大多数AI项目不应从模型开始。
它们应从审计开始。
不是泛泛的"就绪度调查"，而是能回答五个问题的真正实施审计：
- 哪个工作流确实出了问题？
- 系统可以信任哪些数据？
- 哪些操作绝不能让AI单独执行？
- 质量意味着什么？
- 什么情况下这个项目才值得投入成本？
审计将混乱的工作流转化为有序的构建计划。重点不在于证明AI能用，而在于决定应该优先在何处使用AI。
从工作流开始
工作流会告诉你AI是否适合介入。
寻找重复决策、重复写作、重复分类、重复查询、重复交接和重复跟进。
然后问：系统出错时会发生什么？
如果错误答案只是令人烦恼，你可以更大胆地推进自动化。
如果错误答案涉及金钱、客户、法律风险、健康、安全或信任，系统就需要审查、评估和升级机制。
梳理数据
AI系统的能力受限于数据源质量。
审计应明确：
- 源数据存放在哪里
- 数据是否实时更新
- 谁拥有数据所有权
- 谁有权查看数据
- 系统应引用哪些内容
- 系统应拒绝回答哪些内容
如果没有人对数据源负责，AI将继承所有混乱。
划定禁飞区
每个AI系统都需要划定禁飞区。
例如：
- 超过阈值的退款
- 法律建议
- 医疗建议
- 解雇决策
- 面向客户的承诺
- 价格例外
- 生产环境写入
- 破坏性文件操作
审计应在第一个原型存在之前，就确定哪些操作需要人工审核。
决定优先构建什么
第一个AI项目通常应该范围狭窄。
好的优先构建：
- 支持分类
- 报价草拟
- 文档提取
- 内部知识助手
- 线索资格评估
- 客户跟进
- 报告生成
糟糕的优先构建：
- "AI包办一切"
- 无防护栏的自主销售代理
- 缺乏数据源规范的高管仪表盘
- 基于无人维护文档的聊天机器人
产出应是一份构建计划
一份好的审计应以优先级计划收尾：
- 立即构建
- 稍后构建
- 购买替代
- 完全跳过
最后这个类别至关重要。
最强大的AI策略往往包含你刻意不去自动化的部分。
