选错场景,AI智能体就废了一半

做AI智能体，企业最常踩的坑是什么？

不是模型选错了，不是平台搭得不够好，也不是知识库没建完善。

是场景从一开始就选偏了。

很多企业一聊AI，脑子里立刻蹦出三个问题：用什么大模型？接哪个平台？要不要先建知识库？

这些问题当然值得讨论。但它们都排在一个更靠前的问题之后——

你到底在解决什么问题。

场景选错了，后面模型再强、方案再漂亮，都是在解决一个不值得解决的问题。POC演示热热闹闹，最后停在展板上。验收指标写得漂亮，上线三个月没人用。

那么，企业到底该怎么选智能体场景？

我观察了很多真实案例，总结出一套六维评估法。不用懂技术，先把这六个问题过一遍，场景值不值得做，大概就有数了。

维度一：业务价值——这事到底值不值做

做智能体的第一个检视镜，不是技术能不能做到，而是做了以后能改善什么。

企业场景不是科技展。它最终要回答的是：这个场景是否真实影响效率、成本、质量、风险或收入。

判断业务价值高低的三个追问：

有没有真实的业务痛点？不是说"我们想用AI"，而是业务上确实存在低效、重复、质量不稳、响应慢的问题。
问题影响的是不是关键岗位或关键流程？一个人的便利和一类岗位的效率改善，价值量级完全不同。
做成以后能改善什么？省时间？降差错？提速度？减转派？说不清楚改善点，说明场景还没被定义清楚。

业务价值不足最大的风险是：项目做成了，但不重要。能演示、能回答，但业务部门不依赖它。最后变成"可有可无"的工具——上线时热闹，三个月后沉默。

维度二：使用频次——能不能持续用下去

企业智能体不能只看单次效果，还要看它有没有被持续使用的可能。

有些场景单次价值不算大，但每天都在发生；有些场景听起来很有价值，但一年只触发几次。

对智能体来说，高频场景往往更适合优先落地

因为只有高频，智能体才有机会进入日常工作，被不断调用、反馈、优化。低频场景做完，项目很容易停留在"做过了"状态，而不是成为真实的业务能力。

判断频次高低的三个角度：

看发生次数：每天发生 vs. 每月发生，持续发生 vs. 偶尔触发。
看覆盖人群：少数专家用 vs. 一线、业务、管理人员都会用。
看是否嵌入工作节奏：完成任务时自然调用，还是需要额外打开入口、额外想起它、额外输入一堆内容？

高频不只意味着次数多，更关键的是能不能融入工作习惯。

维度三：知识密度——这事要不要靠经验吃饭

智能体的价值不只是"会说话"，而是在任务过程中能调用知识、理解规则、参考经验、结合上下文，辅助人做判断或完成动作。

这是判断企业智能体场景时，非常关键但经常被忽略的一个维度。

如果一个场景几乎不依赖知识，只是简单点击、机械录入、固定流转，传统流程自动化可能就够了，未必需要智能体。

但如果场景需要查制度、看规则、理解口径、参考历史案例、结合上下文判断——智能体的价值就更容易发挥。

知识密度高的信号：

背后有大量制度文档、业务规范、历史案例。
依赖经验判断，不是查一个字段就能完成，而是要知道"通常怎么处理""特殊情况怎么办"。

一线人员频繁问专家、问群、问老员工——说明知识没有结构化，也说明智能体有介入空间。
同一类问题，不同人回答口径不一致，说明知识需要被标准化。

知识密度不足的风险：用复杂工具解决简单问题。本来一个流程配置能解决的事，变成了大模型项目；本来一个规则引擎能处理的事，变成了智能体编排。不是智能化，是技术过度包装。

维度四：数据可用性——有没有东西让智能体真正work起来

很多企业一讲智能体，先讲能力。但智能体不是凭空工作的，它需要知识、需要数据、需要记录、需要系统状态、需要业务上下文。

在企业里，数据可用性往往比想象中更现实

不是有没有数据，而是：数据在哪？能不能访问？格式统不统一？权限清不清楚？口径一不一致？质量可不可靠？能不能持续更新？

这些问题不解决，智能体可能只能做表层对话，无法真正进入业务动作。

判断数据可用性的四个检查项：

相关知识和数据是否存在：制度文档、业务规则、历史记录、处理案例、系统数据。
能否被合法获取：不是"理论上有"，而是项目里能不能稳定访问。
数据能否被治理：是否有结构？知识是否有版本？口径是否统一？
能否持续更新：企业知识和业务数据会变化，效果如果不能同步更新，智能体结论会越来越偏。

