（來源：數字化企業）

如果一家企業一年只能拿出100萬元做AI，這筆錢到底應該怎麼花？中國大量年營收幾億元到十幾億元的企業，已經有ERP、財務、OA、CRM以及基本的IT團隊，也知道AI一定要做，但第一年很難直接批准幾百萬元甚至上千萬元的預算。老闆更可能給出一個非常現實的數字：「先拿100萬元試一年，看看能不能做出點東西來。」

內容提要/OVERVIEW

本文作者：沈暘。由「信息化與數字化」原創首發， 數字化企業經授權發布。

01

100萬元不是「大模型建設費」，更像企業AI轉型的種子資金

100萬元說少並不少。假設企業一年利潤2000萬元，這已經相當於利潤的5%；如果企業原來一年的IT和數字化預算只有三四百萬元，100萬元更是一筆非常明顯的新增投入。但它又遠遠沒有多到可以容忍一次錯誤的大采購：花三四十萬元買一套平台，再花二三十萬元做知識庫、培訓和諮詢，預算很快就見底了，而企業可能還沒有真正弄明白AI究竟應該在哪裏創造價值。

所以如果由我來負責這100萬元，我不會把目標定成「今年建設一個企業大模型」，也不會先給自己規定必須上線多少個Agent。我更希望一年以後，公司發生一種沒有那麼宏大、但可能更加重要的變化：原來只有少數年輕員工偶爾使用AI，一年以後，幾十甚至上百名員工在遇到一個工作任務時，會很自然地多想一步——這件事是不是應該先讓AI試一下？。

100萬元不夠建立完整的AI技術體系，但已經足夠讓一家企業第一次形成持續發現AI、學習AI、篩選AI、推廣AI和吸收AI的機制。第一年的核心目標，應該是讓公司從「知道AI很重要」，進入「開始知道AI到底應該怎麼用」。

先說明本文討論的企業類型。它不一定是製造企業，也可以是物流、零售、工程服務、貿易、諮詢、產業互聯網等企業。通常已經有一定數字化基礎，有幾十到幾百名知識型員工，擁有ERP、CRM、財務、OA或者各種行業軟件，也有幾名到十幾名IT或數字化人員，只是尚未形成正式的AI團隊。

如果企業連最基本的信息化基礎都沒有，那麼100萬元中很大一部分首先還是補數字化的課，而不是直接照搬AI建設方案。

對於已經有一定基礎的企業，第一年的100萬元最重要的特點是：必須儘可能保持選擇權。。

AI現在變化得太快。模型在變，價格在變，辦公軟件在變，Agent工具在變，AI Coding也在變。今天看起來非常領先的產品，一年以後可能已經變成普通功能；今天認為必須自己開發的能力，半年以後可能已經被釘釘、飛書、企業微信、WPS、WorkBuddy或者其他產品直接提供。

因此，小預算企業尤其不適合一開始就把幾十萬元鎖定在某一個封閉平台或者三年合同裏。第一年更像播種：不斷嘗試一些東西，迅速知道哪些有效、哪些無效，然後把錢逐漸向真正產生價值的方向移動。

如果讓我做一個粗略預算，我會這樣安排：

這張表最值得注意的是，最大的預算仍然是「人」，而不是模型、GPU或者平台。

因為模型可以按月買，軟件可以試用，雲資源可以按量付費，特殊工程問題也可以臨時尋找供應商。但是，如果企業內部連一個每天真正想着「怎樣讓公司比上個月更會使用AI」的人都沒有，剩下的資源很容易變成零散採購。

02

如果只有100萬元，我會先找一個「AI教練」

很多企業並不是沒有人懂AI。CIO知道AI，研發有人用AI Coding，市場部門可能已經在生成圖片和視頻，年輕員工也會自己購買各種模型賬號。問題在於，這些行為往往是散落的，沒有人真正對AI在企業中的使用結果負責。

如果只是讓CIO兼任，這件事很容易排在ERP、網絡、安全、供應商、數據和其他項目之後；如果成立一個AI委員會，也很容易變成大家每個月討論一次趨勢，但沒有人每天真正推進。100萬元階段尤其需要一個非常明確的Owner。

