企业内部可以自动化的流程很多，但不是每个流程都适合作为 AI 试点。一个流程看起来重复，不代表数据已经可用；人工耗时很长，也不代表错误风险可控。比较有效的方法，是先建立候选池，再从频率、规则、数据、风险和异常五个维度筛选。
先筛任务段，不要一上来改造整条流程
“采购流程”“订单流程”往往跨度太大，包含多种角色、系统和决定。首个试点更适合拆成可以独立验收的任务段，例如读取询价回复、核对字段、生成待审批草稿或回写已批准结果。
拆分后，为每个候选任务写清输入、动作、输出、责任人和异常。若这五项无法描述，说明流程还不具备评估基础。首个任务的价值和可行性，也可以结合制造业 AI 任务评分表进一步判断。
维度一：发生频率是否足以形成稳定样本
高频任务更容易积累样本、发现异常和验证改进。但频率不能只看次数，还要看每次输入是否相似、是否存在明显季节性，以及人工处理时间是否真的集中在该环节。
低频但高风险的决定，不适合为了展示 AI 而自动化；可以先做资料核验和决策支持。
维度二：规则能否被业务人员说清
规则稳定并不等于完全没有判断，而是正常路径、允许范围和停止条件可以说明。例如“字段齐全后进入复核”比“系统自行判断是否通过”更容易控制。
如果同一问题由不同人员给出相反做法，应该先统一业务规则。模型不能替组织解决尚未达成一致的责任问题。
维度三：输入数据是否可获得、可追溯
候选流程需要明确可信来源、字段含义、版本和更新责任。仅存在一份演示样本不够；应检查缺项、冲突、过期和重复数据能否被识别。
数据散落并不必然否定项目，但会影响首个试点范围。可以先把“收集与整理”作为交付，而不是直接承诺完整闭环。
维度四：错误后果是否可控
生成草稿、标记异常和提醒责任人，通常比自动批准、改价、承诺交期或付款更容易起步。评估时要问：错误能否在生效前被发现，能否撤回，是否有操作记录，是否会影响客户、资金或生产安全。
风险越高，人工确认点越要前置。自动化不是减少所有人工，而是把人工留在真正需要负责的决定上。
维度五：异常是否有清楚的接管路径
真实流程一定会遇到权限不足、输入缺失、规则冲突和系统不可用。适合试点的流程，应能说明异常由谁处理、需要看到哪些证据、处理后如何恢复。
没有接管机制的“自动化”，通常只是把人工工作藏到了流程末端。可以参考制造业 AI 试点启动清单，提前补齐责任和验收材料。
用五维结果决定下一步，而不是只看总分
五项都较清楚的任务，可以进入小范围验证；频率高但数据差的，先治理输入；规则清楚但风险高的，保留审批并只自动准备材料；异常无主的，先明确责任再开发。
灵核数智的岗位级 AI 数智员工适合围绕一个明确岗位，把工具、技能和作业指导书组合成可追踪任务。首个流程不必最长或最显眼，应该是边界最清楚、结果最容易复核的一段。筛选完成后，再拿真实正常样本和失败样本验证，才值得进入实施。
