企业讨论 AI 时，容易先问“用哪个模型”，却还没有确定要改善哪项工作。更有价值的起点，是找出重复、耗时、信息分散或需要识别判断的环节，再判断 AI 是否适合参与。模型只是系统的一部分，流程、数据与人员协作同样重要。先用一个边界清楚的场景验证价值，再讨论模型选型、费用和部署方式。
一、把分散的资料变成可查找的知识
产品手册、操作说明、历史问题和内部制度，往往分散在不同文档里。知识助手可以先检索相关资料，再组织回答，并展示依据，帮助员工查找信息。
对于经常变化的企业知识，可考虑检索增强生成，也就是先找资料、再生成回答，而不是默认先训练一个新模型。资料的版本、使用权限和更新方式仍需要管理；能够检索到内容，并不代表回答一定正确。
二、辅助处理文档和日常沟通
AI 可以参与文档分类、信息提取、摘要和回复草稿。例如从一批格式不同的材料中提取待核对字段，再交给业务人员确认，而不是让模型直接写入正式业务数据。
这类应用应先确定字段定义、允许的错误类型和复核流程。对关键内容保留原文入口，让使用者能够快速核对。效率是否提升，应看处理时间和返工情况，而不只是演示时的回答速度。
三、让视觉识别服务于具体的检测任务
工业视觉可以用于面板缺陷、文字标签或设备状态等识别场景。实际项目不仅需要模型，还要考虑图像采集、光照、缺陷定义、现场节拍和结果如何进入工单或质量管理流程。
例如把疑似异常图片优先交给工作人员复核，与直接控制设备停机，是两种不同的责任边界。项目开始时就应确定系统是在提示、辅助判断，还是执行动作。
四、不是所有问题都需要大模型
固定规则、数据库查询、传统算法或现有软件，有时就能解决问题。预测类需求还需要先判断历史数据是否足够、是否稳定，以及预测结果会触发什么业务动作。
如果需要生成内容、识别图像和执行流程，可以分别选择适合的能力，再通过软件接口协作。没有必要为了“做 AI”而把所有步骤都交给同一个模型。
五、先验证一个可衡量的小场景
选择一个边界清楚的任务，整理代表性数据，与当前人工或规则方案比较。评估结果质量、复核工作量、运行费用和异常处理，再决定是否扩大范围。
对客户而言，更值得讨论的不是“AI 能不能替代一个部门”，而是“这项工作现在怎样完成，哪一步值得改善，怎样证明改善有效”。把这些问题说清楚，才有条件讨论模型和部署方式。