

QUOTE
先验证一条流程, 再决定怎样扩大 。
继续、补基础或停止,都应由业务证据决定
假设一家设备制造企业开会讨论 AI。售后部门演示了自动写维修建议,市场部门展示了文案生成,信息部门也接了一个问答工具。每个演示都不错,但负责人问起「哪一项已经让客户问题处理得更快、更准」,现场却很难回答。
问题不在于员工缺少热情。演示通常只覆盖了工作中的一小段:输入一段文字,得到一段文字。真实业务还要核对资料、分配责任、处理例外、记录结果。如果这些环节没接上, 工具越多,管理者越难判断投入是否值得 。
我认为,传统企业启动 AI 转型的前 90 天,最重要的交付物不是一张工具清单,也不是「全员都用上 AI」的数字,而是 一条经过真实业务检验的工作流程 。它应当说得清问题从哪里来,AI 做了什么,谁作决定,结果如何回到原系统,以及相较原流程究竟改善了什么。
90 天是一个便于组织试点与决策的时间框架,不是所有企业都能照表完成的标准工期。基础资料、权限或负责人尚未就位时,宁可放慢进入运行的速度,也不要用一个漂亮的演示冒充转型完成。

▲ 从业务问题,经受控试点,到决策证据
本文看点
01
90 天后要交出什么
02
三个阶段怎么推进
03
第 90 天如何做决定
01
DEFINE THE DELIVERABLE
先说清 90 天后要交出什么
在试点开始前,我会让业务负责人回答一个问题:到第 90 天,什么证据足以支持继续投入?答案不能只写「提高效率」。以售后维修为例,可以把目标表述为:对一类常见设备故障,AI 根据允许使用的维修记录和当前手册提出故障分类与处理候选,由工程师核对后派单,处理结果再回到工单系统。
这句话里有可检查的边界:
对象是一类故障 AI 只给候选 工程师保留核对和停止权 工单系统仍是事实来源
第 90 天要评估的是这条链,而不是模型单次回答是否流畅。验收也应同时看收益和代价:处理周期、一次派单正确率、工程师复核时间、工单重开情况都值得记录;工具费用、资料维护、异常处理和培训时间也不能遗漏。具体阈值要由企业根据原流程基线和风险承受能力 预先确定,不能在看完结果后再倒推一套「达标」口径 。
NIST 的 AI 风险管理框架把治理、场景识别、测量和管理作为相互关联的工作,强调持续评估。对企业而言,最实用的启发是:在试点开始时就把负责人、业务场景、测量办法和风险处置放到同一张桌上。
02
DAY 1–15 · PICK ONE WORTHY TASK
第 1 至 15 天 选一件值得验证的工作
第一个试点不宜选「AI 看起来最厉害」的任务,也不宜挑最容易生成漂亮截图的任务。我会从业务负责人已经抱怨过的流程里找候选:
高频发生 返工等待明显 原结果可核对 资料可合法使用 出错能及时拦住
能否找到愿意负责的业务主管,比工具演示更重要。维修工单是一个可能的入口,但仍要缩小范围:只处理某类设备、某类常见故障的初步分类与派单建议,先排除涉及人身安全、重大财产损失或复杂保修争议的情形。没有明确排除条件的「智能售后助手」,范围看似大,评估时却说不清它究竟该对什么负责。
这一阶段的产物不是采购合同,而是 一页试点任务说明 :业务对象、入口和出口、现有负责人、可用资料、必须人工确认的事项、停止条件和验收指标。若一页纸都写不清楚,先把问题定义清楚,再讨论模型与平台。

▲ 高频、可核对、风险可控、有人负责,共同限定首个试点
03
DAY 16–30 · MAP THE REAL FLOW
第 16 至 30 天 摸清原流程和事实来源
一项任务能否交给 AI,首先取决于人今天怎样完成它。售后接到故障描述后,谁判断设备型号?技术员查的是哪版维修手册?备件状态在哪里确认?什么时候需要升级给专家?如果这些问题没有答案, AI 只会把原来的含糊变成一段更像答案的文字 。
这两周要做的工作并不神秘:跟着几张真实工单走一遍,记录输入、查阅材料、等待、返工和最终处理;抽取一组有代表性的已结工单,由业务人员标注哪些结论有可靠依据、哪些只是当时的经验判断。 历史工单不应被自动视为标准答案,旧做法也可能需要纠正。
资料清理可以从试点所需的最小范围开始:确认维修手册的有效版本、故障代码的解释、工单可访问角色和留存要求。若资料彼此冲突,先确定权威来源和处理规则;若客户信息不允许进入某个工具,就不能为了赶进度把整库导进去。
经合组织 2025 年关于中小企业 AI 应用的讨论,把数字连接、数据与算力、技能和资金列为重要前提。试点的难点常常不是模型不会写,而是资料、人员和原有工作方式尚未准备好。

