（来源：数字化企业）

如果一家企业一年只能拿出100万元做AI，这笔钱到底应该怎么花？中国大量年营收几亿元到十几亿元的企业，已经有ERP、财务、OA、CRM以及基本的IT团队，也知道AI一定要做，但第一年很难直接批准几百万元甚至上千万元的预算。老板更可能给出一个非常现实的数字：“先拿100万元试一年，看看能不能做出点东西来。”

内容提要/OVERVIEW

本文作者：沈旸。由“信息化与数字化”原创首发， 数字化企业经授权发布。

01

100万元不是“大模型建设费”，更像企业AI转型的种子资金

100万元说少并不少。假设企业一年利润2000万元，这已经相当于利润的5%；如果企业原来一年的IT和数字化预算只有三四百万元，100万元更是一笔非常明显的新增投入。但它又远远没有多到可以容忍一次错误的大采购：花三四十万元买一套平台，再花二三十万元做知识库、培训和咨询，预算很快就见底了，而企业可能还没有真正弄明白AI究竟应该在哪里创造价值。

所以如果由我来负责这100万元，我不会把目标定成“今年建设一个企业大模型”，也不会先给自己规定必须上线多少个Agent。我更希望一年以后，公司发生一种没有那么宏大、但可能更加重要的变化：原来只有少数年轻员工偶尔使用AI，一年以后，几十甚至上百名员工在遇到一个工作任务时，会很自然地多想一步——这件事是不是应该先让AI试一下？。

100万元不够建立完整的AI技术体系，但已经足够让一家企业第一次形成持续发现AI、学习AI、筛选AI、推广AI和吸收AI的机制。第一年的核心目标，应该是让公司从“知道AI很重要”，进入“开始知道AI到底应该怎么用”。

先说明本文讨论的企业类型。它不一定是制造企业，也可以是物流、零售、工程服务、贸易、咨询、产业互联网等企业。通常已经有一定数字化基础，有几十到几百名知识型员工，拥有ERP、CRM、财务、OA或者各种行业软件，也有几名到十几名IT或数字化人员，只是尚未形成正式的AI团队。

如果企业连最基本的信息化基础都没有，那么100万元中很大一部分首先还是补数字化的课，而不是直接照搬AI建设方案。

对于已经有一定基础的企业，第一年的100万元最重要的特点是：必须尽可能保持选择权。。

AI现在变化得太快。模型在变，价格在变，办公软件在变，Agent工具在变，AI Coding也在变。今天看起来非常领先的产品，一年以后可能已经变成普通功能；今天认为必须自己开发的能力，半年以后可能已经被钉钉、飞书、企业微信、WPS、WorkBuddy或者其他产品直接提供。

因此，小预算企业尤其不适合一开始就把几十万元锁定在某一个封闭平台或者三年合同里。第一年更像播种：不断尝试一些东西，迅速知道哪些有效、哪些无效，然后把钱逐渐向真正产生价值的方向移动。

如果让我做一个粗略预算，我会这样安排：

这张表最值得注意的是，最大的预算仍然是“人”，而不是模型、GPU或者平台。

因为模型可以按月买，软件可以试用，云资源可以按量付费，特殊工程问题也可以临时寻找供应商。但是，如果企业内部连一个每天真正想着“怎样让公司比上个月更会使用AI”的人都没有，剩下的资源很容易变成零散采购。

02

如果只有100万元，我会先找一个“AI教练”

很多企业并不是没有人懂AI。CIO知道AI，研发有人用AI Coding，市场部门可能已经在生成图片和视频，年轻员工也会自己购买各种模型账号。问题在于，这些行为往往是散落的，没有人真正对AI在企业中的使用结果负责。

如果只是让CIO兼任，这件事很容易排在ERP、网络、安全、供应商、数据和其他项目之后；如果成立一个AI委员会，也很容易变成大家每个月讨论一次趋势，但没有人每天真正推进。100万元阶段尤其需要一个非常明确的Owner。

这个岗位正式招聘时，我建议叫“AI应用经理”或者“AI创新经理”。但如果用一个更形象的说法，我觉得他更像企业内部的AI教练。

这个角色和大型集团里的AI负责人不太一样。100万元养不起一个只负责战略规划、组织协调、自己基本不动手的人。他需要有比较强的综合能力：持续关注外面的模型和工具；能判断什么值得买、什么暂时不用；能够进入销售、采购、财务、研发、客服等部门，看真实工作；能给员工做非常具体的培训；会用AI Coding、API、低代码或者Agent工具做简单原型；遇到复杂工程问题时，又知道什么时候应该寻找IT团队或者外部供应商。

