AI应用机会的清单随处可见，编写起来也不费力；而AI不适用场景的清单却很少见。这很奇怪，因为后一份清单能省下更多钱。下文并非罗列AI的技术局限——这些局限一直在变化——而是归纳了公司中四种反复出现的情形：演示成功，热情真挚，但价值始终没有兑现。最好在花掉试点预算之前就把它们点明，而不是事后再说。
任何自动化都依靠重复创造收益，AI也遵循同样的算术规律：一项任务每月只做几次，无论自动化得多么漂亮，带来的回报都不足以抵偿集成、维护以及由此引入的新故障模式。一个明显信号是试点项目“运行良好”——低频任务在试点中表现出色，规模化后却毫无收益。任务量是用例筛选的首要标准，却也是最常被跳过的一项，因为低频任务恰恰最容易在演示中显得讨喜。
AI提供的是类似智能工作的投入，因此只有当智能工作本身构成瓶颈时，它才能带来回报。许多流程的瓶颈完全在别处：等待交易对手签字，等待决策者给予关注，等待市场反馈，或等待某个实体环节完成。在排队环节中加入一个模型，并不会让队伍流动起来；它只会让队伍里的文书看起来更漂亮。诊断必须贯穿整个流程，找出时间和成本究竟累积在哪里。坦诚的诊断结果往往令人不安：瓶颈可能是某个人、一份合同，或是公司自身的决策速度。AI能在哪些方面改善损益，取决于瓶颈是否确实在于需要智能判断的工作；否则，它不过是装饰。
有些决策发生频率很低，却事关重大，取消人工参与所省下的成本远不足以抵消承担的风险：例如旗舰产品定价、公开声明，以及具有法律约束力的承诺。在这些决策中，AI可以起草、总结和准备材料——这是真正的贡献——但责任所在的关键一步仍需要判断力。为了节省几分钟而把最后一步交给AI的公司，最终会以另一种代价把这几分钟买回来。界线不在于模型的准确率，而在于后果的不对称性；再高的准确率也无法消除这一点。
自动化一个有问题的流程，只会加速问题的蔓延。AI是强大的放大器，会放大它所嵌入的任何工作流程；如果流程本身杂乱无章——审批重复、规则相互矛盾，或某些步骤只是因循旧习而保留——模型就会以比疲惫的人类更快、更笃定的方式执行这些混乱。正确的修复顺序与直觉相反：先修复，再自动化。而修复本身往往会精简任务，直到流程成本不再足以证明任何自动化的合理性——但这笔节省，自动化预算永远不会记上一功。
A use case that fails one of these four tests is not a weak opportunity. It is a well-demonstrated way to spend integration effort on nothing.
用四项标准——任务量、真正的瓶颈、错误后果的不对称性、流程健康状况——筛选候选用例，是机会评估的起步环节，也是AI实践中的标准工作：这是整个周期中说“不”成本最低的时点，因此也是最能创造收益的时点。
我们使用 Cookie 分析流量并改进网站。只有在您同意后，才会启用分析功能。Cookie政策