuk tanpa penglibatan manusia, membebaskan 15 jam per minggu per jurutera sokongan.

Sebelum penskalaan, mereka membuat tiga keputusan infrastruktur: ditetapkan pada OpenAI Enterprise untuk pembekal model mereka, komit kepada Pinecone sebagai pangkalan data vektor untuk pangkalan pengetahuan sokongan, dan menggunakan LangSmith untuk kebolehcerap.

Mereka mengupah Ketua Operasi AI pada S4 2025. Orang itu memiliki senarai semak penggunaan pengeluaran, menjalankan latihan pengguna, menulis buku panduan insiden, dan menyediakan papan pemuka pemantauan kos.

Menjelang S1 2026, Ejen Sokongan AI berada dalam pengeluaran untuk pasukan sokongan penuh. Secara selari, mereka melancarkan Projek Perintis 2: penolong Operasi Jualan AI yang menggubal ringkasan panggilan dan cadangan langkah seterusnya terus dalam CRM. Projek perintis tersebut sedang berjalan sekarang, dengan infrastruktur Projek Perintis 1 sebagai asasnya.

Mereka tidak menjalankan lima projek perintis secara selari. Mereka menjalankan satu dengan baik, mengkomitkan infrastruktur, dan menggunakan asas tersebut untuk yang seterusnya. Itulah peralihan Peringkat 2-ke-3 yang dilakukan dengan betul.

Apa yang datang seterusnya

Penggunaan pengeluaran adalah Peringkat 3. Peralihan ke Peringkat 4 adalah magnitud yang berbeza: AI bukan sebagai lapisan di atas aliran kerja anda tetapi dijalin ke dalam model operasi teras anda. Kebanyakan syarikat pasaran pertengahan tidak akan bersedia untuk Peringkat 4 selama dua hingga tiga tahun lagi.

Tetapi memahami apa yang Peringkat 4 perlukan membantu anda melabur dengan betul di Peringkat 3. Anda bukan sahaja menskalakan alatan. Anda membina infrastruktur dan tadbir urus yang Peringkat 4 bergantung. Pelaburan tersebut berganda ke hadapan.

Baca: Peringkat 3 ke 4: Dari Diskala ke Diintegrasikan untuk keperluan organisasi dan seni bina.

Baca: 5 Stages of AI Maturity untuk melihat model kematangan penuh dan di mana Peringkat 3 berada.

Baca: Buku Permainan Tindak Balas Insiden AI sebelum penggunaan pengeluaran pertama anda. Anda akan menginginkannya bersedia sebelum anda memerlukannya.

Lihat juga:

• Kos Jujur Transformasi AI: pelaburan infrastruktur yang diperlukan di Peringkat 3 yang dimodelkan berbanding kes perniagaan
• Mengurutkan Corak AI dalam Peta Jalan Berbilang Tahun: cara mengutamakan kes penggunaan kedua dan ketiga anda selepas Projek Perintis 1 berjaya