TechRadar于2026年10月5日刊发的一篇文章指出，中型企业虽然比大型企业更灵活，但在人工智能落地上普遍仍停留在早期试验阶段。文章援引近期研究称，已探索AI的中型企业中，90%仍处于早期阶段，或经历试点停滞。Klarus首席技术官在文中写道，这种停滞与企业在起步方向、技术选择和投资信心上的不确定性有关，结果导致项目未能绑定可衡量的业务成果，也难以进入全面部署并产生实际影响。

文章认为，中型企业要走出“试点泥潭”，需要解决三个根本问题：建立并调动合适的专业能力与技能，打造稳健的数据和技术基础，以及在每个项目中设置正确的治理护栏。

在专业能力方面，文章指出，AI部署涉及战略与用例优先级排序、工具选型与供应商格局理解、数据就绪、安全与隐私等多个环节。团队可能在某些领域有信心，却无意中忽略自身存在的基础技能缺口。文章称，理论上的信心与实际交付能力之间存在很大差别，一些团队能处理数据就绪问题，却可能在集成或变革管理等需要更深知识的领域遇到困难。因此，企业需要一支能力全面的团队，往往要混合不同资源，才能超越理论，建立更成熟、以执行为导向的能力。

数据和技术基础同样关键。文章称，若不先审视AI赖以运行的基础，就无从谈论AI成功。中型企业常因历史遗留技术、数据质量不佳和护栏不完整而难以从试点走向全面部署。ERP、CRM和HRIS等企业应用正越来越多地自带AI能力，部分甚至成为AI原生系统，但许多公司仍在运行缺乏集成能力、功能有限且数据模型过时的遗留企业应用，这构成AI采用的显著障碍。数据质量也可能迅速成为AI部署的最大阻碍之一。文章建议企业把数据就绪视为AI战略的组成部分，从项目一开始就纳入，而不是事后补救；能提升数据准确性、归属和可访问性的企业，更有条件把试点加速推向生产。

治理、伦理、安全和隐私等护栏是技术基础的另一个关键要素。文章称，一些中型企业在这方面存在不足，可能已有全面框架，却尚未落实正式政策或控制措施，或两者都未落实。

文章最后提出，AI要超越试点并实现规模化，需要嵌入合适的环境。对中型企业而言，这意味着不能只部署单个工具，还要处理确保AI安全有效运行的系统、数据和控制。文章同时称，基础工作固然重要，但不一定非要拖慢项目进度。