小企业里的 AI 对话，通常从同一个地方开始：一场演示。有人看到一个能写作、总结、分类或回答问题的工具，问题随即变成：“我们可以在哪里用它？”这可以理解，但通常不是正确的起点。
工具很少是稀缺资源。真正稀缺的，是对工作的清晰理解：时间在哪里流失，质量在哪里不稳定，客户在哪里等待，以及哪些重复性工作已经足够多，值得引入一套新系统。
从工作流出发，而不是从工具出发
选一件经常发生、有可识别输入和输出、并且可以被衡量的工作。对一家小型专业服务公司来说，可能是起草提案初稿、分流新咨询、把通话记录整理成结构化摘要、按清单检查文件，或准备每周客户更新。
这些工作并不光鲜。这正是重点。第一个真正有用的 AI 项目，通常不会出现在会议舞台的聚光灯下，因为它只是移除了那些已经有明确负责人和明确标准的日常摩擦。
最好的第一个 AI 项目，通常不会出现在任何大会的聚光灯下。
三个筛选器
有了候选工作流之后，用三个筛选器检验它。它们刻意保持简单，通常能淘汰大多数候选。
1. 频率与数量
一个月发生两次的任务可能很烦，但很少值得上一套新系统。一天发生二十次的任务，成本会复利。估算时间、等待和返工。如果数字很小，这更可能是一个流程问题，而不是技术项目。
2. 判断与后果
有些工作适合先出草稿；有些工作需要一个不应被委托出去的决定。按“出错代价”给任务排序。低风险的内部摘要是很好的早期候选；面向客户的建议、法律结论或报价，可能需要一个人站在中心做决定——即使 AI 负责准备材料。目标是围绕人工复核重新设计工作流，而不是假装复核没有必要。
3. 数据准备度
这项工作有可访问的输入吗？数据足够干净吗？它们在哪里，谁拥有，哪些是敏感的？一个有用的试点，通常需要的不是更多数据，而是正确的数据。如果输入散落在收件箱和个人硬盘里，先修好这一点，再买工具。
第一个试点应该“无聊”
选一个工作流、一个团队、一个指标。开始前先建立基线：周期时间、错误率、返工、响应时间，或交接次数。运行四到六周——长到能看见模式，短到如果证据不好就可以停止。
把范围收窄。一个同时改变三个团队、四个工具和一个客户流程的试点，会产出一个故事，但不会产出学习。重点是搞清楚：新工作流是否更好，对谁更好，在什么条件下更好。
衡量改变了什么，而不是部署了什么
“我们上线了一个 AI 工具”不是结果。更有用的问题是：工作变快了吗？质量提升还是下降？团队在低价值任务上花的时间少了吗？客户注意到了吗？单位成本变了吗？例外率是否上升，并把工作推给了下游？
把复核、集成、培训和维护的成本算进去。一个工具节省了一小时起草时间，却制造了四十分钟检查时间，仍然可能值得——但前提是质量更好，或这个人的时间被释放出来做了更有价值的事。
在重要的地方保留人
AI 擅长生产“看起来合理”的材料。这也正是复核重要的原因。让一个明确的人对产出负责，给他一份清晰的检查清单，以及一个容易纠正系统的入口。把纠正记录下来；它们是判断工具弱点和流程需要改变之处的最好证据。
目标不是把人从工作中移除，而是把他们的注意力移到真正需要判断、关系和责任的部分。
然后，再谈扩展
扩展不只是多开几个账号。它意味着工作流被记录、数据访问被管理、复核标准一致，而且在高数量下经济性仍然成立。如果试点成功只是因为一个热情的人把它撑住了，你还没有一个可以扩展的东西。
第一个 AI 项目最有价值的产出，不是工具，而是对业务如何运作、瓶颈到底在哪里、要移除它们需要改变什么，有了更清晰的理解。无论工具最后是否留下，这份理解都有用。