我们公司数据量不大、也不是科技公司，做 AI 有意义吗？

数据量小、不是科技公司，不妨碍使用成熟 AI；是否值得做取决于有没有高频且可测量的任务、可信资料、人工负责人和可接受的错误成本。

企业通常不需要从零训练大模型。购买带 AI 的 SaaS、调用成熟模型或用现有文档做检索增强，利用的是供应商已经训练好的基础能力；企业自己的数据主要用于提供业务事实、配置流程和评估效果。因此“只有几十份制度或几百封工单”不必然太少，但资料相互矛盾、没有负责人、任务每月只发生几次，才可能让项目不值得。

在确定模型、数据与上线边界时，还可以对照 市面上很多 AI 产品就是"套个壳"，你们做的 AI 应用和套壳有什么本质区别？；这些内容补充了需要放在同一项决策中考虑的上下文。

数据条件决定做法，不决定能不能碰 AI

现有条件	更合适的办法	为什么	暂时不要做什么
没有历史数据，但任务规则明确	普通程序、模板或现成 SaaS	结果确定，没必要让模型猜	不要为“智能”训练模型
有少量可信文档	搜索或检索增强问答	使用已有知识，不需从零训练	不要承诺覆盖文档外问题
有几百至几千条已处理案例	做分类、抽取或辅助建议试点	可从历史样本建立基线和评测集	不要直接替代最终审批
有大量稳定标注且通用方案不够	再评估微调或专用模型	数据可能支持学习稳定模式	不要先训练再寻找场景

例如，30 份经确认的产品手册可能足以支持一个边界清楚的售后问答试点；10 万条没有最终处理结果、混有旧政策的聊天记录反而很难直接使用。数据价值看覆盖度、正确性、版本和任务相关性，而不是文件大小。RAG 原始研究把语言模型与可检索的外部知识结合，详见 NeurIPS 论文；它说明存在“不重新训练模型也能接入知识”的路线，但不能据此推导少量资料一定达到某个准确率。

先找每月重复消耗，而不是先找 AI 场景

把员工一周的重复工作按“次数 × 每次分钟数 × 人力成本”排序，再补上错误返工、等待和客户流失的可测损失。适合首试的任务通常具备四点：输入主要是文本、图片或语音等非结构化信息；输出可以由人快速判断；错误不会立即造成重大损失；每月重复量足以回收配置和复核成本。会议摘要、资料检索、邮件草稿、表单字段提取往往比自动定价、自动付款或人事淘汰更适合起步。

美国小企业管理局的小企业 AI 指南同样建议从小范围测试开始，观察工具是否产生价值，并由人审核内容。该指南面向美国小企业，只能支持一般采用方法，不代表中国企业的法规要求，也不是任何产品的效果背书。

用代表性样本核算是否值得继续

先记录不用 AI 的基线：任务量、平均处理分钟数、返工率、严重错误数和等待时间。观察窗口要覆盖正常业务量及有意义的波动，再从中抽取包含高频、长尾、资料缺失和敏感问题的代表样本，让现有方法、候选 SaaS 与一个轻量原型同卷测试。记录任务成功率、人工修改分钟数、严重错误率、响应时间和单任务全成本。如果省下的时间被复核、纠错和系统维护抵消，就停用或缩小范围；不要用模型厂商的通用榜单代替本企业数据。

滚水科技对小企业的合理服务不是劝客户先建“大数据平台”，而是先确认一个重复任务、整理少量可信资料、建立基线和停止条件。若现成工具已达标，应优先采购配置；只有专有知识、权限或流程集成形成明确差异，才考虑定制。滚水科技官网的解决方案属于服务范围说明，不能证明某家企业采用 AI 必然赚钱。