他的工作不应该是“帮全公司做AI”，而是让全公司越来越不需要依赖他完成简单AI工作。

比如一个员工每周五要把八个区域的销售数据合并成一份周报。AI教练不应该以后每周五都替他做，而是坐在旁边把这个任务重新做一遍，让员工自己掌握新方法。采购人员每次做供应商调查都要花几个小时，如果市面上的成熟研究工具已经能够解决70%的问题，就直接教采购用工具，而不是马上立项开发“采购智能体”。

只有当一个任务确实体现了企业自己的数据、流程和竞争优势，并且成熟软件解决不了时，才值得进入定制。

所以我会给这个岗位三个非常简单的工作原则：

能教会员工自己完成的，不变成AI团队的工作；能买成熟工具解决的，不轻易自己开发；真正体现企业差异化的高价值任务，才进入定制。

这其实很像个人电脑刚进入企业的年代。企业并不需要自己研发Windows，但必须有人不断告诉员工为什么Word比传统打字方式更好，Excel可以怎样替代手工计算，电子邮件为什么值得改变原有沟通习惯。很多今天看起来理所当然的办公方式，当年都需要一个逐渐学习和普及的过程。

AI可能也正在经历这样的阶段，只是速度更快。今天大量员工并不缺一个能够聊天的AI，缺的是有人不断告诉他：你每天做的这些事情里，哪些已经可以换一种方式。。

03

我还会给这个AI教练配2—3个“AI原生”的实习生

100万元本来就不多，再拿二十万元左右配2—3个实习生，乍看起来可能有点奢侈。但我觉得这反而是非常适合小预算企业的一种配置。

这一代大学生和研究生进入社会时，大模型、AI Coding、图片和视频生成、Agent、自动化工作流已经非常普遍。对于一些工作十几年、已经形成稳定软件和流程习惯的企业员工来说，AI是后来需要学习的新技术；对不少年轻人而言，它已经是默认工作方式的一部分。

当然，这绝不意味着学生比有经验的员工更懂企业。恰恰相反，复杂业务最缺的正是真实世界经验。学生可能看一个流程觉得“为什么还要这么麻烦”，但老员工知道这里为什么需要审批、为什么一个客户必须特殊处理、为什么某个看起来冗余的环节是十年前一次严重事故之后留下来的。

所以最好的方式不是让三个学生组成一个“AI突击队”去改造公司，而是让他们和真正懂业务的人结对子。

一个学生跟销售部门两周，一个跟采购，一个跟财务或者研发。他们的任务不是替业务做PPT、剪视频，而是观察真实工作：哪些地方大量复制粘贴，哪些信息要在几个系统之间来回寻找，哪些环节高度依赖经验，哪些规则实际上没有写出来，哪些工作现在已经存在成熟AI工具可以处理。

年轻人带来新的可能，老员工提供现实世界的约束。。两种人碰在一起，往往比一群技术人员坐在会议室里讨论“AI场景地图”更容易发现真正有价值的问题。

这些实习生还可以承担企业AI负责人一个人根本做不过来的工作。外面每天出现大量新的办公、Coding、搜索、视频、Agent和数据产品，可以让实习生持续测试，最后只把真正值得企业内部验证的少数工具筛出来；发现一个好用的新功能，可以制作一段三分钟教程，而不是简单转发官方说明；碰到一个业务想法，可以利用AI Coding快速做一个小原型，帮助企业判断这件事情值不值得再花钱。

他们不是廉价程序员，更不应该成为“AI打杂队”。我甚至会要求他们做过的事情尽量留下可复用资产：教程、模板、工作流、Agent、测试记录、工具评价、失败案例。只完成一次任务不算最好的成果，让下一个人不用重新做一遍，才开始变成组织资产。。

如果一年以后企业决定继续加大AI投入，其中表现好的学生还可以直接转正。这样下一阶段企业已经拥有一批既习惯AI，又开始懂自己业务的年轻人，而不是临时去市场上重新招聘几个完全不了解公司的“AI人才”。

04

不要急着开发，先让成熟AI工具进入每个人已经在工作的地方

只有100万元的时候，我会非常坚定地采用一个原则：先买成熟能力，再做集成，最后才自己开发。。

今天企业能够直接购买的AI能力已经比一两年前丰富很多。办公、文档、会议、搜索、表格、研究、代码、PPT、图片、视频等大量工作，都已经有非常成熟的产品。对小预算企业来说，充分利用市场上正在快速商品化的AI，往往比自己做一个平台划算得多。