数据可用性不足的典型表现：智能体看起来会说，但说不准、接不上、用不稳。能生成完整回答，但依据不对；能总结报告，但数据口径错了；能提处理建议，但没看到最新状态。这类问题演示时不明显，进入真实业务后迅速暴露。

维度五：流程嵌入性——能不能进真实业务流程

很多智能体项目做了不少能力：能问答、能总结、能生成、能推荐、能对话。但如果它始终悬浮在流程之外，就很难成为真实业务能力。这是企业智能体场景选择时，最容易被低估的一个维度。

什么叫悬浮在流程之外？

用户需要离开原来的工作系统，打开另一个智能体入口，把问题重新描述一遍，再把答案复制回原系统。这种体验在演示时可以接受，但长期使用的概率并不高。

企业智能体真正有价值的地方，是能嵌入业务流程——在任务发生时出现，在需要判断时辅助，在需要资料时调用，在需要流转时推进。

它不是额外多出来的一层，而是进入原有工作链条的一部分。

判断流程嵌入性的四个问题:

场景有没有明确流程节点：智能体在哪一步介入？发起前？处理中？审批时？还是结束后复盘？
智能体能不能触发业务动作：只是回答问题，还是能辅助填写、分类、派单、生成材料、推荐下一步？
能不能和现有系统形成连接：OA、工单、知识库、CRM、数据分析平台，不一定全接，但至少要知道未来怎么接。
用户使用成本高不高：如果用智能体比原来更麻烦，它就很难长期留下来。

流程嵌入性不足的后果：智能体变成孤岛工具。很聪明，但不在流程里；能回答，但不能推进；有能力，但用户想不起来用。这类项目的共同特征：上线初期有人尝鲜，后面逐渐沉默。不是能力不行，而是没有进入真实工作流。

维度六：风险可控性——出错以后会不会出大事

智能体进入业务流程，一定会涉及风险。

这不是坏事，关键在于风险是否可控。

企业做智能体，不能只问"它能不能自动完成"，还要问：如果它错了怎么办？谁来确认？能不能回退？有没有日志？有没有权限边界？有没有人工兜底？

有些场景出错只是影响表达质量，比如生成一份会议纪要初稿；有些场景出错可能影响客户体验，比如客服辅助回答；有些场景出错可能影响审批结果、财务数据、合规判断，风险就要高得多。

早期做智能体，不建议一上来就选高风险、强决策、不可逆的核心动作。更适合从"辅助型""建议型""可复核"的场景开始。

判断风险可控性的四个追问:

错误后果是否严重：错了是改一下就行，还是会造成客户投诉、资金损失、合规问题？
有没有人机协同机制：智能体是直接执行，还是先给建议，由人确认后再执行？
是否可以追溯：它为什么这么回答？用了哪些知识？调用了哪些数据？
有没有兜底和回退机制：当智能体不确定、数据缺失、权限不足时，能不能转人工、提示风险、停止执行？

六个维度，把场景先筛一遍

把六个维度做成一张对照表，方便你在评估场景时逐项打勾：

维度	核心问题	优先信号
业务价值	能不能改善效率、成本、质量、风险或收入	影响关键岗位和关键流程
使用频次	能不能形成持续使用	高频、覆盖人群广、能嵌入工作节奏
知识密度	是不是依赖大量知识、规则和经验	有大量文档、案例、口径不统一
数据可用性	相关数据能不能获取、治理和更新	数据存在、能稳定访问、能持续同步
流程嵌入性	能不能进入真实业务流程	有明确介入节点、能触发业务动作
风险可控性	出错后果是否可接受	辅助建议型、有复核机制、有兜底方案

最后说几句：

企业做AI项目，最怕的不是技术讨论不充分，而是太早进入技术讨论。

一旦大家开始比较模型参数、平台能力、插件生态，就很容易忽略一个更基础的问题：

这个场景到底是不是值得优先做的场景？

场景选错了，后面模型选型会偏，方案设计会偏，POC验证会偏，验收指标会偏，业务预期也会偏。

所以，企业做智能体，第一道关不是问模型够不够强，而是先把场景用六个维度筛一遍。

场景值不值得，能不能高频用，有没有知识支撑，数据能不能接，流程能不能嵌，风险能不能控——这六个问题先过一遍，后面的方案设计才有基础。

否则，智能体依然可能只停留在一个"看起来很智能"的演示里。

下篇预告：选定场景之后，一个AI智能体方案至少要讲清哪些事？目标、角色、流程、知识、系统、权限、边界、验收——这些要素怎么串成一套可落地的方案？