"我们公司想用 AI，您推荐哪个模型？GPT-4？Claude？还是国产的 DeepSeek？"

这是在和客户初次接触时被问得最多的问题之一。

这个问题的顺序是错的。它把从 0 到 1 做企业 AI 的第一步选错了——选在了"用什么工具"上，而不是"解决什么业务问题"上。

这篇文章讲清楚企业 AI 从 0 到 1 的正确路径：先盘业务流程、再选场景、再选工具、再做试点、再扩展。这是一个反直觉但经过大量项目验证的顺序。

一、为什么"先选工具"会跑偏

"先选工具"的思维模式是这样的：

  1. 听说 GPT-4 很强，买一个 Copilot 企业版
  2. 上线给员工用
  3. 几个月后问："效果怎么样？"
  4. 发现用户量从初期的 60% 掉到 20%
  5. 归因为"员工不会用"

这条路径的根本问题：没有业务目标。员工拿着一个工具，不知道用在什么地方，最终只是在写周报、翻译邮件、总结会议纪要——这些都不错，但对公司的核心业务指标毫无影响。

6 个月后老板问：这 50 万花出去，我们多赚了什么？答不上来。第二年预算砍掉。项目结束。

正确的思维模式反过来：

  1. 盘点公司 10 个最耗资源的业务流程
  2. 识别 1-2 个最适合 AI 改造的流程（ROI 最高）
  3. 针对这些流程设计"AI + 流程"的新方案
  4. 根据方案需求选工具和模型
  5. 试点 → 量化 ROI → 扩展

顺序是：流程 → 场景 → 方案 → 工具，不是反过来。

二、Step 0：盘业务流程（最重要的一步）

这一步决定了后面所有工作的方向。做不好这一步，后面再多投入都是白搭。

具体做法：列出公司里所有主要业务流程——至少 10 个。每个流程用一张表格描述：

流程名 涉及岗位 每月人工投入 典型问题 / 痛点 业务影响
客户询盘应答 销售 + 助理 120 人时 响应慢、漏掉、重复问 询盘转化率低
报价生成 销售 + 工程 200 人时 查价表慢、算附加费错 出报价时间长
发货跟单 物流 + 销售助理 160 人时 跨系统查、手工对账 出货延误率高
... ... ... ... ...

这张表是公司级的，不是某个部门的。第一次做可能需要 1-2 周（涉及跨部门访谈），但这是企业 AI 从 0 到 1 最有价值的一次投入。做完这张表，你就有了决策的 baseline——任何 AI 项目都应该指向表里的一项或几项。

三、Step 1：识别 ROI 最高的场景

盘完业务流程，下一步是按 ROI 排序。公式很简单：

场景 ROI ≈ (当前人工成本 + 错误成本 + 机会成本) × AI 能改进的比例

影响 AI "能改进比例"的因素：

  • 结构化程度：输入 / 输出是否可以规范描述？结构化程度越高，AI 能做的越多
  • 规则稳定性：业务规则是否相对稳定？频繁变动的规则 AI 难学
  • 数据可得性：需要的数据是否已经在数字系统里？还是散落在邮件和 Word 文档？
  • 错误容忍度：AI 出错的成本有多高？（医疗 / 金融场景要求近乎零错误，营销场景容忍度高）

举例：

场景 人工成本 结构化度 规则稳定性 数据可得性 错误容忍度 ROI 评估
客户邮件自动回复 高 中 高 高 中 ⭐⭐⭐⭐
合同条款审查 高 中 中 中 低 ⭐⭐
产品文案生成 中 高 高 高 中 ⭐⭐⭐⭐⭐
销售预测 中 中 低 低 中 ⭐⭐

这张表是示意——每家公司的具体打分不同。关键不是表里的分数，而是有没有做这个排序。

排序原则

  1. 一期只选 1-2 个——不管看起来多诱人的场景，一期超过 2 个就会分散精力
  2. 选人工成本高 + 错误容忍度中等以上 + 数据已经数字化的场景
  3. 避开规则频繁变化 + 数据散乱 + 错误容忍度极低的场景

四、Step 2：设计 "AI + 流程" 方案

选定场景后，不要直接跳到"用什么工具"。先做流程重新设计。

两个问题：

问题 1：新流程应该长什么样？

以"报价生成"为例，原本流程是：

客户询盘 → 销售登记 → 销售查运价 → 销售算附加费 → 主管审批 → 销售出报价 → 发客户

AI 重构后可能是：

客户询盘 → AI 自动提取信息 → AI 查运价 + 算附加费 → AI 生成报价草稿 → 销售审核修改 → 发客户

关键变化：从 7 步变 5 步；原本需要销售和主管的 4 步（查、算、审、出）压缩成 2 步（AI 做 + 销售审核）。

问题 2：各步骤的责任分配？

在新流程里：

  • AI 负责：信息提取、查询、计算、生成草稿
  • 人负责：审核、修改、最终决策、特殊情况处理
  • 异常处理：AI 信心度低时自动升级到主管审批
  • 审计：每次 AI 生成和人工修改都留痕

