不要从最大的愿景开始
一家企业可能同时想自动编制报告、优化用电和评估供应商。三个目标涉及不同的系统和责任人，一起启动只会把数据问题藏在项目计划里。试点应从可明确描述的决策开始，例如“识别一条产线的异常基载”，而不是“全面智能化 ESG”。
选择场景时可比较四项：问题发生频率、数据可得性、处理错误的代价、业务负责人参与程度。高频、低风险且有现成数据的任务通常更适合作为第一站。
数据基础决定试点上限
场景若依赖手工收集的月度表格，就不要承诺实时建议。先检查数据更新时间、字段口径、缺失率和原始凭证。企业可以用小规模样本检验：随机抽取十条异常，能否在半小时内找到原始证据？若做不到，优先投资数据治理。
在能源场景，计量表与设备、工单的映射是核心；在供应链场景，采购编码和供应商身份是核心。两类项目的前置工作不同，不宜套用同一个“智能平台”实施清单。
把成本和责任写进试点
模型调用费通常只是总成本的一部分。接口开发、权限配置、资料清洗、培训与人工复核往往更难估计。试点合同和内部计划应明确可交付的字段、负责人、验收样本和退出条件。
评价效果不能只看生成文本的速度。更有意义的指标包括异常发现的准确率、证据查找时间、复核工时，以及业务部门是否愿意持续使用。若节约的时间被纠错耗掉，应先修复数据或流程。
什么时候扩展范围
完成一个生产周期后，复盘误报、漏报与人工干预。若表现稳定，再把同一工作流复制到相似场景，并重新验证数据口径。管理层应参与设定容错边界，而不只是看演示界面。
新时代国际官网讨论的是可操作的技术路径。本站未展示经核实的自有软件或客户案例；企业选型仍应要求供应商提供真实部署条件、数据安全说明与可复现的验收结果。
试点失败也能提供价值。若发现供应商主数据混乱，企业可以先统一编码；若发现能源计量无法对应产线，就先补分项表；若发现审批反复延误，就先明确授权层级。不要把这些基础工作记成“AI 项目没有结果”，它们本来就是使后续自动化可信的前提。阶段复盘应由业务部门主导，技术团队解释系统限制，财务确认投入和收益，最终由管理层决定是否继续。
用一个九十天试点回答四个问题
前两周只做问题定义：这项任务目前由谁执行、花多长时间、错误在哪里发生、原始证据存于何处。不要先买模型再寻找场景。第三到六周整理样本和权限，设定正常、异常与缺失三类案例。其后让智能体以只读方式运行，与人工流程并行比较。最后两周由业务负责人决定扩展、修正或停止。
衡量试点时至少比较四项：人工总工时、错误发现率、证据查找时间和维护成本。节省十小时编辑时间，却让 IT 每周花十五小时修接口，整体仍是亏损。尤其在跨部门场景，排队等待审批的时间可能远大于模型响应时间。
管理层参与的关键不是听一次演示，而是定义“哪些错误不能接受”。对内的能源异常提示可以容忍少量误报；面向监管或客户的披露数字则要求更严格的复核。不同风险等级应采用不同审批。
试点材料最好形成一页决策记录：预期收益、实际表现、数据质量问题、仍需人工处理的任务，以及下一阶段需要的预算。这样既能防止过度扩张，也能让成功经验有条件地复制。