這個崗位正式招聘時，我建議叫「AI應用經理」或者「AI創新經理」。但如果用一個更形象的說法，我覺得他更像企業內部的AI教練。

這個角色和大型集團裏的AI負責人不太一樣。100萬元養不起一個只負責戰略規劃、組織協調、自己基本不動手的人。他需要有比較強的綜合能力：持續關注外面的模型和工具；能判斷什麼值得買、什麼暫時不用；能夠進入銷售、採購、財務、研發、客服等部門，看真實工作；能給員工做非常具體的培訓；會用AI Coding、API、低代碼或者Agent工具做簡單原型；遇到複雜工程問題時，又知道什麼時候應該尋找IT團隊或者外部供應商。

他的工作不應該是「幫全公司做AI」，而是讓全公司越來越不需要依賴他完成簡單AI工作。

比如一個員工每周五要把八個區域的銷售數據合併成一份周報。AI教練不應該以後每周五都替他做，而是坐在旁邊把這個任務重新做一遍，讓員工自己掌握新方法。採購人員每次做供應商調查都要花幾個小時，如果市面上的成熟研究工具已經能夠解決70%的問題，就直接教採購用工具，而不是馬上立項開發「採購智能體」。

只有當一個任務確實體現了企業自己的數據、流程和競爭優勢，並且成熟軟件解決不了時，才值得進入定製。

所以我會給這個崗位三個非常簡單的工作原則：

能教會員工自己完成的，不變成AI團隊的工作；能買成熟工具解決的，不輕易自己開發；真正體現企業差異化的高價值任務，才進入定製。

這其實很像個人電腦剛進入企業的年代。企業並不需要自己研發Windows，但必須有人不斷告訴員工為什麼Word比傳統打字方式更好，Excel可以怎樣替代手工計算，電子郵件為什麼值得改變原有溝通習慣。很多今天看起來理所當然的辦公方式，當年都需要一個逐漸學習和普及的過程。

AI可能也正在經歷這樣的階段，只是速度更快。今天大量員工並不缺一個能夠聊天的AI，缺的是有人不斷告訴他：你每天做的這些事情裏，哪些已經可以換一種方式。。

03

我還會給這個AI教練配2—3個「AI原生」的實習生

100萬元本來就不多，再拿二十萬元左右配2—3個實習生，乍看起來可能有點奢侈。但我覺得這反而是非常適合小預算企業的一種配置。

這一代大學生和研究生進入社會時，大模型、AI Coding、圖片和視頻生成、Agent、自動化工作流已經非常普遍。對於一些工作十幾年、已經形成穩定軟件和流程習慣的企業員工來說，AI是後來需要學習的新技術；對不少年輕人而言，它已經是默認工作方式的一部分。

當然，這絕不意味着學生比有經驗的員工更懂企業。恰恰相反，複雜業務最缺的正是真實世界經驗。學生可能看一個流程覺得「為什麼還要這麼麻煩」，但老員工知道這裏為什麼需要審批、為什麼一個客戶必須特殊處理、為什麼某個看起來冗餘的環節是十年前一次嚴重事故之後留下來的。

所以最好的方式不是讓三個學生組成一個「AI突擊隊」去改造公司，而是讓他們和真正懂業務的人結對子。

一個學生跟銷售部門兩周，一個跟採購，一個跟財務或者研發。他們的任務不是替業務做PPT、剪視頻，而是觀察真實工作：哪些地方大量複製粘貼，哪些信息要在幾個系統之間來回尋找，哪些環節高度依賴經驗，哪些規則實際上沒有寫出來，哪些工作現在已經存在成熟AI工具可以處理。

