企业AI落地：第一步不是选模型

先把结论放前面

企业AI落地的第一步，是挑一件具体的、天天在发生的事，把它跑通。

不是选模型，不是选供应商，也不是先做一份三到五年的规划。这三件事都可以做，但它们都不是第一步——把顺序调换过来，往往就是项目后来停摆的原因。

三种常见的错误起手

一、先建平台、先部署模型

「先把底座搭好，再往上长应用」听起来稳妥，实际上很难成立。平台的价值来自被使用，而没有人用过的平台无法验证它该长成什么样。更常见的结果是：模型部署完了，接口开了，业务部门不知道该拿它做什么，半年后这笔投入变成一份技术资产盘点里的条目。

二、先做全员AI培训

培训能提升认知，但认知不等于能力。员工学完提示词技巧，回到工位上发现拿到的还是那几个系统、那几份数据，最后还是用不顺手。真正让人养成使用习惯的，是某个具体环节由AI接手之后确实省了事。

三、先要一份完整方案

完整方案看起来很安全，但它有一个无法回避的前提：写方案的人必须比你自己更懂你的业务。 现实里没有这个前提。所以典型产出是三张架构图加一个三年里程碑，每一条都对，落不到任何一天的工作里。

什么算「一件具体的事」

四条标准，同时满足才适合作为第一件事：

标准	判断方法	不合格的例子
天天在发生	每周至少发生几次	每年一次的资质申报
输入输出清楚	能一句话说清「从什么到什么」	「提升整体效率」
结果可判定	做完之后能一眼看出好没好	「客户满意度提升」
数据就在手边	不依赖先做一轮数据治理	需要先打通五个历史系统才能取数

按这四条筛一遍，多数企业能立刻列出三到五件候选：报价、对账、进度同步、月度汇报、制度问答、证照到期提醒。这些事都不新鲜，正因如此才好验证。

为什么最好选在「链路上」，而不是选一个孤立场景

同样是第一件事，选在链路中间和选在链路末端，后续能长出来的东西完全不同。

一个孤立的效率工具——比如把会议录音转成纪要——能改善一个点，但它不连接任何系统，也不产生可复用的数据。而一个处在链路上的环节，比如报价，天然要碰到客户信息、费率规则、价格审批和报价单归档。

以报价为例，把这件事跑通之后：

• 费率与协议价已经归集到一处，后面所有涉及价格的场景都能调用；
• 权限规则已经建好——谁能看协议价、谁能改费率——这套规则可以原样复用到其他数据；
• 客户在同一个地方发起询价、拿到报价，沟通入口已经建立。

也就是说，第一件事跑通的同时，数据层、权限层和入口层都留下了可复用的资产。第二件事的成本会明显低于第一件，第三件再低一档——这才是「落地」这个词真正的含义。具体路径可以对照询价报价自动化与企业AI中枢这一层。

从一件事到全公司，复制是怎么发生的

复制不是发通知，也不是再开一轮培训。复制发生在一个前提下：第二件事要用的数据、权限和入口，第一件事已经准备好了。

所以判断第一件事做得好不好，有一个很直接的标准：做完之后，业务部门会不会自己提出下一个需求。会，说明这条路走得通；不会，大概率是第一件事选得太边缘，或者只是给某个部门做了一个工具。

不建议作为第一件事的场景

• 需要先治理数据的场景。 如果一件事的前提是「先把五个系统的客户编码统一」，那它就不是第一件事，而是第二阶段的活。
• 边界说不清的场景。 例如「让AI帮我做经营决策」——输入是什么、输出是什么、谁来验收，都说不清。
• 只有一个人受益的场景。 一个人觉得好用，不足以推动任何变化。
• 结果无法判定的场景。 做完之后没有办法说清好在哪里，也就无法决定要不要继续投入。

常见问题

要不要先做数据治理？

不必等治理完再开始。把要用的那一部分数据接到一处，差异在比对中暴露出来，治理的方向反而更清楚。反过来，先做一轮全面治理再谈场景，通常会在治理阶段耗尽耐心——因为看不到收益。可参考跨系统数据对账的做法：先归集、再比对、把口径固化成规则。

公司规模不大，是不是用不上AI？

规模小反而更容易见效：人少、链路短、拍板快。真正决定成败的不是规模，而是有没有一件天天在发生、结果看得见的事。

要不要先私有化部署一个大模型？

先问一句：部署完之后谁用、用来做什么。如果答不上来，这一步可以往后放。涉及核心数据的企业，数据不出厂是硬要求，这一点在选型阶段就要确认清楚，而不必和「先部署模型」绑在一起。

万一第一件事没跑通怎么办？

这正是选一件小事的意义——投入可控、结论明确。跑不通也是一个有效结论：你会知道障碍在数据、在权限、还是在流程本身，这些信息对下一次尝试是必要的。

下一步

如果你手上已经有一件「天天在发生、结果看得见」的事，可以直接拿它来对照；我们会按你的现状给出落地路径，而不是先推一套平台。

资料来源与说明

• 我方项目信息：来自已交付项目，可公开的部分已在正文中链至对应案例页。
• 行业通识：岗位与流程层面的公认常识，不另注来源。
• 判断性表述：我方基于上述资料的综合判断，以「通常」「普遍」表述，不作绝对化断言。