先盘点工作，不急着选模型
企业启动AI项目时，最容易犯的错误是先比较模型和工具，再回头寻找使用场景。更稳妥的做法，是先记录各部门反复发生的任务：输入来自哪里、经过哪些步骤、由谁审核、最后交付什么。
这个过程不是为了画一张漂亮的流程图，而是为了识别真正消耗时间、容易出错或依赖少数经验人员的环节。只有任务边界足够清楚，AI能力才有明确落点。
- 发生频率是否稳定
- 输入资料是否能够获得
- 输出是否有明确检查标准
- 出错后的影响是否可控
用四个条件筛选首个试点
首个试点不需要追求最复杂或最显眼的项目。通常，高频重复、规则相对清晰、资料较完整、人工能够复核的任务更适合先做。会议纪要整理、标准报告初稿、知识查询和多平台内容改写都属于常见候选。
- 列出10至20个候选任务
- 评估业务价值、实施难度和数据风险
- 选择1至2个任务开展小范围试点
- 明确试点周期、使用人员和停止条件
先定义怎样才算有效
AI输出看起来流畅，不等于进入了业务流程。试点前应约定可观察的标准，例如员工是否愿意持续使用、输出能否直接进入下一步、人工修改量是否可接受、错误是否能被及时发现。
这些标准应来自真实工作，而不是只看模型演示。若人工复核成本高于原流程，就需要缩小任务边界、补齐资料或重新设计审核节点。
下一步行动清单
安排一次包含业务负责人和实际执行人员的短工作坊，选取一项最近完成的真实任务，带着原始资料复盘全过程。把输入、步骤、输出、判断点和风险写清楚，就能形成第一份可执行的AI场景卡片。
- 准备一份真实但可脱敏的任务样例
- 确定业务负责人和最终审核人
- 记录现有耗时与常见问题
- 约定两到四周后的复盘方式