▲ 90 天是三个有交付物、有退出条件的阶段,不是一条只向前的上线时间线
04
DAY 31–60 · COMPARE BEFORE CONNECTING
第 31 至 60 天 先做对照 再谈接入
第 31 至 45 天可以做一个范围很窄的原型:输入只接收这类工单必要的信息和获准使用的资料;输出固定为故障类别候选、所引依据、待核对项和不适用原因。它不直接改派单结果,也不自动向客户承诺修复时间。输出结构稳定,工程师才知道该核对哪里。
第 46 至 60 天用同口径样本做对照验证:常见案例、描述不完整的案例、手册版本冲突的案例和需要升级的案例都要覆盖。让工程师先独立判断,再看 AI 候选,对分歧逐项核查原始资料。已结工单可以帮助回放,但不能因为系统里曾经这样处理,就认定那一定是正确答案。
比较结果时,我会把完整处理过程算进去:若 AI 让草稿分类快了五分钟,却让工程师多花十分钟查证来源,流程未必改善;若错误派单减少,但处理成本大幅上升,也需要重新判断价值。第 8 篇谈过的 「完整任务成本」 ,在这里应成为试点的实际测量口径。
生成式 AI 还会把错误内容说得很确定。NIST 的生成式 AI 风险概况专门讨论了这类「编造式错误」。因此原型必须能表达「不确定」和「需要人工处理」,评估时也要记录这类情况是否被正确拦下。
05
DAY 61–75 · RUN FOR REAL
第 61 至 75 天 让它在小范围真实运行
离线测试通过,才考虑让少数经过培训的工程师在真实工单里使用候选建议。业务负责人应明确谁能看到什么资料、谁能接受或退回建议、派单如何写入原系统。最初可以由人执行写入;若以后再做系统集成,也应保留授权、校验和记录。
运行记录不必复杂,但至少能追到工单编号、所用资料版本、AI 候选、人工处理意见和最终结果。资料失效、权限不足、模型无法给出依据或建议与业务规则冲突时,系统应停在候选阶段,回到原来的人工处理路径。 不能因为已经买了工具,就要求每张工单都必须得到一条 AI 建议。
这段时间要安排固定复盘:工程师频繁退回,是资料质量问题、任务边界过宽,还是模型本身不适合?一类错误反复出现,就修正数据、规则或任务说明;若错误不可有效拦截,应暂停试点。让真实使用者指出问题,比单看使用次数更可靠。

▲ 问题记录 → 资料核对 → AI 候选 → 人工派单 → 结果回流,异常即停止
06
DAY 76–90 · MAKE THE CALL
第 76 至 90 天 做继续 补基础或停止的决定
试点末期,管理者需要拿到的不是一页「AI 能做很多事」的展示,而是一份可复核的比较:处理质量有没有达到预设要求,完整周期与成本怎样变化,哪些异常被拦住,哪些还要人兜底,业务负责人是否愿意为这条流程负责。
最后的决定通常只有三类:
继续扩大
结果稳定、收益覆盖完整成本且风险可控,扩大到相邻故障类型或更多工程师
补基础再测
主要瓶颈是手册版本、权限或工单字段,先补基础再复测
停止此用法
任务难核验、例外太多或错误后果过重
停止不是失败,它能避免把一个不合适的试点扩成长期负担。即便决定扩大,也不要把原型直接复制到全公司——下一条业务流程可能有不同的事实来源、责任人与停止条件。可复用的是 试点方法 :任务定义、证据交接、人工确认、基线对照、成本与风险记录;不是同一段提示词或同一套模型参数。

▲ 质量、时间、成本、风险四张答卷,对应继续、补基础、停止三条路
07
AFTER DAY 90 · SCALE WITH CARE
90 天之后 才谈企业层面的复制
如果第一条流程成立,下一步应把它变成组织能维护的能力:业务部门拥有目标和验收标准,资料负责人维护有效版本,信息与安全团队管理接入和权限,实际处理人保留反馈与停止权。每次模型或资料更新都要知道受影响的流程,不能让一项改动悄悄改变既有承诺。
扩展顺序也应由相近的任务驱动:先复用同一类工单中已经验证的材料和核对办法,再尝试不同设备或不同部门。每扩一步,都重新问一次: 来源是否相同,判断责任是否相同,失败后果是否相同 。答案有变化,验收办法就要跟着变化。
传统企业的优势是有真实业务、有熟悉现场的人,也有多年形成的制度与记录。难点是这些东西未必能直接供 AI 使用。前 90 天若能把一条流程摸清、跑通、测量并决定下一步,企业就得到了一套比演示更有价值的转型起点。
∞
THE END
写在最后
AI 转型不需要从「全员上工具」开始。先选一件业务上值得解决、结果能够核对的工作;让 AI 在有来源、有边界的范围内提出候选;由有权的人处理结果;再把质量、时间、成本和风险与原流程放在一起比较。
第 90 天不必宣布企业已经转型成功。能清楚说出 哪条流程值得继续、哪项基础必须补、哪种尝试应当停止 ,已经是在用企业自己的证据推进转型。
「第 90 天交出的不是演示,而是继续、补基础或停止的决策证据。」
参考资料
NIST《AI Risk Management Framework Core》
NIST《Generative AI Profile》(NIST AI 600-1)
经合组织《AI adoption by small and medium-sized enterprises》
END
如果你觉得这个系列有收获,欢迎 点赞、在看、转发 三连,也欢迎把它转给正在做 AI 转型的朋友。




