演示能跑起来，不代表业务已经准备好
企业内部经常出现这样的场景：会议上让 AI 总结一份材料，几分钟就有结果，于是大家决定做一个企业 AI 系统。真正开始实施后才发现，材料分别放在网盘、聊天记录和个人电脑里，文件命名没有规则，客户信息还有不同的权限；员工也说不清什么结果可以直接使用，什么结果必须由负责人确认。演示顺利，交付却没有边界。
AI 项目首先要回答的不是“用哪个模型”，而是“哪项工作值得被改造”。如果任务没有固定输入、没有相对稳定的判断标准，也没有明确的后续动作，单纯增加一个聊天入口通常只能带来短暂的新鲜感。把工作本身盘清楚，才有可能判断 AI 应该参与哪一步、做到什么程度。
先把一个任务写成完整的工作单元
任务盘点可以从最近一周的真实工作开始，而不是从想象中的未来场景开始。记录员工收到什么输入、先做哪些检查、需要参考哪些资料、在哪一步做判断、最后交付给谁。比如“整理客户需求”不是一个足够具体的任务，还要说明输入是电话纪要还是表单，输出是内部摘要、报价前置清单还是待确认问题。
一个可落地的任务通常包含输入、处理、人工判断、系统动作和输出五部分。输入决定知识库和权限，处理决定提示和流程，人工判断决定审核节点，系统动作决定能否写回或通知，输出决定验收标准。少掉其中一环，方案就容易只描述工具，不描述工作结果。
- 输入是什么，来源是否稳定，哪些资料可以被系统读取。
- 哪些判断可以辅助，哪些决定必须由业务负责人完成。
- 输出给谁使用，是否需要审批、写回、导出或留痕。
把人工经验变成可讨论的判断规则
很多企业说“让 AI 按老员工经验处理”，但老员工自己也可能依赖上下文和临场判断。定制前要挑出几条代表性任务，请业务人员解释为什么这样处理、哪些情况必须停下来、遇到资料不全时怎么问回去。不要急着把所有经验写成复杂规则，先找出会影响客户、合同、付款和品牌表达的关键判断。
规则也要允许“不确定”。如果资料版本冲突、客户条件缺失或问题超出范围，系统应提示补充或转人工，而不是为了保持自动化率硬给一个答案。企业 AI 的可靠性，往往不是来自它回答了多少，而是它在不能确定时有没有把问题交给正确的人。
模型只是方案的一部分，资料和权限同样重要
模型选型要放在任务、资料和权限之后。需要检索企业制度的任务，先确认资料是否可用、版本是否清楚；需要生成对外文案的任务，先确定品牌口径和人工审核；需要调用业务系统的任务，先拆清查看、生成、写回和导出权限。换一个模型不能自动修复资料混乱，也不能替企业承担审批责任。
定制方案可以从低风险版本开始：先只读查询，再生成草稿，之后再考虑经过审批的系统动作。每一步都保留测试样本和回退方式，确认前一层稳定后再增加权限。这样既能让员工看到实际价值，也能避免一开始就把不可逆动作交给自动流程。
验收要围绕任务结果，而不是围绕功能数量
验收时不要只展示“能聊天、能上传、能生成”。应选取一组正常任务、一组资料不全任务、一组权限受限任务和一组必须转人工的任务，检查系统是否读对资料、保留条件、触发审核并留下记录。业务负责人要确认结果是否能进入下一步工作，技术人员要确认异常是否能复现和回退。
上线后再看任务是否真正减少返工：员工是否少复制粘贴，资料负责人是否更快发现缺口，审核人是否能看懂 AI 做过什么。若使用率低，不要马上归因于员工不会用，先检查任务入口、输入格式、权限和输出是否符合岗位习惯。企业 AI 定制不是把一个工具放进办公室，而是把一项具体工作做得更清楚、更稳妥。
要点总结
- 先从真实工作中盘点任务，写清输入、处理、人工判断、系统动作和输出。
- 不一定。资料质量、权限、流程和验收标准同样决定能否落地。
- 涉及客户承诺、合同、付款、权限和不可逆写回的动作，应先保留人工审核。
参考来源说明
本文围绕“企业 AI 定制先别急着选模型：先把真正要交付的任务盘出来”展开，结合 5 份公开资料及一路凯歌在“企业 AI 服务”方向的执行经验整理，重点看它对官网可引用结构、FAQ 设计和后续获客复盘的影响。