我们见过太多"为了 AI 而 AI"
老板一句话"我们也搞搞 AI"，项目就启动了。六个月后，demo 在硬盘里吃灰，汇报时再翻出来放一遍。问题往往出在启动前——没人回答三个本该先想清楚的问题。AI 不是不能在你的企业落地，是太多项目在"它该解决谁的问题"都没定义时，就先买了算力、招了人。
问题一：你到底想让谁少加班？
模糊的"提升效率"落不了地。要说清：是让客服少打字、让班长少翻表、还是让工程师少写重复代码？场景越具体，模型越好接，验收标准也越清楚。我们内部有个说法——如果你不能用"让某岗位每天少做一件具体的事"来定义这个 AI 项目，那就还没到动手的时候。答不出这一问的，最容易买一堆"看起来很厉害但谁也不用"的玩具。
问题二：你要的数据，自己手里齐吗？
AI 吃数据。如果关键数据散在三个系统、靠人肉导出，那第一步不是上模型，是先打通数据。前面那个"替班长省两小时"的样本就是这么来的——它没碰模型，只是先把数据组织好，价值就已经出来了。很多 AI 项目失败，根子是数据基建没做，模型再强也是无米下锅。答不出这一问（或者答"数据在别的部门/在 Excel 里/没人维护"），先去补数据，别急着上智能。
问题三：错了怎么办？
模型会错，这是特性不是 bug。要想清楚：出错的成本谁担、有没有人兜底、能不能回退。比如它把一封正常工单误标成紧急，后果只是多打扰一次，可以接受；但如果它误放行了一道安全联锁，后果不可接受，那它就不能碰这个环节。答不上来"错了怎么办"，就先别让它碰关键决策——这不是保守，是对业务负责。
三问不是一次性问卷
需要提醒的是，这三问不是启动会上填完就关掉的表格。项目推进到不同阶段，它们会反复出现：数据打通了，但新场景又冒出来要补；模型上线了，但某个环节开始承担更重的判断，就得回头再答一次"错了怎么办"。我们把它当成贯穿项目的体检项，而不是一次性门槛。答得顺，说明项目在健康区间；答卡壳了，往往是该停下来修地基的信号。
三问速查
| 问题 | 答得出 | 答不出 |
|---|---|---|
| 谁少加班 | 可启动 | 先定场景 |
| 数据齐吗 | 可启动 | 先打通 |
| 错了咋办 | 可启动 | 先设围栏 |
三问不必全优才动手，但必须"答得出"——哪怕答案是"这一步我们先人工兜底"。怕的是连问都没问，项目就冲出去了。
收尾
三问不是泼冷水，是帮你把"搞搞 AI"变成"真能用的 AI"。 我们陪客户启动前必过这三问，答得清再动手，省的是半年弯路和一堆吃灰的 demo。
金兰信息——启动前问三句，比上线后救火值钱。