企业接大模型，第一步不是选模型

去年到现在，问 AI 的公司很多，真正跑起来的少。复盘下来，卡住的地方几乎都不是技术，是第一步选错了对象。

这篇文章讲三件事：怎么挑第一个场景、怎么算这笔账、为什么知识库比模型重要。

先选场景，三个判断标准

不是所有环节都适合上 AI。用这三个标准筛，能过的基本都能落地：

1. 高频。一天发生几十次以上的事才值得做。一个月才遇到两次的问题，做出来也没人记得用。
2. 有标准答案。客户问"发票怎么开"，答案是固定的。这种适合 AI。客户问"你觉得我这个方案行不行"，这是判断，不是问答。
3. 容错空间够。答错了可以纠正、可以转人工，损失可控。反过来，涉及金额计算、法律结论、医疗建议的，不要让模型直接给结论。

三个能直接算账的场景

1. 客服问答

这是目前投入产出最容易算的一个。一个客服月薪加社保在 6,000 元以上，能接住的问题里，有六到七成是重复的——营业时间、退换政策、怎么开票、物流到哪了。

把这部分交给 AI，人工只处理复杂问题，同样的咨询量能少配一到两个人。而且它 24 小时在线，夜间咨询不会流失。

2. 单据识别

发票、合同、运单、身份证，拍照上传后自动抽取字段，直接填进系统。人工只做确认。

一天处理 200 张票据的公司，一年能省下来的录入成本是几万块，而且是即时见效的。

3. 内容初稿

不是让 AI 直接写成品，是让它出框架和初稿，人来改。一篇 800 字的产品介绍，人工从零写要三四个小时，AI 给结构加初稿二十分钟，人再花一小时改成能用的。省的是冷启动那段时间，不是全部时间。

为什么先做知识库，不是先做模型

模型是通用的大脑，它知道世界上大部分常识，但不知道你公司的具体规定。

直接问通用模型"我们的退货政策是什么"，它只能编一个听起来合理的答案。这在客服场景里是致命的——答错一次，客户就不信了。

正确做法是把公司的制度、产品手册、常见问题整理成知识库，让模型先检索、再回答，并且告诉你答案来自哪一条。这样带来三个好处：

• 答案有出处，客户追问时能拿出依据
• 答不出来时明确说"这个我不确定，帮您转人工"，而不是硬编
• 政策改了，改文档就行，不用重新训练模型

知识库做得好不好，直接决定 AI 客服能不能用。这部分工作量在整理文档上，不在技术上。很多项目做到一半卡住，是因为发现公司的制度散在十几个 Word 和微信群里，根本没人整理过。

成本怎么估，才不会失控

大模型按 token 计费，一次问答大约消耗 1,500–3,000 token（含检索到的资料）。

不同模型每百万 token 的价格从几元到几十元不等，折算下来一次问答的成本在几分钱量级。按一天 300 次咨询算，一个月几百块。

真正会失控的是这三种情况：

• 每次都全量检索。把整个知识库塞进提示词，一次几万 token，成本翻十倍。
• 所有问题都用最贵的模型。简单问题用小模型就够，没必要都上旗舰版。
• 没有缓存。同一个问题被问一百遍，每次都重新算一遍。

这三点在工程上都有解：先做意图分类，简单的走规则或小模型，复杂的才调大模型；检索只取最相关的几段，不全量塞；高频问题做缓存。

三个最常见的失败原因

1. 没有数据。文档是纸质的、散在个人电脑里、版本对不上。这个坑最常见，也最费时间。
2. 没有流程。AI 给出了答案和建议，但没有人负责执行。比如 AI 判断"这个客户该回访"，回访动作在谁那里？没定义清楚，AI 就只是个聊天玩具。
3. 没有维护。上线时整理了 20 篇文档，三个月后还是这 20 篇。业务变了，AI 答的还是老政策，用的人越来越少，最后没人打开。

这三条都不是技术问题，是组织问题。所以在动手之前，先确认一件事：谁能持续维护这个知识库，谁对答案的准确性负责。如果这个问题答不上来，建议先别做。

本文由郑州司科计算机科技有限公司技术团队整理。我们做软件定制开发，从 2011 年到现在， 交付过商城、本地生活、行业软件等各类系统。文中提到的价格区间和工期基于实际项目经验， 具体到你的项目会有差异，需要评估。