前几天看到一组关于制造业 AI Agent 的说法，挺扎人：约 40% 在应用，约 40% 夭折。卡点被总结成四个字——试点即终点（来源：新浪财经，2026-08）。
试点即终点。这四个字太多人熟悉了：年初立项，找了个场景，做了个 demo，会上演示效果不错，掌声也有。然后……然后就没有然后了。半年后有人问起，负责人说"那个在优化中"。
于是很多人得出结论：是模型不够强，等下一代再说。
但我看了一圈公开案例，觉得结论要反过来：在中小企业里，"模型不够强"几乎从来不是失败的原因。真正的原因平淡得多——从头到尾，没人能把要解决的那个问题说清楚。
一、两笔账，摆一起看就明白了
第一笔账，40 万 vs 0 元。
有位在加速器做企业陪跑的从业者，写过这么一个案例：某制造业客户准备了 40 万预算，打算自己部署一套大模型。
他问客户：您想解决什么问题？
客户答：提升效率。
再追问具体是哪个环节、哪个人、每周花多少时间——说不清。
最后的方案是：先用免费的工具搭了个知识库问答，两周上线，效果一样够用。40 万变成 0 元（来源：知乎专栏，加速器从业者自述）。
第二笔账，3 万 vs 1 个工具。
同一位从业者提到的另一个坑：某企业一口气买了 5 个 AI 工具的年度会员，花了 3 万多。半年后回头看，只有 1 个还在用，另外 4 个彻底吃灰。
这两笔账指向的是同一件事：钱花在了"能力"上，没花在"问题"上。 40 万买的是算力，3 万买的是账号——两边都没买到"下周开始不用再手工干那件事了"。
二、"要用更强的模型"这个执念，先放一放
这里有个反直觉的数据值得知道：模型成本大约每 12 个月下降一个数量级，而中小型闭源模型的性价比已经变得相当有吸引力（来源：PPIO 整理的百位 CIO 采购观察）。另有说法指出，当前领先的开源模型，能力已经追平约六个月前那批高价闭源模型（来源：搜狐）。
所以现在的局面是：你想解决的那件小事，去年可能真需要顶配模型，今年大概率不需要了。
澳门今年 8 月一场面向中小企的 AI 讲座上，有学者把这话说得更直接：AI 带来营收潜力的同时也会产生庞大成本，就算大型企业也要权衡投入与回报；而八到九成中小企业的日常业务，未必需要使用超大型模型——选规模合适的中小型模型，还能省下不少能耗（来源：澳门日报，2026-08-18）。
八到九成。这个比例意味着：大多数公司纠结了半年的"选哪个模型"，其实是个不太重要的问题。 重要的那个问题在前面一步：到底要它干什么活。
三、把"提升效率"翻译成一件能称重的小事
"提升效率"没法落地，因为它不能被称重。能落地的场景长这样：
看到区别了吗？每周一次、3 小时、30 多份、错误要返工——每个词都能称重。做完之后省没省，一眼看得出来。
判断一件事适不适合当第一个 AI 场景，有个特别土的办法：找那件"每周都要重复干、干完还要复制粘贴一次"的小事。 它通常具备三个特征：
- 重复：每周/每天都发生，不是一年两次；
- 有输入有输出：进来是什么、出去是什么，说得清；
- 错了不致命：出错能被发现、能人工兜底——第一个场景千万别选"错了要赔钱"的。
行业整理的推荐路径也是这个意思：聚焦单一场景、优先选已验证的成熟方案、3 个月内验证效果再谈下一步；场景 ROI 排序上，智能客服这类投入低、一个月左右见效的排在前面，数据分析自动化这类要 3—6 个月的排在后面（来源：明略科技整理）。
四、一张场景筛选表，照着打分
下面这张表是把公开的选型建议压成的一张打分表。三个维度各打 1—5 分，加起来 ≥11 分的场景先做，≤8 分的先放一放。
| 维度 | 怎么打分（1 分 → 5 分） | 为什么是它 |
|---|---|---|
| 重复度 | 一年几次（1）→ 每周多次（5） | 频次决定收益。一年两次的事，做出来也省不了什么 |
| 数据现成度 | 数据在几个人脑子里/散在微信里（1）→ 已经在系统里、格式统一（5） | 这是最容易被低估的一项。数据不现成，工期会翻倍 |
