“人工智能+”进入企业，最后要落到一份具体工作
国务院 2025 年 8 月发布《关于深入实施“人工智能+”行动的意见》，提出推动人工智能进入产业、服务和民生等场景。对企业来说，方向已经清楚，真正难的是把方向翻译成一线人员每天做的事。没有具体任务，项目很容易停在方案图和演示账号里。
适合首轮验证的任务通常有可重复的输入和可检查的结果，例如整理询价信息、检索制度、准备客服回复或形成会议待办。它未必最“炫”，但团队能说清现在怎么做、哪里耗时、什么结果不能接受。
先排除不适合做首个试点的任务
涉及重大责任、样本极少、规则尚未形成或需要大量跨部门授权的工作，不适合拿来证明 AI 能不能落地。模型可能帮忙整理资料，但若业务团队自己还无法定义合格结果，技术团队也没有稳定的验收标准。
另一类风险是把一个部门的宏大目标当成任务，例如“提升客户体验”或“赋能研发”。这些目标可以保留，但必须继续拆解：谁在什么入口提交什么资料，系统做哪几步，谁确认，最终留下什么可复核结果。
用四个条件筛选第一项工作
第一，任务要重复发生，改进后才有持续使用的机会。第二，输入资料能够合法取得，并且有人负责维护。第三，结果可以由业务人员在合理时间内核对。第四，异常能够转给人工，不会因为一次错误直接造成不可逆后果。
这四项不需要同时做到完美。更重要的是团队知道差距在哪里。例如资料齐全但结果口径不统一，可以先整理验收样本；流程清楚但接口暂未开放，可以用只读数据完成原型，不必急着接入正式系统。
试点前先记录现有基线
很多项目上线后只能说“感觉更快了”，因为之前没有记录。基线可以很朴素：一周处理多少次、每次经过哪些步骤、常见返工原因、哪些环节必须找人确认。涉及质量时，还要抽取一组历史样本，写明合格结果。
基线不是为了制造漂亮的节省比例，而是帮助团队判断变化来自哪里。有的系统缩短了资料整理时间，却增加了复核负担；有的回答速度很快，但知识维护需要额外人力。这些都应算进试点结论。
原型要用真实资料，也要故意加入麻烦样本
只用格式整齐、信息完整的样本，几乎任何演示都好看。真实业务里会有扫描件、旧模板、同义词、缺字段和相互冲突的说明。首轮样本应覆盖这些情况，并保留原始来源，方便业务人员指出系统在哪一步理解错了。
每个样本可以标注三类结果：可以自动完成、需要人工确认、应当停止处理。项目团队据此调整知识、规则和工具权限。这个过程也会暴露原流程中长期被人经验掩盖的问题。
是否扩展，看使用与维护，不只看模型分数
试点结束时，除了准确率和耗时，还要看一线人员是否愿意继续用、人工接管是否顺畅、知识由谁更新、接口失败后谁处理。若系统只能在项目成员陪同下运行，就还没有成为稳定的业务能力。
首项任务稳定后，可以沿着相邻流程扩展，例如从知识查询走到工单创建，或从询价解析走到候选产品匹配。每次只新增一段可验证的责任范围，企业的 AI 能力才会逐步长在原有系统里。