失败的 AI 项目，根因几乎都不在技术。模型够用、预算到位、团队也不笨，最后照样黄。问题出在更靠前的地方——这件事压根不该用 AI，或者还没到用 AI 的时候。技术早就不是稀缺资源，判断力才是。
把 AI 当一笔投资，而不是一个非用不可的新玩具。投资要看回报、看风险、看能不能验证。同一套模型换个场景，可能是印钞机，也可能是个昂贵的笑话。所以动手之前先回答一个问题：这个场景，到底值不值得下手。
什么样的场景，先上 AI
好场景有共同的长相。它们不一定最性感，但都给 AI 留了发挥空间、让你能快速看到对错、让你犯错的代价足够小。判断一个场景该不该先做，盯住这几条：
- 高频：这件事一天发生几十上百次，还是一个月才一次？AI 的价值，是把单次省下的成本乘以频次。低频场景再做得漂亮，总账也算不过来。
- 规则相对清晰：好与坏有没有大致说得清的标准？哪怕标准是模糊的人类判断，只要资深的人能稳定地评出一条回复、一篇内容的好坏，AI 就有得学；连人都吵不出对错的，模型只会替你放大混乱。
- 数据可得：手上有没有足够的真实样本——历史对话、过往内容、标注好的案例？没有数据，再强的 RAG 和 Agent 都是空中楼阁。先问数据，再问模型。
- 结果可量化：跑完之后，你能不能用一个指标说清它到底有没有用？转化、时长、人工介入率、返工次数，都行。说不清怎么衡量，就等于无法判断成败，也就无法迭代。
- 试错成本低：万一答错了，后果是用户多等三十秒，还是一笔合同签错、一个客户跑掉？先挑错了能兜住、能回滚的场景练手，高风险环节留到后面。
五条不必全中，但越靠近越值得先做。一个高频、结果能量化、错了又不致命的场景，几乎就是天然的起点。
什么场景，先别碰
反过来，有几类场景听着诱人，实则是坑。一类是低频高风险——出现得少，一旦错了代价极大，比如关键的合规判断、不可逆的对外承诺。这种事人都未必敢拍板，交给现阶段的模型更不明智。
另一类是结果说不清的场景。老板想用 AI「提升品牌调性」「优化氛围」，方向没错，但没人能定义什么叫成了。衡量不了，就判断不了该继续还是该停，项目最后大概率沦为一场谁也不肯认输的表演。还有一类是数据根本不存在的——这时候该先去把数据攒起来，而不是硬上模型。
不该用 AI 的场景里，AI 用得越熟练，亏得越快。
在对的地方，先做小、跑通、再放大
选对了场景，节奏也别贪。可行的做法始终是：先在一个最小但真实的切口上做，挂上指标，跑通完整闭环，看真实业务数据，而不是看 demo 演得多顺。确认指标真的在动、方向也对，再往相邻场景复制、往更高风险的环节延伸。
这套打法朴素，却能帮你避开最贵的那个错误——拿一个错的场景，把一整支团队和一整年的预算填进去。先在对的地方做小、跑通、再放大。AI 落地的胜负，多半在你写下第一行 prompt 之前就已经分出来了。