企业准备应用 AI，第一步应该先做什么？

企业准备应用 AI，第一步是把“想用 AI”转化为一个具体的业务问题：谁在什么流程中遇到了什么困难，现有做法付出了多少成本，改善后如何验证？

这一判断与企业规模、行业和技术基础有关。国务院《关于深入实施“人工智能+”行动的意见》鼓励有条件的企业将人工智能融入战略规划、组织架构和业务流程；它指向的是业务与技术的结合，具体项目仍需要企业根据自身条件选择。来源：国务院《关于深入实施“人工智能+”行动的意见》

应用 AI 有真实潜力， 5,000 多家中小企业的调查显示，在使用生成式 AI 的企业中，约 65% 报告员工表现有所改善；但该调查没有测量改善幅度，这一结果也不能直接推算为某家中国企业的收益。因此，企业需要用自己的业务数据验证价值。

先做一张“业务问题卡”

建议由业务负责人、实际使用者和技术负责人共同梳理，先列出三至五个候选问题。每个问题用一页纸说明六件事：

1. 业务目标：希望缩短响应时间、减少返工、提高准确性，还是补上现有系统缺少的能力？
2. 当前流程：任务从哪里开始，经过哪些人和系统，最后由谁负责确认？
3. 现状基线：一个业务周期内的处理量、平均耗时、错误或返工情况是什么？暂时没有数据，就先抽样记录。
4. 可用资料：相关文档、工单、知识库或系统接口是否存在？内容是否准确、可更新、可授权使用？
5. 风险边界：会接触哪些敏感信息？错误输出可能造成什么后果？哪些环节必须由人复核？
6. 责任人：由谁提供业务规则、核对测试结果，并决定试点是否继续？

例如，描述“建设企业知识库”还不足以启动项目。更清楚的问题是：“售后团队每天重复回答产品安装与保修问题，资料分散在多个部门，查找费时且不同人员的回答不一致；希望在保留来源与权限控制的前提下，缩短查找时间，并让无法确认的回答转交人工。”这个表述已经包含用户、流程、资料、目标与边界。

AI 风险管理框架同样强调：在设计或部署前，应明确应用目的、业务价值、预期收益与成本、使用范围，以及人类监督方式。这是帮助企业形成判断的方法参考，不意味着采用该框架就自动满足任何特定合规要求。

从候选问题中选出第一个切入点

首个场景宜同时具备三项条件：业务痛点明显，已有一定数据或流程基础，错误后果可控。可以用以下三个维度讨论优先级：

这不是一个可以套用到所有企业的固定打分公式。三项条件需要一起看：价值再高的场景，如果缺少合法可用的数据、无人负责核验，或者错误会直接造成重大损失，也不适合作为第一次试点。反过来，一个容易演示但无法改善实际工作的场景，也不值得优先投入。

以内部知识查询为例，资料有明确版本、访问权限和业务负责人时，可以先验证“找得到、答得准、能注明出处、答不上来会转人工”。涉及付款审批、合同承诺或其他难以撤销的动作，则应在更严格的授权、审核与回退机制下另行评估。NIST 的生成式 AI 专项资料将编造内容、数据隐私和人机交互列为需要管理的风险，这也是设置人工复核与异常处理的依据。

用小范围验证替代凭感觉判断

选定场景后，先约定验证范围，再开发或采购。试点应使用具有代表性的真实业务问题，包含常见情况、边界情况和过去曾经处理错误的情况；资料的使用、脱敏与访问权限需要先由企业确认。

验证至少回答四个问题：

• 业务效果：与现有流程相比，处理时间、返工量或等待时间发生了什么变化？
• 结果质量：回答或建议是否准确、可追溯？遇到不确定情况时，系统能否拒答、提示或转交人工？
• 工程条件：能否接入所需数据和系统？权限隔离、日志、性能与维护方式是否可行？
• 总投入：除模型调用费用外，还需要多少数据整理、系统集成、人工审核、培训和持续运营成本？

指标应在试点开始前由业务负责人和技术负责人共同确定，并与同一业务条件下的现有做法比较。NIST AI RMF 建议在接近实际部署的条件下测量系统表现，并持续跟踪上线后的结果；一次演示顺利，不能代替真实流程验证。

形成明确的下一步决定

试点结束应有书面结论，通常是三种：

1. 继续建设：业务指标改善，质量与风险达到预先约定的要求，且后续投入可接受。再规划系统集成、权限、培训和运营。
2. 调整后再验证：价值方向成立，但资料质量、流程设计或系统接口仍有明显缺口。先补基础条件，再缩小范围重试。
3. 暂缓：现阶段的收益无法覆盖投入，或风险仍超出企业可接受范围。记录原因，保留将来重新评估的条件。

企业第一阶段真正需要的成果，是一份可讨论的业务问题清单、一个优先场景、可核对的现状基线，以及是否进入小范围验证的决定。这样，后续选择知识库、工作流、既有软件升级或定制系统时，才有共同的判断依据。

如果企业已经有若干 AI 想法，却还无法确定从哪里开始，可以先进行AI 机会诊断与规划，把业务价值、落地条件和实施风险放在同一张决策图上；具体投入与实施范围，应在业务资料核对和验证后再确定。