企业 AI 场景怎么选：用价值、风险和数据成熟度排出优先级

从业务瓶颈反推，而不是从“AI 能做什么”出发

从模型能力开始的研讨会通常会得到几十个看似合理的点子，却很难决定先做什么。更有效的起点是经营目标与岗位摩擦：收入损失在哪里、周期卡在哪里、错误重复发生在哪里、哪些决策长期缺少信息。

把问题落到可观察任务，例如“报价准备平均需要三天且资料分散”，比“建设销售智能体”更适合作为场景。具体任务才能估算基线、识别数据、定义完成标准并找到真正负责人。

用四个维度建立统一评分语言

业务价值衡量收入、成本、风险或客户体验的变化；任务重复性判断是否值得产品化；数据与流程准备度决定短期能否落地；风险等级决定需要多少控制和验证。四个维度应保留原始判断，不要简单相加成一个总分。

例如高价值但低准备度的场景不应被低分淘汰，而应进入基础建设队列；低风险且高重复的任务适合快速验证；高影响执行场景则需要先以只读或建议模式积累证据。

• 业务价值：影响对象、基线和可量化结果
• 重复性：频次、标准化程度与跨团队复用
• 准备度：数据、流程、接口和负责人
• 风险：权益、财务、合规、可逆性与外部影响

把场景分成四条投资路径

“快速验证”场景应在 4–8 周内用真实任务证明完成率和采用价值；“重点投资”场景需要产品路线、跨系统集成和治理预算；“准备基础”场景先修复知识、主数据或流程；“暂缓”场景则记录触发重新评估的条件。

场景路由避免所有项目都被包装成同一种 PoC。它也让管理层看见，数据治理和接口改造不是试点失败，而是高价值场景必需的前置投资。

用 90 天设计一个可决策的试点

前 30 天明确基线、任务契约、数据边界和评测集；中间 30 天让小范围用户在真实流程中使用，并保留人工确认；后 30 天修复高频失败、测量业务影响并评估扩展成本。

试点结束时应能够作出继续、调整、转基础建设或停止的明确决定。只展示演示和用户好评，没有基线、失败数据和成本的试点，无法支持投资判断。

同时计算收益、运行成本和组织成本

收益应基于任务量、当前耗时、错误成本和采纳率，而不是假设所有工作都被自动替代。运行成本包括模型、检索、工具、监控和人工复核；组织成本还包括知识维护、流程变化、培训和风险管理。

更有用的模型是区间和敏感性分析：当采用率只有一半、人工仍需修改、调用成本上升时是否仍然成立。这样可以避免用理想状态的 ROI 推动一个现实中无法维持的系统。

优先建设能复用的能力，而不只是更多场景

场景之间往往共享身份接入、知识治理、工具网关、评测、审计和反馈机制。第二个场景如果仍需从零搭建这些能力，说明组织交付的是项目，而不是 AI 运营平台。

组合复盘应同时看单场景结果和能力复用率。最理想的节奏，是每个试点解决一个明确问题，同时让下一批场景更快、更安全、更便宜。