很多老板现在是这么个状态：刷了一年的 AI 新闻，也试过几个对话框，心里早认了"这东西有用"。但真要在自己公司上，立刻卡住——先连哪个系统？先做哪个场景？是从销售开始，还是先让 AI 看看经营数据？ 厂商的方案动不动就是"六步法""企业 AI 战略蓝图"，听着宏大，落到自己这摊子事上却不知道第一锹土往哪挖。
更怕的是钱花了、人忙了，半年后发现选错了起点：要么做了个没人用的聊天机器人，要么数据没理清，Agent 答出来的数字老板自己都不敢信。
这篇不堆方法论，给你一张能照着走的路线图：第一个场景怎么选、按什么顺序连系统、三类起步路径各适合谁、单点跑通后怎么往外扩。看完你应该能回答一个问题——下周一，第一步具体做什么。
一、别一上来就大而全：第一个场景的 3 条标准
最常见的死法，就是开局想得太大。"我要让 AI 管销售、管库存、管财务、还能自动写周报"——听着爽，实际是把团队拖进一个无法验收、无法收尾的泥潭。
AI Agent 落地的正确姿势是先打穿一个点，再连成线。第一个场景选对了，后面顺；选错了，整个项目的信任在第一仗就崩了。
怎么选这第一个场景？记住三条标准，三条都满足的，优先做：
- 高频：这件事是不是每天、每周都在发生？高频意味着跑通后天天产生回报，团队也天天能用、用熟。一年才做几次的事，就算 Agent 干得再好，存在感也低。
- 可核对：Agent 给出的结论，你能不能马上判断对不对？"这条商机该不该跟"你一眼能看出来，"提醒该回访的客户"对错一目了然。反过来，那种模棱两可、谁也说不清对错的任务，第一仗别碰。
- 数据现成：要用的数据是不是已经躺在 CRM、进销存或 ERP 里了？如果得临时让人补录、整理一堆 Excel 才能喂给 Agent，那这个场景的隐性成本会吃掉收益。
| 候选场景 | 高频 | 可核对 | 数据现成 | 适合当第一仗？ |
|---|---|---|---|---|
| 销售跟进提醒 / 商机盯防 | 高 | 强 | CRM 里有 | 很适合 |
| 经营数据问数答数 | 高 | 强 | ERP/BI 里有 | 适合 |
| 应收应付 / 对账 | 中高 | 强 | 进销存/财务里有 | 适合（数据齐时） |
| 自动写战略分析报告 | 低 | 弱 | 散、要整合 | 先别碰 |
| 智能客服全自动 | 高 | 弱（口径难定） | 散 | 起步别选 |
一句话：把第一个场景选小、选准，比选"看起来高级"重要得多。
二、按"数据成熟度"决定先连哪个系统
很多人纠结"先接 CRM 还是先接 ERP"，其实判断标准不是系统多重要，而是哪个系统里的数据更干净、更现成。Agent 再聪明，喂进去的是糊的，吐出来的也是糊的。
按数据成熟度，中小企业里这几类系统大致是这个梯队：
- CRM / 进销存：通常字段相对结构化、录入也比较及时（不录单子没法走流程），是数据成熟度较高的一档，往往适合先连。
- ERP：信息全、价值高，但口径多、模块杂，数据质量参差。能连，但要做好局部口径治理。
- 财务系统：数据较规整严谨，但接口和权限敏感，适合在团队已有一两个场景经验后再上。
这里有个关键观念要先扭过来：别想着等全公司数据都治理干净了再动手。 那是等到天荒地老的做法。务实的路线是"按场景做局部治理"——你第一个场景要用哪几张表、哪些字段，就先把这一小块的命名、口径、归属理顺，够 Agent 跑通就行，其它的先放着。
某 200 人规模的机械零部件制造企业，一开始定的目标特别大：要把 ERP、CRM、财务全打通，让 AI 一站式管经营。结果光是"销售口径里的'已成交'和财务口径里的'已回款'对不上"这一件事，就来回扯了一个多月，项目迟迟跑不出第一个能用的结果，老板的耐心也快磨没了。后来掉头，只锁定 CRM 里的销售跟进一个场景，把客户、商机、跟进记录这三张表的口径理顺，两三周就跑通了第一版，团队真用起来，信心才回来。后面再扩到经营问数，反而顺了。
教训很清楚：贪多嚼不烂，先治理一块、跑通一块、再扩一块。
三、三类典型起步路径，各适合什么企业
第一个场景，多数中小企业落在这三类里。对号入座：
1. 销售跟进型——回报直观，适合大多数有销售团队的企业
让 Agent 盯着 CRM：哪个商机该回访了、哪个客户好久没动了、哪张单子卡在某个阶段太久了，主动提醒到人，还能自动汇总销售日报、周报。适合销售流程长、跟进容易掉单、CRM 数据相对全的企业。好处是见效快、效果看得见，老板和销售都立刻有感。想看这条路具体怎么落的，可以读 AI Agent 怎么盯住业务跟进。
2. 经营问数型——老板自己天天用，适合数据基础较好的企业
让 Agent 接上 ERP/BI，老板用大白话直接问："上个月哪个产品毛利偏低""华东区这季度比去年同期怎么样""库存周转较慢的前十个 SKU 是哪些"，Agent 直接答数、给图。适合那种"看个数据要等人导表、月底才知道经营状况"的企业。好处是决策者自己就是用户，黏性强。
