企业第一次做 AI，怎样选对项目并设计可退出的试点

先把经营问题翻译成可以观察的工作任务

项目诊断先问谁在什么情况下完成什么任务，而不是先问用哪个模型。应记录当前输入、处理步骤、系统、人员、耗时、返工、错误和最终责任。比如“提高销售效率”不能直接试点，必须继续拆成客户资料整理、商机判断、跟进任务、报价准备或复盘提醒，并确认其中哪一步最频繁、最耗时、最容易出错。

候选任务需要同时比较业务价值、发生频次、数据可得性、流程稳定度、风险等级和负责人意愿。价值高但数据不可获得，或者流程每天都在变，都不适合直接生产化。诊断结果应形成优先级矩阵，明确首选、候选、暂缓和禁止自动化的任务，而不是把所有部门需求都塞进一期。

试点开始前先锁定历史样本和正确答案，由业务负责人确认哪些答案可接受、哪些必须拒答或转人工。基线至少记录当前人工完成率、平均时间、关键错误和人工修改量。AI 方案只与这条真实基线比较，不能拿供应商演示或理想估算代替现状。

范围要限制在一个入口、一组用户、一类资料和一段流程内。接口不可用、权限无法满足、关键资料缺失、错误可能造成外部承诺，或样本结果达不到门槛时，试点应停止、降级或转人工。可退出不是失败，而是防止企业在证据不足时继续扩大投入。

验收指标应连接任务完成率、处理时间、人工修改、严重错误、异常接管、权限事件、使用情况和直接成本。每个指标写清分母、数据来源、责任人和通过门槛。一次演示顺利不能证明长期运行，必须覆盖空数据、旧版本、冲突资料、重复请求、接口超时和无权限用户。

通过后再决定扩展到更多人员、资料或系统，并保留版本、样本、问题和回归记录。未通过时要判断根因属于数据、流程、集成、规则、模型还是组织责任，再决定修正或终止。麒典公开描述的是诊断与试点设计能力，不承诺固定周期、固定投资回报或固定成功率。

第一次试点应该选最重要的业务吗？

不一定。应同时满足价值可量化、数据可获得、风险可控制和责任人明确。

试点多久算完成？

不按固定天数判断，以约定样本、异常路径和验收门是否全部跑完为准。

试点没达到目标是不是项目失败？

不是。若能明确不适合的原因并及时停止，也避免了更大的投入损失。