企业做智能体最大的浪费，不是买贵了，而是第一个场景选错了。选错场景的典型表现是：投入几个月，上线后使用率上不去，业务部门说不清省了什么，第二年预算自然批不下来。有分析显示，仅约四成智能体部署能在第一年内实现正回报，差距主要出在这一步。

这篇不谈技术，只讲AI智能体定制开发该怎么选第一个场景：什么样的工作适合交给智能体，什么样不适合，已经跑通的行业场景有哪些，以及怎么用两个维度快速做出判断。

一、高回报场景的五个共同特征

把已经跑出效果的项目放在一起看，它们的工作流特征高度一致：

• 高频。每周发生 100 次以上。频次不够，省下来的时间就撑不起投入。
• 半结构化输入。邮件、单据、表单、文档这类有格式但格式不严格的信息最好用；纯自由文本和严格结构化的数据库字段都不是最优起点。
• 输出可衡量。能明确判断"这张工单处理完了""这份合同审过了""这份报表生成了"。
• 重复性判断。同类问题反复处理，但每次答案需要结合上下文做判断，既不是纯规则，也不全是新决策。
• 有人工兜底。异常可以升级给人，且人接管之后流程不会崩。

二、不适合先做的四类场景

同样重要的是知道哪些不该放在第一位：

• 频次低（每周不足 20 次）的工作，回报很难成立；
• 高度创造性或战略性的输出，例如原创战略、关系型决策；
• 强监管且零容错、又没有人工复核环节的流程；
• 需要真实世界物理动作且无法回滚的操作。

这四类不是永远不能做，而是不该作为第一个场景。先做能赢的，才有资源做难的。

三、行业已经跑通的场景清单

下面这些场景在公开报道中已有可核查的效果数据，可以作为对照参考：

四、用两个维度做选择：痛感 × 数据准备度

场景筛选不需要复杂模型，两个维度交叉就够用。横轴是业务痛感（频次、耗时、出错代价），纵轴是数据准备度（是否可检索、有无归属人、更新是否及时）。

第二个维度之所以关键，是因为有 38% 的企业把"数据准备度不足"列为 AI 落地的首要障碍；服务商侧的统计也显示，数据若不够干净，数据准备可能占用项目一半以上的工时。同样的痛感，数据可达性直接决定项目是三个月见效还是一年无果。

五、三个最容易踩的误区

1. 一上来做最难的那个场景。跨部门、跨系统、多角色的复杂流程看起来价值最高，风险也最高。先在单一部门跑通一个闭环，用真实数据去赢第二个场景的预算，是成功率最高的路径。
2. 把"想要的功能"当成"该做的场景"。功能清单是手段不是目标。判断标准应该是：这件事每周发生多少次、现在谁在做、做完要花多久。
3. 只考核模型能力，忽略数据准备度。选平台、选服务商之前，先把要用的文档、字段、历史记录盘一遍，看它们是否可检索、有没有归属人、更新是否及时。

六、把场景写成一句可执行的任务定义

场景选定之后还要做一件事：把它写成一句可以被开发和验收的任务定义。这句话至少要包含四个要素——触发条件、输入内容、允许的动作、判定完成的依据。写成句子而不是写成功能名，能避免后续大量的理解偏差。

举一个对照。功能名的写法是"做一个合同审核助手"，信息量极低，不同的人会理解成完全不同的东西。任务定义的写法是："当法务收到供应商合同邮件时，系统读取附件，比对标准条款库，标出偏离条款与缺失条款，生成带引用的审核意见；无法判断的条款标注待人工确认；全部确认后流转到下一环节。"后者可以直接用来拆分工作量、列接口清单、写测试用例。

这个动作还有一个附带好处：它会让"不该做的部分"自动暴露出来。写的过程中如果发现某个条件无法判断、某项数据拿不到，说明这个场景当前的边界就该收缩。宁可在纸面上收缩，也不要到开发中期才发现。安徽好牛软件有限公司在合肥本地的项目中，会先与客户共同确认这份任务定义，再进入方案与报价环节。

任务定义确认之后，再倒推需要的接口、字段与权限，清单会自然长出来。顺序反过来——先定功能清单再找场景——几乎必然导致范围失控。

七、合肥企业的落地建议

合肥本地制造业与生产性服务业基础厚，很多企业的痛点在订单、排产、质检、单据处理这类高频环节上，恰恰是高回报特征最集中的地方。本地服务还有一个不可替代的优势：场景调研需要到现场看流程、看系统、看纸质单据，远程会议很难替代这件事。

安徽好牛软件有限公司在合肥做智能体项目时，第一个动作往往不是讲方案，而是和客户一起把业务动作按频次、耗时、可衡量性列成一张表，再对照数据可达性逐项打分。打分之后常出现的结果是：客户最初想做的那个场景排在第三位，而排第一的往往是一个不起眼但每周发生几百次的小环节——先把它做掉，收益出现得最快，团队信心也最容易建立。等到第二个场景立项时，第一场景的真实数据就成了最有说服力的材料。

常见问题解答

Q1：第一个场景做多大合适？

小到能在四到六周内看到结果，又完整到能形成闭环。范围宁可窄，不要宽。范围为宽度付出的成本，往往远高于功能本身。

Q2：客服场景是不是最适合起步？

客服确实是通用性最强的起点，数据相对完整、频次高、结果可衡量。但如果企业客服量本身不大，或行业客单价极高、对话风险大，就不一定最优。选场景要看自己的业务分布，而不是跟着别人的清单走。

Q3：数据不全就不能做吗？

不全和不干净是两回事。不全可以先用现有资料跑最小闭环，靠真实使用暴露缺口再补；不干净则必须先治理，否则效果无法归因，改来改去也不知道问题出在哪。

Q4：怎么衡量第一个场景是否成功？

只看三个数：处理量、人工接管率、以及一个原本就存在的业务指标（比如重复咨询量、对账用时）。第三个数必须是公司原本就在统计的，而不是为智能体新造一个指标。

Q5：一个场景成功后，第二个怎么选？

优先后续与第一个场景共用数据和系统的相邻流程。共用程度越高，边际成本越低，见效越快。完全另起一个部门、另接一套系统的第二个场景，建议往后排。