| 容错空间 | 错了要赔钱/影响客户（1）→ 错了能发现、能人工兜底（5） | 第一个场景要的是活下来，不是逞英雄 |
打完再过三道过滤，来自公开的选型建议（来源：火山引擎开发者社区整理）：
- 场景匹配度：从最痛苦、最重复的环节切入，不为了用 AI 而用 AI；
- 隐性成本：开源自部署"软件免费"，但运维要人；SaaS 开箱即用，但数据存在外面——这两笔成本都得算进预算，不然预算表一定是假的；
- 扩展弹性：能不能换模型、能不能从小版本平滑升级——别把自己焊死在一家供应商身上。
第 2 条尤其值得多想一层：如果你要处理的是客户名单、报价、合同、员工信息这类数据，那"数据存在哪"就不是技术选项，而是先决条件。这一条想清楚了，很多方案会自动被排除，反倒省事。
五、四个信号：出现了，就先别买
- 信号一：说不出"每周省几小时"。 说不出，就说明还没找到场景，只找到了愿望。那 40 万预算的客户，卡的就是这一句。
- 信号二：先定了预算，还没定问题。 顺序反了。健康的顺序是：找到那件小事 → 估它值多少钱 → 再看要花多少钱。
- 信号三：一次要买好几个工具。 5 个买回来 4 个吃灰的故事，起点通常是"先都买了慢慢试"。先用好一个，比同时试五个强得多。
- 信号四：没指定负责人。 这条最致命，也最常被忽略。"试点即终点"的真相往往很朴素：项目结束后，没有一个人的日常工作里包含"继续跑这件事"。 没有主人的系统，三个月内一定安静下来。
六、一个能跑通的最小节奏
如果现在要动手，节奏可以很小：
- 第 1 周：找事。 别开大会。找 3 个具体岗位的人问一句话："你每周最烦、最重复的活是哪件？" 记下来，用上面那张表打分。
- 第 2—3 周：拿得分最靠前的那件事做一遍。 只做一件，能人工兜底。目标不是"效果炸裂"，是测出它到底能不能省下时间。
- 第 4 周：算账。 省了多少小时、准确率多少、谁在用。省不下就停——及时停掉一个场景，比硬撑半年体面得多。
- 然后再决定要不要扩。 扩的时候才需要考虑打通数据、统一口径、上不上私有化——这些是第二阶段的问题，不是第一阶段的门票。
那篇制造业报道的结论我很认同：狂热的行业概念，从来不能直接转化为工厂利润；立足真实痛点、循序渐进分层落地，才是务实之道。
常见问题
问：中小企业用 AI，必须上大模型吗？
不一定。有学者在公开讲座上指出，八到九成中小企业的日常业务未必需要超大型模型，选规模合适的中小型模型能省下成本与能耗（来源：澳门日报，2026-08）。
问：AI 试点为什么容易停在试点？
常见原因不是模型能力，而是：场景说不清、数据不现成、没人对结果负责。相关报道把这种现象概括为"试点即终点"（来源：新浪财经，2026-08）。
问：第一个 AI 场景该怎么选？
选重复度高、数据现成、容错空间大的那件小事。可用"重复度 / 数据现成度 / 容错空间"三维各打 1—5 分，合计 ≥11 分先做。
问：自己部署和用现成服务，怎么选？
关键看数据。若处理客户名单、合同报价、员工信息等敏感数据，数据存放位置是先决条件而非选项；同时要把隐性成本算进去——自部署软件免费但运维要人，SaaS 开箱即用但数据在外（来源：火山引擎开发者社区整理）。
问：多久该看效果？
公开建议是 3 个月内验证效果、快速迭代；投入低的场景（如客服类）通常一个月左右能看出苗头（来源：明略科技整理）。
写在最后
这两年关于 AI 的讨论，音量一直很大：模型参数、榜单排名、又一个新名词。声音大到让人以为，落地这件事的门槛在技术那一侧。
但看完这些真实案例，我更相信另一个判断：大多数公司缺的不是更强的模型，是一件说得清、称得出重量的小事。
40 万和 0 元的差别，不在算力上。在有没有人能回答那句"您想解决什么问题"。
你们公司试过 AI 吗？跑通的是哪件事，卡住的又是哪一步？评论区聊聊，这种真实经验比任何榜单都值钱。