企业如何正确选择第一个AI项目?

当多个 AI 应用场景都通过了初步筛选，企业该如何安排落地先后顺序？本文基于一家贸易企业的真实案例，结合六维评估表与自查题的方法论，拆解场景排序的关键逻辑，帮助企业在资源有限时做出更高收益、更低风险的选择。

之前文章我们分享的6维评估表，解决的是“场景筛选”；12 道自查题解决的是“落地条件”。今天讨论的“项目排序”，解决的是另外一个问题：当多个项目都通过了筛选，企业应该如何安排AI项目的先后顺序？

弄明白这三者的关系，企业选择的AI应用场景短期收益更高，风险更低，项目风险更可控。

有一家贸易企业准备启动 AI 项目。经过前期讨论，企业找到了三个候选场景：

1. 用 AI 识别销售订单并检查异常；
2. 用 AI 预测库存和生成补货建议；
3. 用 AI 自动生成周度经营报告。

信息化负责人按照之前的六维评估表，对三个场景进行了打分。

智能补货 26 分，订单审核 24 分，经营报告 22 分。

按照评估标准，三个项目都超过了 20 分，都有投入价值。

问题来了：

企业的预算、人员和管理精力，只允许先启动一个，究竟应该先做哪一个？

有人认为应该先做智能补货，因为它得分最高，对库存和现金流的影响也最大。

有人认为应该先做经营报告，因为数据容易获得，几周就能看到效果。

还有人认为订单审核每天都在发生，更容易得到业务部门支持。

每个人说得都有道理，最后反而更难决策。

这也是企业开始规划 AI 项目后，经常遇到的第三个问题。

第一个问题是：哪些场景值得上 AI？

第二个问题是：企业的数据、流程和管理基础能不能支撑 AI 落地？

当这两个问题都有了初步答案，企业还要继续回答：

几个项目都值得做，企业也有一定基础，到底应该先做哪一个？

今天我们就来聊聊这个问题。

一、先分清项目筛选和项目排序

在讨论优先级以前，我们先把几个容易混淆的问题分清楚。

之前的6维评估表，解决的是“场景筛选”。

它通过业务价值、频率规模、流程标准、数据就绪、技术可行和风险可控六个方面，判断一个业务场景值不值得投入。

12 道自查题解决的是“落地条件”。

它检查企业当前的数据、业务流程、库存采购、经营分析和管理机制，能不能支撑 AI 真正进入业务。

而今天讨论的“项目排序”，解决的是另外一个问题：

当多个项目都通过了筛选，企业应该如何安排先后顺序？

这三个问题不能混在一起。

一个项目值得做，不代表必须现在做。

一个项目现在能够做，也不代表它最应该排在第一位。

它更像是在有限资源下，给几个有价值的项目排出一条可以执行的路线。

二、排序之前，先看项目之间的依赖关系

很多企业给项目排优先级，习惯先看哪个项目收益最大。

这个方向没有错，但还不够。

因为收益最大的项目，可能依赖大量尚未完成的基础工作。

还拿智能补货来说。

对贸易企业而言，如果能够减少缺货和库存积压，确实会直接影响销售和现金流，业务价值通常比较高。

但要让 AI 生成相对可信的补货建议，至少需要下面这些基础：

• 商品编码相对统一；
• 系统库存基本准确；
• 历史销售数据能够使用；
• 在途采购数据比较完整；
• 供应商交货周期有记录；
• 促销计划和大客户订单能够提前获得；
• 企业现有的补货规则能够被说清楚。

如果这些条件还没有具备，智能补货即使得分最高，也不适合马上排在第一位。

企业需要先统一商品数据、提高库存准确率、梳理采购人员的判断规则。

这些工作看起来不像 AI 项目，甚至不如智能预测听起来先进。

但它们决定了后面的 AI 项目能不能做成。

因此，给 AI 项目排序时，第一步不是比较分数，而是画出项目之间的依赖关系：

• 哪些项目可以独立启动？
• 哪些项目依赖数据治理？
• 哪些项目依赖流程改造？
• 哪些项目需要先完成系统接口？
• 哪些项目要等其他项目积累数据以后才能开始？

看到这里，你会发现：

有些项目虽然排在后面，却不代表它不重要，而是它需要先完成前置准备。

项目优先级不是价值排行榜，而是实施顺序。

三、第一个项目，要优先选择反馈周期短的场景

企业第一次做 AI，最缺少的往往不是想法，而是经验。

企业还不知道：

• 业务人员应该怎样参与；
• 数据需要准备到什么程度；
• AI 输出怎样进行人工审核；
• 供应商演示和实际使用有多大差距；
• 项目最后应该如何验收。

因此，第一个 AI 项目除了创造业务价值，还承担着另外一个任务：

帮助企业尽快跑通一次完整的 AI 项目闭环。

这就要求第一个项目的反馈周期不能太长。

我建议优先选择具备下面几个特点的场景：

• 4—8周内能够看到初步结果；
• 可以限定在一个部门、一类商品或一个业务环节；
• 上线前后的效果能够对比；
• AI 输出可以人工检查；
• 做得不好时能够调整或撤回。