只有把新流程设计清楚，才能评估真正需要的 AI 能力——这会直接决定选什么工具。

五、Step 3：选工具和模型

设计完方案，选工具就不难了。因为你已经明确知道需要什么能力。

几种典型情况：

情况 A：通用场景，标准化程度高

比如：邮件回复、文案生成、简单问答。

推荐：SaaS AI 工具（ChatGPT 企业版、Claude for Work、国内的豆包 / 智谱），按 seat 付费。

理由：通用能力成熟、成本低、不需要定制。

情况 B：需要调内部数据

比如：查客户应收、找产品技术规格、生成业务报告。

推荐：企业级 AI 网关（比如司南）+ 现有大模型 API + 内部知识库。

理由：需要权限透传、数据连接、审计追溯——SaaS AI 做不到。

情况 C：合规严格（央国企、金融、能源）

推荐：私有化部署 + 国产模型（GLM、Qwen、DeepSeek 的开源版本）。

理由：数据不能出网、信创要求、审计刚需。

情况 D：工业现场

推荐：边缘推理设备 + 专用模型（视觉 / 时序）。

理由：低延迟、断网可用、7×24 稳定——办公室 AI 做不到。

不要在选工具上花过多时间。选得 80 分就可以开始，剩下的 20 分靠实战调优。过度调研工具是推迟开始的借口。

六、Step 4：试点

第一期范围要小，时间要短，评测要严。

小：1-2 个场景，1 个部门试点（不是全公司）

短：2-3 个月完成一个完整的试点周期（包括方案 + 实施 + 30 天数据）

严：试点条件必须接近生产——不要做"精心呵护的 POC"

试点的目标是回答三个问题：

  1. 技术上可行吗？（答案不是 100% 就是 0%）
  2. ROI 达到预期吗？（具体数字对比 baseline）
  3. 组织上能推广吗？（员工愿意用吗？管理流程能支持吗？）

三个都是"是"，再扩展；有一个是"否"，先解决再扩展。

七、Step 5：扩展

试点成功后，扩展的顺序也有讲究：

1. 先垂直扩展，再水平扩展

  • 垂直：同一个部门 / 同一类场景，扩展到更多使用者（销售部 20 人 → 200 人）
  • 水平：跨部门 / 跨场景扩展（销售 → 客服 → 市场）

先做垂直，可以稳定运营模式；水平扩展更考验组织能力。

2. 每个新扩展点都要"小试点"

不要直接 rollout 到新场景。即使技术一样，新场景的业务规则、数据状态、用户习惯都不同，需要 2-4 周的小规模验证。

3. 建立"内容官 / 运维人"角色

前面 企业知识库失败 讲过 knowledge owner 的重要性——所有 AI 场景都需要这样的角色。扩展越广，这个角色越关键。

八、一个完整的路径图

把上面串起来——从一家公司 "AI 零基础" 到 "AI 深度融入业务" 的完整 1.5-2 年路径：

第 0-2 月：盘业务流程 + 免费 AI 成熟度诊断 + 选 1 个场景

第 2-6 月：第一个场景试点（完整走完方案 → 实施 → 30 天验收）

第 6-9 月：扩展第一个场景到更多使用者；同时启动第二个场景

第 9-15 月：第二个场景试点 + 扩展；开始建立企业级 AI 治理能力

第 15-24 月：3-5 个核心场景稳定运营 + 跨部门协同 Agent 开始试点

这是一个克制但真实的节奏。比市面上很多吹嘘"6 个月全面 AI 化"的方案慢，但每一步都有交付、有验证、有反馈。

九、结语

企业 AI 从 0 到 1，不要从"选模型"开始——那是终点不是起点。

从盘业务流程开始，识别 ROI 最高的场景，设计 AI + 流程的新方案，然后再选工具、试点、扩展。

这个顺序不是发明，是被大量失败和成功项目共同验证的。走对了顺序，2 年内能让 AI 真的进入你的业务；走错了顺序，5 年后还在反复"买工具、没效果、换工具"的循环里。

如果你的公司现在处在 AI 从 0 到 1 的起点，最有价值的第一步是做一次免费的 AI 成熟度诊断——15 分钟问卷 + 半天现场访谈，我们会帮你盘出业务流程里 ROI 最高的 3 个 AI 切入点，给出落地优先级。不合作也可以把这份诊断结果当内部参考。

预约免费诊断。

这是《知识中心》的第 12 篇，也是整个系列的收尾。如果你从头读到这里，应该已经建立了对企业 AI 落地的系统理解——从方法论（#1 咨询本质、#12 从 0 到 1），到部署（#2-#6 服务与治理），到 GEO（#7-#9），到知识库与工业 AI（#10-#11）。

读完想聊聊你的具体场景？欢迎 联系我们。