AI落地的第一个决定就是选场景，而这个决定几乎决定了项目的生死。选对了，两个月出成绩，预算和支持自然跟上；选错了，半年做不出效果，一句「AI没用」就把后续机会全堵死。企业里常见的选法是「哪个领导声音大做哪个」或者「哪个看起来最酷做哪个」，这两种都不靠谱。下面给一套用了很多次的四象限评估法，配上打分维度和排除清单。

用「价值—难度」四象限做第一轮筛选

横轴是落地难度（数据齐不齐、流程改动大不大、需要几个系统配合），纵轴是业务价值（能省多少钱、能多赚多少、领导多在意）。四个格子的处理原则很明确：高价值低难度，立刻做，这是首个试点的唯一候选区；高价值高难度，排进第二阶段并提前补数据；低价值低难度，可以让业务团队自己用工具玩，不占项目资源；低价值高难度，明确放弃并写进文档，避免半年后又被人提出来。第一轮筛完，通常二十个候选场景只剩三五个真值得投。

价值维度怎么打分：只认可核验的数字

价值不能靠形容词。建议按三项打分，每项一到五分：直接经济收益（能否折算成年化金额，有明确口径的给高分）、影响范围（涉及多少人、多少单据、多少客户）、战略关注度（是否在今年经营重点里）。特别提醒别把「提升管理水平」这种无法测量的收益当主要理由，它撑不过第二次预算审查。一个实用技巧是要求场景提出方给出「现在这件事一年花多少人工、错多少次」，答不上来的场景说明本身就没被量化管理过，不适合作为首个试点。

难度维度怎么打分：数据先于算法

难度打分的核心不是技术难，而是配套难。四项各一到五分（分越高越难）：数据可得性（有没有、干不干净、能不能导出）、流程改动量（是否需要改变员工的日常操作习惯）、系统集成数（需要对接几个系统、是否依赖外部厂商排期）、组织阻力（有无部门利益冲突、是否触及考核）。经验规律是数据可得性和组织阻力这两项权重最高——算法问题基本都有现成方案，数据不全和人不配合才是真正拖死项目的原因。

三条排除线：这类场景先别碰

不管评分多高，命中以下任一条都建议延后。第一，容错率极低且出错代价高的场景，例如直接对外报价、财务终审、安全联锁控制，这类要先做人机双轨。第二，数据基础为零的场景，靠纸质单据或存在于老师傅脑子里的经验，这类要先花两三个月补数据采集再谈AI。第三，跨三个以上部门且没有强力主导者的场景，协调成本会吃掉所有精力。把这三条写进立项模板里，能挡掉大量注定失败的提案，也能让拒绝变得有依据而非得罪人。

首个试点的四个理想特征

真正合适的第一个试点，通常同时满足四点：单部门可闭环，不需要跨部门协调；数据已经在系统里，导出即可用；效果能用一个数字衡量，且两个月内能看到变化；业务负责人本人愿意投入时间。这四点比「场景多先进」重要得多。典型的好选择包括客服问答、发票预填、销售线索评分、质检图像初筛、会议纪要。典型的坏选择是横跨供应链的全局智能排产——价值很高，但绝不该放在第一个。

场景评估会怎么开：一张表两小时定调

流程可以很轻。会前收集各部门提交的候选场景，每个用一页纸写清：现状痛点、现在的人力和错误成本、期望效果、可提供的数据、愿不愿出人。会上由业务、IT、财务、外部顾问各自按上面维度打分，现场算总分排序，直接圈定一到两个试点和二到三个储备。会后当天发出结论和放弃理由。两小时能定的事不要拖一个月——AI落地里，决策拖延本身就是最大的成本，市场和员工的热情都会在等待中消耗掉。

试点做完必须做的一件事：复盘并更新象限

试点结束后，把实际的价值和难度回填到象限里。你会发现估计和现实经常差很远：以为容易的数据其实脏得离谱，以为难的集成其实厂商很配合。把这些偏差记下来，第二轮选场景的准确率会明显提升。同时把试点里沉淀的可复用资产列清单（数据管道、提示词模板、评估脚本、培训材料），下一个场景能直接复用，这是规模化最实在的加速器。复盘写成两页纸存档，比开一场庆功会有价值得多。

AI落地选场景的方法可以概括为：价值与难度四象限筛出高价值低难度区，价值只认可核验数字，难度重点看数据和组织阻力，命中三条排除线的先延后，首个试点必须单部门可闭环。两小时定调、做完复盘回填，选场景这一步就从赌运气变成可重复的方法。