例如，订单识别和异常审核，可以先选择一个销售团队、一类固定格式的订单进行测试。

上线前，销售助理每天处理多少张订单、每张需要多长时间、容易出现哪些错误，都可以提前记录下来。

试点以后，再看订单录入时间有没有缩短，错误率有没有下降，业务人员是否愿意继续使用。

相比之下，智能补货的验证周期通常更长。

补货建议是否准确，可能要经过几个采购和销售周期，才能看出缺货率、库存周转和资金占用是否真正改善。

它的长期价值可能更高，但不一定适合成为企业第一个 AI 项目。

这里需要强调一下：

优先选择反馈周期短的项目，不等于只做简单项目。

关键是先用一个范围可控的场景，建立企业实施 AI 项目的方法和信心。

四、第一个项目，必须有人真正负责

AI 项目还有一个很现实的问题：谁来负责？

很多项目立项时，大家都表示支持。

老板支持，信息化部门支持，业务部门也认为 AI 可以提高效率。

但项目开始以后，信息化部门需要业务人员提供规则，业务人员说最近工作太忙；需要业务部门参加测试，大家又认为这是信息化项目；AI 输出出现问题时，也没有人愿意判断结果到底对不对。

最后，信息化部门只能一边整理数据，一边猜业务规则。

这样的项目，即使技术方案没有问题，也很难真正落地。

所以，谁提出需求，不一定就是业务负责人。

真正的业务负责人，至少要承担几件事：

• 解释当前业务是怎么做的；
• 提供业务规则和异常情况；
• 协调一线员工参加试用；
• 判断 AI 输出是否可用；
• 推动原有工作方式发生变化；
• 对最终业务结果进行确认。

如果智能补货项目的价值最高，但采购部门只愿意提出需求，不愿意投入时间参与，那它就不适合作为第一个项目。

反过来，一个理论价值稍低，但业务部门愿意真正参与的项目，反而更容易完成第一次闭环。

企业做 AI，不只是软件和数据发生变化，人的工作方式也会发生变化。

没有业务部门承接，再聪明的 AI 也只能停留在演示阶段。

五、给开头的贸易企业排一条 AI 实施路线

我们回到开头的那家贸易企业。

它有三个主要候选项目：

1. 订单识别和异常审核；
2. 智能补货；
3. 经营报告自动生成。

如果只看业务价值，智能补货可能排在第一位。

但把依赖关系、验证周期和业务承接能力放在一起看，顺序就可能发生变化。

第一阶段：0—2 个月

先试点订单识别和异常审核。

选择一个销售团队和一类订单，先验证 AI 能否正确提取客户、商品、数量、价格等信息，并识别字段缺失和价格异常。

所有结果继续由销售助理人工确认，不直接提交正式订单。

同时，可以小范围尝试使用 AI 整理周度经营报告。

它不作为核心项目，只用于让管理人员熟悉 AI 如何辅助信息整理和数据解释。

第二阶段：2—4 个月

完成智能补货需要的基础准备。

包括：

• 清理商品主数据；
• 检查库存准确率；
• 整理历史销量；
• 记录供应商实际交货周期；
• 梳理促销和大客户订单的影响；
• 将采购人员依赖经验的判断规则逐步显性化。

这部分工作不够“像 AI”，但它决定了智能补货项目最后能不能用。

第三阶段：4—6 个月

启动智能补货的 POC，也就是小范围可行性验证。

不要一开始覆盖全部商品和全部仓库，可以先选择：

• 销量相对稳定的商品；
• 数据质量较好的仓库；
• 采购规则相对清楚的品类。

AI 生成补货建议后，仍由采购人员审核。

经过几个周期，再比较缺货率、库存周转、采购准确率和资金占用是否发生变化。

达到验收标准后，才逐步扩大范围。

这条路线并不一定适合所有企业。

但它说明了一个基本方法：

企业不是简单选择分数最高的项目，而是把短期试点、基础建设和长期价值连接起来。

六、企业可以马上做的四件事

如果你的企业已经有几个 AI 候选场景，可以先做下面四件事。

1. 从六维评估中选出三个真正值得投入的场景。
2. 画出它们之间的数据、流程、系统和组织依赖关系。
3. 选择一个 4—8 周能够验证、失败后可以调整，并且有明确业务负责人的主试点。
4. 把其他项目分别放进“基础准备”和“战略储备”，明确下次评估的时间和进入条件。

不要试图第一次就把所有 AI 场景都做完。

企业真正需要建立的，是一套能够持续发现问题、选择场景、验证结果和复制经验的方法。

写在最后

企业第一个 AI 项目，不只是为了节省几个人、缩短多少时间。

它还要帮助企业学会：

• 怎么把一个 AI 想法变成具体的业务场景；
• 怎么判断数据和流程是否已经准备好；
• 怎么让业务部门和信息化部门共同负责；
• 怎么管理 AI 输出的不确定性；
• 怎么用业务结果验收项目。

因此，第一个项目不一定是想象空间最大的，也不一定是六维评分最高的。

它应该是那个既有业务价值，又能帮助企业完成第一次学习闭环的项目。

第一个项目跑通以后，企业获得的不只是一个 AI 工具。

更重要的是，企业开始知道下一次应该怎么做。

本文由人人都是产品经理作者【豆芽悟】，微信公众号：【豆芽悟】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议。