年輕人帶來新的可能，老員工提供現實世界的約束。。兩種人碰在一起，往往比一群技術人員坐在會議室裏討論「AI場景地圖」更容易發現真正有價值的問題。

這些實習生還可以承擔企業AI負責人一個人根本做不過來的工作。外面每天出現大量新的辦公、Coding、搜索、視頻、Agent和數據產品，可以讓實習生持續測試，最後只把真正值得企業內部驗證的少數工具篩出來；發現一個好用的新功能，可以製作一段三分鐘教程，而不是簡單轉發官方說明；碰到一個業務想法，可以利用AI Coding快速做一個小原型，幫助企業判斷這件事情值不值得再花錢。

他們不是廉價程序員，更不應該成為「AI打雜隊」。我甚至會要求他們做過的事情儘量留下可複用資產：教程、模板、工作流、Agent、測試記錄、工具評價、失敗案例。只完成一次任務不算最好的成果，讓下一個人不用重新做一遍，纔開始變成組織資產。。

如果一年以後企業決定繼續加大AI投入，其中表現好的學生還可以直接轉正。這樣下一階段企業已經擁有一批既習慣AI，又開始懂自己業務的年輕人，而不是臨時去市場上重新招聘幾個完全不了解公司的「AI人才」。

04

不要急着開發，先讓成熟AI工具進入每個人已經在工作的地方

只有100萬元的時候，我會非常堅定地採用一個原則：先買成熟能力，再做集成，最後才自己開發。。

今天企業能夠直接購買的AI能力已經比一兩年前豐富很多。辦公、文檔、會議、搜索、表格、研究、代碼、PPT、圖片、視頻等大量工作，都已經有非常成熟的產品。對小預算企業來說，充分利用市場上正在快速商品化的AI，往往比自己做一個平台划算得多。

而且我不會為了AI再創造一個新的入口。

企業原來主要使用企業微信，就先研究企業微信和騰訊生態裏有什麼；原來是釘釘，就先看釘釘；原來已經重度使用飛書，就沒必要為了AI再要求幾百個人更換協作平台。員工每天打開原來的IM幾十次，卻需要另外登入一個一年只想起來幾次的「企業AI門戶」，再強的模型也很難形成習慣。

因此我會把AI工具分成三層。最底層是覆蓋儘可能多員工的基礎能力，例如搜索、總結、翻譯、會議紀要、文檔處理、表格和基本寫作。這一層優先利用原來的辦公套件和IM內置能力，儘量降低使用門檻。

第二層是30—50個AI重度用戶。他們可能來自銷售運營、市場、管理、HR、財務分析、研究和項目管理，需要更強的通用Agent或者AI工作台，可以配置更高一級的工具。

第三層纔是專業崗位。開發人員配置AI Coding，市場和設計使用專業視頻、圖片工具，數據崗位使用更強的數據分析能力。沒有必要為了「公平」給所有人購買完全一樣的軟件。

這裏還有一個過去企業軟件採購裏不太被重視、以後卻可能越來越重要的事情：運營License。。

比如買了50個高級賬號，兩個月以後發現真正每周使用的只有18個，就應該回收；有些人天天使用並已經產生明顯價值，就可以升級；某個工具技術很好，但是三個月後業務部門仍然基本不用，就不要因為合同已經買了而繼續保留。

AI變化太快，「買了就放在那裏一年」會越來越浪費。小預算企業反而應該因為錢少，對工具使用效率更加敏感。

我還會讓AI教練和實習生維護一個很輕的「AI工具雷達」。不需要做幾十頁分析，只需要記錄這個產品解決什麼問題、適合誰、成本大概多少、涉及什麼數據風險、公司裏誰試過、效果如何、下一步是擴大還是停止。

一年以後，這份東西本身就會成為企業自己的AI採購經驗庫。

05

AI培訓不應該是一堂課，而應該是一場持續幾個月的工作方式遷移

如果公司已經買了工具，但員工不會用或者沒有使用習慣，錢仍然會浪費。因此100萬元裏面我會保留一筆培訓和推廣預算，但不會主要用於一次兩天的「大模型培訓」。

上午講Transformer，下午講Prompt，培訓結束大家都覺得AI很厲害，第二天回到工位仍然按照原來的方式工作，這種情況非常常見。

我更願意把培訓變成持續運營。

例如每兩周安排一次30分鐘的內部分享，一次只講一個真實任務；每周固定兩個小時「AI門診」，員工直接帶着自己的Excel、客戶資料、合同、會議紀要或者業務問題過來；在企業IM裏建立AI交流群，讓AI教練和實習生持續發布工具技巧、真實案例和失敗經驗；每個月請一個部門展示自己最近怎樣使用AI改變了一項具體工作。