3. 财务对账型——省人明显，适合对账量大、财务数据齐的企业
让 Agent 协助应收应付核对、进销存与财务对账、异常提前预警。适合库存和往来账复杂、对账特别耗人的企业。门槛是数据要齐、权限要理清，建议在已有一个场景经验后再上。
| 起步路径 | 主要连的系统 | 最适合的企业 | 见效感受 |
|---|---|---|---|
| 销售跟进型 | CRM（+ERP） | 销售流程长、易掉单 | 快、直观 |
| 经营问数型 | ERP / BI | 看数靠导表、决策慢 | 老板天天用 |
| 财务对账型 | 进销存 / 财务 | 对账量大、易出错 | 省人明显 |
起步阶段，多数中小企业推荐从销售跟进或经营问数入手——前者回报直观、后者老板自己就用，都容易在内部树立"这东西真行"的信心。
四、从单点跑通到多系统串联：一张演进路线图
第一个场景跑顺了，别急着遍地开花，按这个顺序往外走才稳：
- 单点跑通：选一个场景（如销售跟进），连一个系统（CRM），把它打穿、有人天天用、验收达标。
- 同系统加场景：在已连的系统上再叠场景。比如 CRM 上从"跟进提醒"扩到"商机预测、销售排行分析"，复用已治理好的数据，成本低。
- 连第二个系统：把第二个系统（如 ERP）接进来，做跨系统的事——比如"这个客户的订单交付到哪一步了"需要同时看 CRM 和 ERP。
- 多系统串联出经营闭环：销售、库存、财务的数据被 Agent 串起来，从"问单点"升级到"看全局"，老板要的"经营驾驶舱"这时才真正成立。
每往下走一步的前提，都是上一步真的跑通、有人在用、口径已治理。跳级硬上，多半翻车。这条演进路径，本质上是用一个个能验收的小胜利，慢慢把信任和数据基础攒厚。
五、组织准备：内部业务对接人，比技术更卡脖子
讲个反直觉的真相：AI Agent 项目慢、黄掉，多数情况不是技术问题，是公司内部没人对接。
落地过程中反复出现的一个坑是——内部业务对接人缺位。这个人要懂业务、说得清口径（"我们说的'有效客户'到底指啥"）、能拍板、能拉得动相关同事配合。这个角色一缺，技术方天天追着问"这个字段啥意思""这个流程谁负责"，项目就一直空转。
所以开工前，老板要明确两件组织上的事：
- 指定一个内部业务对接人，最好是懂业务、说得上话的中层或骨干，给他时间和授权，别让他"顺手兼着干"。
- 数据治理做到"够用"即可：第一个场景涉及的表和字段，口径统一、命名规范、归属清楚，就够了。全公司大治理留到后面。
数据口径和上线后没人用的问题，在 ERP 上线没人用 这篇里我们聊得更透，AI Agent 落地踩的其实是同一类坑。
六、怎么判断第一个场景成功了：先定验收标准再开工
最后一关，也是最容易被忽略的：验收标准要在开工前定死，不能上线后再找感觉。
不然就会出现"领导看完 demo 点点头，说挺好，然后没人再打开"的尴尬——那不叫落地，那叫演示。
验收标准要具体、可量化，且分两层都得过：
- 业务指标层：跟进型看"商机回访及时率从 X 提到 Y、漏跟单减少多少"；问数型看"常用问题回答准确率、管理层每周实际使用次数"；对账型看"对账耗时缩短多少、差错提前发现比例"。
- 真使用层：连续四周有固定的人在日常用，而且愿意继续用。
两层都达标，才算成功。 数字漂亮但没人用，或者大家偶尔玩玩但指标没动，都不算。
顺带提一句常见的三个误区，对照自查：
- 把 Agent 当聊天机器人随便试：没接系统、没跑真业务，玩两天就凉，自然得出"AI 没用"的错误结论。
- 上线后没人维护：业务在变、口径在变，Agent 也要跟着调，没人管就慢慢失准。
- 口径没治理就硬上：数据一糊，Agent 答错一次，信任就崩，再难捡回来。
关于 AI 投入怎么不失控、钱花在刀刃上，可以再看 企业 AI 成本怎么不失控。
写在最后
企业 AI Agent 怎么落地，其实可以归成一句话：选一个高频、可核对、数据现成的小场景，连一个数据最干净的系统，定好内部对接人和验收标准，先打穿一个点，再连成线。 不贪大、不空等数据全干净、不做没人用的演示，这条路就能走通。
开沿科技做的，正是把这张路线图陪着老板走完——既能 按需定制 ERP/CRM/进销存 把数据底座理顺，也能把 AI Agent 接进你现有的系统，让 AI 真去操作系统、做经营分析、问数答数，跑出业务结果而不是停在 demo。靠 AI Coding，几个人的小团队也能既做定制又出标品，成本和速度都顾得上。想看别的企业一步步是怎么走过来的，客户案例 里有不少可参考的真实演进路径。
第一步不难，难的是别把第一步走错。把场景选小、把人定好，剩下的交给能陪你长期走的伙伴。
