「我们上了大模型，啥都能干」——这是企业AI最贵的幻觉之一。大模型擅长生成和推理，不代表它适合你的排产优化或精确质检。选型错了，要么成本高到离谱，要么效果飘到没法用。真实情况是：企业里八成场景，小模型或传统算法比大模型更便宜更稳。本文给一张选型决策表，帮你按任务类型挑对工具，不花冤枉钱。

先分清任务类型再谈工具

选型的第一步是定义任务长什么样。任务大致四类：分类（这是良品还是不良品）、检索问答（基于知识库作答）、生成创作（写文案、写代码）、数值寻优（排产、定价）。不同类型适配不同工具：分类用轻量模型，检索问答用RAG接大模型，生成用大模型，寻优用运筹算法。很多企业为一个简单分类硬上大模型，月调用费翻十倍、效果还飘。先写清楚「这件事的输入输出是什么」，工具自然浮现，别让工具定义你的问题。

小模型：80%场景的性价比之王

分类、检测、打分这类任务，一个几百兆的小模型（如轻量CNN、梯度提升树）就够，本地跑、延迟低、成本低、可解释。工厂质检、发票审核、工单分类、风控打分，几乎都该用小模型。优势很明显：不依赖外部API、数据不出域、单价近乎零、效果稳定可复现。中小企完全可以从小模型起步，跑通了再考虑升级。把大模型当万能锤，是预算和效果的双重浪费，尤其对量大的日常任务。

大模型+RAG：知识问答的正确姿势

需要「基于企业知识作答」的场景——客服、制度问答、销售话术——正确姿势是大模型加RAG，而不是让通用大模型裸答。RAG把你的知识库检索出来喂给模型，让它基于事实生成，既准又可追溯。这里大模型是「表达层」，知识在你手里。选型要看上下文长度、成本和私有化能力：量大或对数据敏感，选支持私有化部署的模型。提醒：RAG的检索质量决定上限，知识库没整理好，再强的大模型也答飘。

传统算法：数值寻优别硬上AI

排产、定价、路径规划、库存优化，本质是带约束的寻优问题，用运筹优化或启发式算法比神经网络更靠谱、更快、可解释。某调度场景用大模型试过，出的计划违反交期还慢；换约束求解器，几分钟出可行解。教训是：能写成规则和目标函数的，先用传统方法，AI是补充不是替代。把「AI=机器学习」的窄理解扩成「AI=合适的方法」，企业才能在每个场景用对的锤子，而不是举着大模型敲所有钉子。某零售企业曾用大模型做补货，结果旺季频频缺货，换运筹后准时率立刻回升——这类教训在业界很常见，别等自己踩了才信，选型前先把任务类型写清楚最省事。

选型决策表

给一张能直接抄的表：分类/检测→小模型；规则寻优→运筹算法；知识问答→大模型+RAG；自由生成→大模型；预测类→梯度提升/时序模型。再叠两层判断：数据敏感选私有化、量大利小选本地小模型。签方案前问自己「这个任务非大模型不可吗」，多数时候答案是否。把这张表贴进立项评审，能拦掉大量为炫而上的采购，把钱花在真能落地的场景。

混合架构才是常态

真实企业系统很少只用一种模型。常见是：小模型做实时分类预审，大模型做复杂问答，运筹算法做排产，规则引擎做预警，上层用工作流编排串起来。选型不是二选一，而是给每条链路配最合适的工具。中小企先用SaaS里的现成能力拼出第一版，跑通后再把关键链路换成自研或私有化。按任务选型、用混合架构落地，企业才能既控成本又保效果，不被「大模型焦虑」带偏节奏。先把「这个任务非大模型不可吗」设成立项第一问，多数场景的答案会让你省下一大笔预算，这笔钱留给真正需要生成和推理的地方才值。

大模型不是AI落地的默认答案。按任务类型选型——小模型管分类、运筹管寻优、大模型+RAG管问答、混合架构管全局——企业才能在每个场景用对的工具，把预算花在真能见效的地方而非追新概念。