培訓也不應該所有人聽完全相同的內容。管理層更需要理解AI的能力邊界、投入產出和組織變化；中層管理者尤其應該理解AI會怎樣改變信息匯總、協調、審批和人員管理；普通員工最需要的則是看到自己每天的工作究竟有什麼新辦法。

所以我更願意把AI培訓的目標定義成：幫助員工形成新的工作反射。。

過去接到一個任務，第一反應是「我開始做」；以後逐漸多一個動作：「這件事情是不是應該先讓AI試一下？」

當這種反應開始成為習慣，AI才真正從公司採購的一個軟件變成工作方式的一部分。

中間還有一個很容易被忽略的問題：員工願不願意公開自己的效率提升。

如果一個員工原來8小時完成的工作，現在利用AI三小時就做完，公司第一反應就是「那是不是可以少一個人」，下一次他很可能不會告訴公司自己已經提高效率。企業嘴上鼓勵AI，實際上卻可能通過編制和績效機制讓最早提高生產力的人感到風險。

所以至少在AI普及早期，企業需要傳遞一個信號：發現生產力並把方法分享出來的人，不應該首先因為效率提高而受到懲罰。。

否則企業最後會出現一種非常有意思的狀態：員工個人已經大量使用AI，但這些生產力全部藏在地下，沒有變成企業能力。

06

工具普及之後再做深，第一年真正做好1—2個業務閉環就夠了

100萬元不能全部花在普及工具上。到了半年左右，企業應該開始從大量實際使用中發現一些真正值得進一步做深的任務。

但我不會在年初通過一張《AI場景徵集表》決定這1—2個項目。AI教練更應該像一個內部的超級AI BP，進入銷售、採購、客服、研發和財務，看實際工作，而不是問「你們想要什麼AI系統」。

因為業務部門提出的往往是「我要一個智能報價系統」「我要一個知識庫」，而真正值得研究的是報價為什麼慢、知識為什麼找不到，甚至這個流程在AI已經存在的情況下是否還有必要保持原來的樣子。

第一年可以看到幾十個問題，嘗試十幾個小工具，做出幾個非常輕量的原型，但真正花工程資源深入的最好只有少數一兩個。

我很喜歡一種「轉正機制」：個人玩具 → 團隊工具 → 企業應用。。

一個員工自己利用AI做出了一個客戶研究方法，先讓他自己用；如果三五個銷售連續一個月都覺得有效，就升級成團隊工具；等真實使用證明有價值以後，公司再投入CRM接口、統一權限、日誌和數據，讓它逐漸進入正式流程。

這樣大量創新不需要一開始就走傳統IT立項，同時又避免「一個實習生兩天做出一個Demo，公司馬上宣佈進入全面推廣」的另一種極端。

100萬元階段的系統改造也應該儘量輕。做客戶場景，就解決CRM最必要的接口；做合同場景，就解決這一部分文檔訪問和權限；不要因為一個場景，順便啓動一個幾十萬元的AI中台和全公司數據治理項目。

小預算最大的優勢就是機動性。

100萬元沒有資格犯一個50萬元的大錯誤，但完全可以犯很多5000元、1萬元的小錯誤。

第一年的目的本來就是快速知道什麼在自己公司有用，什麼沒有用。錯誤足夠便宜，才能真正學習得快。

07

100萬元AI轉型最常見的問題，可能大部分都不是AI問題

100萬元足以讓企業啓動，但錢越少，組織中的很多現實問題反而越容易暴露。

AI負責人名義上專職，實際上還是兼職。企業雖然給某個人增加了「AI負責人」的頭銜，但原來的ERP、數據、IT運維和其他項目一個都沒有減少，最後AI永遠變成一件「重要，但今天還有更急的事情」。

