不要从“选哪个大模型”“要不要买平台”开始。先在公司内部找一个每天都有人重复做、又确实占时间的具体环节，用它做第一个试点。这一步选对了，后面的技术选型会简单很多；选错了，再好的模型也落不了地。
为什么不建议先定工具？因为企业用 AI 的效果，主要取决于三件事：这件事有没有可依据的资料、做错了由谁兜住、结果好坏怎么判断。这三件事都在业务侧，不在工具侧。先定工具，等于先花钱再去找用途。
挑选试点环节时，可以按三个条件筛：
- 高频：每天都发生，或每周发生多次。低频的事做了也看不出效果。
- 有依据：答案藏在已有的制度、产品资料或历史记录里，不需要凭空判断。
- 错了代价可控：答错了有人能立刻发现并纠正，不会直接造成损失或对外事故。
例如，假设一家做工业设备的企业，售后人员每天要回答大量重复的安装与保养问题，答案都写在产品手册和维修记录里。这就同时满足三个条件，比“做一个公司级 AI 平台”更适合当第一个试点。
具体做法上，建议先花一周做三件事：把候选环节列出来，五到八个就够；给每个环节标上发生频次、资料在哪、谁最清楚；再从里面挑一个。然后确定参与的人：业务侧出一个定标准和验收结果的人，资料侧出一个整理材料的人，技术侧可以内部解决，也可以外部协作。
挑选时还有一条经验：范围要小到“一个月内能看出变化”。如果一件事要半年才能判断好坏，中间很容易因为看不到进展而被搁置。国朝科技建议在启动前就把观察期定下来，比如以四周为一段，到期一起看数据，再决定继续、调整还是暂停。这样做还有一个好处：万一方向不对，损失可控，团队也不会因为一次大投入失败而抵触后面的尝试。
判断有没有效果，不要看“回答得像不像人”，而要看几个能数的东西：这类问题以前一个人每天处理多久、用 AI 起草之后要多久、需要改动多少地方、有多少次必须转人工。
成本上要有心理准备：这件事里最花钱的通常不是模型调用，而是资料整理和反复校对。把散落在各种文档、聊天记录、个人电脑里的内容，整理成一份口径统一的干净材料，往往占掉大半工作量。这部分省不掉，也不太适合完全外包。
还有一个常见误解要提前说清：能演示，不等于能稳定使用。演示阶段答对几次就够了，真正投用要考虑没人盯着时答错了怎么办、资料更新了怎么同步、谁能看哪些内容。所以第一个试点范围要小，最好只覆盖一个岗位、一类问题。
国朝科技建议把第一步落在“选场景”而不是“选工具”上：先列出手上最值得做的三个环节，写清各自的资料在哪里、由谁负责、怎么算做好了，再决定是开发还是采购。这份清单本身就是后面所有决策的依据。