企业 AI 落地怎么开始：先选场景，还是先选大模型？
先选业务问题和可验收任务，再选模型。更完整的顺序是：业务结果 → 岗位任务 → 数据与责任 → 智能体工作流 → 模型评测 → 小范围运行。模型很重要，但它不是起点。
最近更新：2026-09
先选场景，不等于先想一个宽泛的“AI 应用”
“做知识库”“上智能体”“接入最强模型”都不是可验收场景。一个合格起点应明确：谁在什么条件下提交哪些材料，系统要交付什么，谁判断结果能否进入下一环节，失败时怎样停止或转人工。
| 先确定什么 | 需要的证据 | 通过条件 |
|---|---|---|
| 业务结果 | 当前耗时、返工、等待或错误记录 | 结果改善能被业务负责人确认 |
| 岗位任务 | 真实输入、历史合格结果和责任人 | 同类任务可重复获得并快速复核 |
| 数据与权限 | 资料来源、版本、敏感级别和可调用系统 | 最小范围可授权，关键动作可人工确认 |
| 模型与智能体 | 同一任务集下的质量、失败、延迟和成本 | 一次被采用的结果优于当前基线 |
什么时候可以先看模型？
当数据地域、服务合同、私有部署或特定模态是硬约束时，可以先建立“可选模型池”，排除不满足条件的服务。但最终使用哪个具体模型，仍应由真实任务评测决定，而不是由品牌、参数或一次演示决定。
从一个问题走到智能体的六步
- 建立人工基线：记录最近 10 至 30 个真实任务的耗时、返工、证据和采用情况。
- 冻结任务边界：明确输入、输出、禁止动作、责任人和成功标准。
- 接入最小数据：只开放完成任务必需的资料与只读工具，保留来源和版本。
- 设计工作流：定义追问、工具调用、失败停止、人工确认和日志。
- 评测候选模型：固定材料、工具、预算和评分表，比较具体模型版本。
- 小范围运行：按最终采用率、返工、人工介入和一次成功成本决定继续、更新或停止。
三个常见反例
- 先采购模型额度：最后才找业务任务，预算消耗了，流程没有改变。
- 先做全公司知识库：过期资料、权限和版本混在一起，答案很流畅却无法负责。
- 先追求全自动：没有停止、回滚和人工确认，工具越多，错误的影响范围越大。
事实、推断与建议的边界
MCP 和 A2A 分别提供工具/上下文连接与智能体协作的开放规范，这是技术事实；“先任务、后模型，用真实采用结果验收”是数位人的企业落地建议。协议兼容、模型基准或厂商演示都不能直接证明一项企业任务已经可上线。
带上一项真实任务和历史样本，先判断它值不值得做成智能体。
评估落地路线 →