老闆支持AI，卻不給推動業務的空間。AI教練發現了一個很好的銷售場景，需要業務部門配合兩個人試一個月，部門負責人一句「最近沒空」，項目就停了。於是公司有預算、有AI負責人，卻沒有基本的組織授權。

AI負責人和原來的CIO、IT體系產生摩擦。新負責人直接和老闆討論AI，但數據、賬號、系統接口仍然由IT掌握。如果雙方邊界處理不好，一個覺得傳統IT什麼都不開放，另一個覺得AI團隊只顧快、不管安全，很容易從技術問題演變成組織問題。

業務部門仍然認為AI是IT的事情。自己只負責提需求，AI團隊負責開發，最後業務驗收。表面換成了AI，運行方式還是過去的IT項目模式。如果業務自己不願意投入人員、改變流程，也不願意對結果負責，再好的Agent都很容易停在Demo。

AI教練很快變成全公司的「AI客服」。市場找他做圖片，領導讓他幫忙寫PPT，財務讓他分析Excel，每個需求都不大，卻會喫掉大量時間。半年以後這個人非常忙，但企業真正具有複用價值的AI能力並沒有增加。

實習生淪為AI打雜隊。因為年輕人做PPT、視頻、搜索和資料整理速度很快，各部門什麼事情都找他們。最後學生確實完成了很多任務，卻沒有留下教程、方法、Agent和可複用工作流。

全員買了昂貴License，但絕大多數人不用。企業為了體現重視AI給200個人全部配高級賬號，三個月以後只有幾十個人持續使用。工具普惠不等於所有人必須購買一樣的產品。

另一邊則是Shadow AI。企業什幺正式工具都不給，員工自己購買各種個人賬號，合同、客戶資料、代碼甚至財務數據開始進入大量企業不知道的外部AI服務。單純禁止通常也很難真正解決問題。

企業已有軟件明明提供了AI，卻又重複採購。ERP、辦公套件、IM、CRM等供應商都在快速增加AI能力，如果沒有人統一盤點，企業很容易一邊給原來的軟件續費，一邊再買一套實現類似功能的AI產品。

全年都在追新工具，卻沒有把一件事做深。這個月研究某個Agent框架，下個月換一個模型，下下個月又開始研究新平台，大家每天都在體驗新技術，卻沒有一個真實任務被持續改造三個月。

員工提高效率，卻不願意公開。如果分享「我用AI節省了一半時間」意味着下一輪績效目標翻倍甚至崗位被取消，那麼組織很難獲得個人真正使用AI的經驗。

老闆又可能對100萬元的第一年回報期望過高。如果每一個小實驗都要求當年產生幾倍財務回報，很多本來應該通過低成本試錯獲得的認知會被提前扼殺。

供應商一次拿走了大半預算。企業覺得自己什麼都不懂，於是把六七十萬元一次性交給一家供應商「全面做AI」。一年以後系統確實交付了，但供應商撤掉以後，公司內部仍然沒人知道下一步應該怎麼走。

關鍵人離職以後，公司的AI能力幾乎歸零。小預算企業高度依賴一個AI教練，因此工具賬號、代碼、供應商記錄、場景、教程、失敗經驗都必須逐漸企業化，而不能永遠存在一個人的電腦和腦子裏。

做了很多個人生產力，卻沒有形成企業生產力。200個人都會用AI寫材料，並不等於企業完成了AI轉型。真正的企業能力需要能夠被團隊複用、進入業務流程、連接企業系統，並持續產生穩定結果。

還有一個更深的問題：企業可能一直在做「AI+舊流程」，卻從來沒有重新設計工作。過去員工寫報告，現在AI先寫、人再完整檢查一遍；過去有三層審批，現在AI增加一個預審，但三層審批一層沒少。AI功能越來越多，流程卻越來越長。

