失败的 AI 项目，根因几乎都不在技术。模型足够、预算到位、团队亦不乏能力，却仍以失败收场。问题出在更靠前之处——这件事本就不该用 AI，或尚未到用 AI 的时机。技术早已不再稀缺，稀缺的是判断力。
应把 AI 视作一项投资，而非一个必须尝鲜的新工具。投资讲求回报、风险与可验证性。同一套模型置于不同场景，可能是印钞机，也可能是一笔昂贵的代价。因此在动手之前，先回答一个问题：这个场景，究竟值不值得投入。
哪些场景，宜先行投入
好场景有共同的特征。它们未必最具想象空间，却都为 AI 留出了发挥余地、让成效得以快速验证、让试错成本可控。判断一个场景是否宜先行，可着眼于以下几点：
- 高频：该事每日发生数十上百次，还是每月仅一次？AI 的价值，在于将单次节省乘以频次。低频场景纵然做得出色，总账亦难以平衡。
- 规则相对清晰：优劣是否有大致可言的标准？哪怕标准来自模糊的人类判断，只要资深者能稳定评定一条回复、一篇内容的好坏，AI 便有可学之处；连人都难以达成共识的，模型只会放大混乱。
- 数据可得：是否握有足够的真实样本——历史对话、过往内容、已标注的案例？没有数据，再强的 RAG 与 Agent 都是空中楼阁。先问数据，再问模型。
- 结果可量化：运行之后，能否以一个指标说清它是否有效？转化率、处理时长、人工介入率、返工次数皆可。无法言明如何衡量，便无从判断成败，更无从迭代。
- 试错成本低：一旦出错，后果是用户多等片刻，还是一纸合同签错、一位客户流失？宜先从可承受、可回滚的场景起步，高风险环节留待其后。
五条不必尽数满足，但越是贴近，越值得先做。一个高频、结果可量化、出错亦不致命的场景，几乎就是天然的起点。
哪些场景，宜先回避
反之，有几类场景看似诱人，实为陷阱。其一是低频高风险——发生稀少，一旦出错代价极大，如关键的合规判断、不可逆的对外承诺。此类决策连人都未必敢轻易拍板，交由现阶段的模型更非明智。
其二是结果难以界定的场景。管理者希望用 AI「提升品牌调性」「优化氛围」，方向不错，却无人能定义何谓达成。无法衡量，便无从判断该继续还是该止步，项目终将沦为一场无人愿认输的表演。其三是数据尚不存在的场景——此时应先着手积累数据，而非贸然上马模型。
在不该用 AI 的场景里，AI 用得越娴熟，亏得越快。
在对的地方，先做小、跑通、再放大
选对场景后，节奏亦不宜贪进。可行的路径始终是：先在一个最小却真实的切口落地，挂上指标，跑通完整闭环，依据真实业务数据判断，而非演示是否顺畅。确认指标确有起色、方向亦正确，再向相邻场景复制、向更高风险的环节延伸。
这套打法朴素，却能帮你规避代价最高的错误——以一个错误的场景，耗尽一整支团队与一整年的预算。先在对的地方做小、跑通、再放大。AI 落地的胜负，多在你写下第一行 prompt 之前便已分晓。