所以企業最終還應該問一句：

如果AI從公司成立第一天就已經存在，這項工作真的還會按照今天的方式設計嗎？

08

一年以後，這100萬元到底應該留下什麼？

年底驗收的時候，我不會把「培訓了多少人、買了多少工具、調用多少Token、做了多少Agent Demo」當作最核心的指標。

這些當然可以統計，但它們更像過程。

我更希望看到的是，公司裏已經有一個真正理解企業業務、又持續追蹤外部AI變化的人；兩三個年輕實習生不再只是會試新工具，而是已經開始理解銷售、採購、財務或者研發真實怎麼工作；不同部門出現了5—10個能夠主動用AI解決問題的業務Champion。

幾十甚至上百名員工已經把AI納入日常工作，公司也不再盲目購買工具，而是知道哪些值得擴大、哪些應該停止。第一年可能試過幾十種辦法、十幾個小場景，其中很多失敗了，但至少有1—2個真正從個人使用進入團隊甚至企業流程。

企業還應該開始擁有一批以前沒有的資產：自己寫的教程和模板、經過驗證的工作流、工具評價、真實任務案例、失敗案例，以及少量自己的Evaluation數據。

這些東西看起來不像「AI大平台」那麼容易做彙報，但第二年的價值會越來越明顯。

因為到了下一年度預算討論時，管理層面對的不再是一張白紙。

他們已經知道AI Coding可能非常值得擴大；某個辦公工具實際只需要40個高級賬號；所謂「萬能知識庫」並沒有想象中好用；銷售客戶研究已經證明值得連接CRM；採購部門有一個特別有潛力的AI Champion；下一步真正缺的可能是一名AI應用工程師，而不是「大模型算法專家」。

所以我認為100萬元第一年的回報，不能只理解成「今年賺回多少錢」。

還有一種非常重要的回報：

大幅降低下一輪AI投資犯錯的概率。

如果用100萬元，讓企業弄清楚哪些工具真正適合自己、哪些場景值得繼續、哪些團隊最願意改變、哪些技術不值得自研，那麼它可能避免的，是下一階段一個500萬元甚至1000萬元項目的錯誤方向。

100萬元不可能讓一家普通企業突然擁有很深的AI技術體系，但已經足夠讓AI第一次從少數人的個人技能，逐漸變成組織的學習能力。

如果公司一年真的只有100萬元，我不會第一天去買GPU，也不會急着採購一套聽起來非常宏大的「企業大模型平台」。

我會先找到一個真正熱愛AI、懂一點技術、願意深入業務，也願意不斷教別人怎麼用的人；讓他帶着兩三個AI原生年輕人，把外面快速出現的新能力不斷帶進公司，再和那些真正懂業務的老員工一起，慢慢找到哪些工作已經值得重新做一遍。

某種程度上，這很像個人電腦啱啱進入企業的年代。

真正推動電腦改變企業的，不只是微軟、IBM和英特爾，也包括企業內部那些不斷教大家怎樣用Word、Excel、郵件和互聯網的人。很多當時看起來陌生的新方法，最後變成了所有人的工作常識。

AI可能正在重複類似的過程。

只是這一次，它會快得多。

100萬元最值得購買的，不是一套AI系統，而是一家公司第一次形成「持續學習AI」的能力。

當這種能力真正建立以後，下一筆300萬元、500萬元甚至更大的AI預算，企業才真正知道應該花在哪裏。

09

AI應用經理（企業AI教練）招聘JD

崗位名稱：AI應用經理 / AI創新經理。

招聘人數：1人。

彙報對象：CEO、總經理、CIO/數字化負責人，具體根據企業組織設定。

崗位定位：負責公司AI工具推廣、業務場景發現、輕量應用驗證和AI使用能力普及，不以基礎模型研發為主要職責。

01

崗位職責

● 持續跟蹤國內外大模型、Agent、辦公AI、AI Coding、數據分析、內容生產等工具和產品，開展測試、篩選和內部選型，形成適合公司的AI工具目錄及使用建議。

● 負責公司AI工具推廣和持續運營，通過培訓、案例分享、AI門診、業務陪跑等方式，幫助員工將AI真正應用於日常工作，而不僅停留在簡單問答和內容生成。

● 深入銷售、採購、運營、財務、研發、客服等業務部門，觀察真實業務任務和流程，識別適合利用AI優化、自動化或者重新設計的高頻場景。

● 對有價值的場景快速完成原型驗證，能夠使用主流模型、AI Coding、低代碼、自動化平台、Agent工具和API完成輕量開發，並判斷後續採用成熟產品、內部開發還是外部服務。

● 負責2—3名AI相關實習生的招聘、培養和工作安排，組織其開展工具評測、教程製作、輕量原型開發和業務部門陪跑。

● 建立公司內部AI Champion機制，發現各部門AI積極使用者，將優秀個人實踐逐漸沉澱為團隊可複用的模板、工作流和案例。

● 與原有IT、數據和安全團隊協作，推動必要的賬號、接口、數據和權限支持，同時建立基礎的AI工具使用邊界和安全規範。

● 定期跟蹤AI軟件License的激活率、實際使用率和典型使用場景，對低利用率產品及時調整席位或停止續費。

● 推動少量重點場景從個人試驗進入團隊乃至正式業務使用，第一年重點形成1—2個能夠持續運行並具有明確效果反饋的業務閉環。

● 定期向管理層彙報AI工具使用、重點場景、組織學習、失敗案例、外部技術變化和下一階段預算建議。

02

任職要求

● 本科及以上學歷，計算機、信息管理、自動化、工業工程、數據等專業優先，但不建議把專業作為絕對限制。建議具有3—8年企業數字化、產品經理、解決方案、企業軟件、數據分析、RPA、IT應用或者業務數字化相關經驗。

● 候選人應是AI重度使用者，對主流大模型、辦公AI、Agent和AI Coding具有真實實踐經驗，而不是只理解概念。需要具備一定動手能力，能夠利用Python、API、AI Coding、低代碼或者自動化工具快速完成簡單原型，但不要求具備基礎模型訓練或者高級算法研究能力。

● 這個崗位尤其看重業務理解、溝通、培訓和信息篩選能力。候選人需要願意長期進入不同業務部門，與真實用戶一起重新審視工作，而不是只坐在技術部門等待需求。同時應具備比較強的學習欲，能夠從大量快速變化的AI工具中篩選出真正適合企業的少數產品。

03

優先考慮

有實際AI應用作品、Agent、自動化工作流或者AI Coding項目經歷；過去主動在企業內部推廣過新軟件、新工具；同時具備一定技術和產品/業務經驗；有公開博客、公衆號、GitHub、教程、案例等能夠證明持續學習和輸出能力的候選人優先。

04

不太適合這一階段的候選人

以基礎模型算法研究為主要工作、對企業應用興趣有限的人；擅長戰略規劃但基本不動手的人；只會進行AI產品銷售、缺乏實際實施經驗的人；只熟悉Prompt而缺乏軟件、數據和業務理解的人，都未必適合100萬元預算階段的這一崗位。

05

面試建議

不要把面試重點放在「大模型參數是多少」、「Transformer結構怎麼實現」等知識測試上。可以提供一項企業真實任務，例如幾份客戶資料、一張Excel和一個簡單業務說明，允許候選人自由使用各種AI工具，在規定時間內完成一個解決方案或者輕量原型。

重點觀察他是否會先理解業務問題，能否迅速找到合適工具，什麼時候選擇現成產品、什麼時候需要開發，怎樣判斷結果是否可靠，以及能不能把自己的方法教給一個不懂AI的業務人員。

06

第一年度核心目標

第一年不要求建設完整AI平台，更不以「上線多少Agent」為主要考覈。更合理的目標是：形成一套經過企業實際驗證的AI工具組合；推動幾十名核心員工形成穩定AI使用習慣；培養5—10名業務AI Champion；形成一批內部教程、模板、工作流和真實案例；完成多個輕量場景試驗並推動1—2個進入真實業務；同時讓管理層能夠比較清楚地判斷下一年度AI資金應該繼續投向人員、工具、系統接口還是重點業務場景。