而且我不会为了AI再创造一个新的入口。

企业原来主要使用企业微信，就先研究企业微信和腾讯生态里有什么；原来是钉钉，就先看钉钉；原来已经重度使用飞书，就没必要为了AI再要求几百个人更换协作平台。员工每天打开原来的IM几十次，却需要另外登录一个一年只想起来几次的“企业AI门户”，再强的模型也很难形成习惯。

因此我会把AI工具分成三层。最底层是覆盖尽可能多员工的基础能力，例如搜索、总结、翻译、会议纪要、文档处理、表格和基本写作。这一层优先利用原来的办公套件和IM内置能力，尽量降低使用门槛。

第二层是30—50个AI重度用户。他们可能来自销售运营、市场、管理、HR、财务分析、研究和项目管理，需要更强的通用Agent或者AI工作台，可以配置更高一级的工具。

第三层才是专业岗位。开发人员配置AI Coding，市场和设计使用专业视频、图片工具，数据岗位使用更强的数据分析能力。没有必要为了“公平”给所有人购买完全一样的软件。

这里还有一个过去企业软件采购里不太被重视、以后却可能越来越重要的事情：运营License。。

比如买了50个高级账号，两个月以后发现真正每周使用的只有18个，就应该回收；有些人天天使用并已经产生明显价值，就可以升级；某个工具技术很好，但是三个月后业务部门仍然基本不用，就不要因为合同已经买了而继续保留。

AI变化太快，“买了就放在那里一年”会越来越浪费。小预算企业反而应该因为钱少，对工具使用效率更加敏感。

我还会让AI教练和实习生维护一个很轻的“AI工具雷达”。不需要做几十页分析，只需要记录这个产品解决什么问题、适合谁、成本大概多少、涉及什么数据风险、公司里谁试过、效果如何、下一步是扩大还是停止。

一年以后，这份东西本身就会成为企业自己的AI采购经验库。

05

AI培训不应该是一堂课，而应该是一场持续几个月的工作方式迁移

如果公司已经买了工具，但员工不会用或者没有使用习惯，钱仍然会浪费。因此100万元里面我会保留一笔培训和推广预算，但不会主要用于一次两天的“大模型培训”。

上午讲Transformer，下午讲Prompt，培训结束大家都觉得AI很厉害，第二天回到工位仍然按照原来的方式工作，这种情况非常常见。

我更愿意把培训变成持续运营。

例如每两周安排一次30分钟的内部分享，一次只讲一个真实任务；每周固定两个小时“AI门诊”，员工直接带着自己的Excel、客户资料、合同、会议纪要或者业务问题过来；在企业IM里建立AI交流群，让AI教练和实习生持续发布工具技巧、真实案例和失败经验；每个月请一个部门展示自己最近怎样使用AI改变了一项具体工作。

培训也不应该所有人听完全相同的内容。管理层更需要理解AI的能力边界、投入产出和组织变化；中层管理者尤其应该理解AI会怎样改变信息汇总、协调、审批和人员管理；普通员工最需要的则是看到自己每天的工作究竟有什么新办法。

所以我更愿意把AI培训的目标定义成：帮助员工形成新的工作反射。。

过去接到一个任务，第一反应是“我开始做”；以后逐渐多一个动作：“这件事情是不是应该先让AI试一下？”

当这种反应开始成为习惯，AI才真正从公司采购的一个软件变成工作方式的一部分。

中间还有一个很容易被忽略的问题：员工愿不愿意公开自己的效率提升。

如果一个员工原来8小时完成的工作，现在利用AI三小时就做完，公司第一反应就是“那是不是可以少一个人”，下一次他很可能不会告诉公司自己已经提高效率。企业嘴上鼓励AI，实际上却可能通过编制和绩效机制让最早提高生产力的人感到风险。

所以至少在AI普及早期，企业需要传递一个信号：发现生产力并把方法分享出来的人，不应该首先因为效率提高而受到惩罚。。

否则企业最后会出现一种非常有意思的状态：员工个人已经大量使用AI，但这些生产力全部藏在地下，没有变成企业能力。

06

工具普及之后再做深，第一年真正做好1—2个业务闭环就够了

100万元不能全部花在普及工具上。到了半年左右，企业应该开始从大量实际使用中发现一些真正值得进一步做深的任务。

但我不会在年初通过一张《AI场景征集表》决定这1—2个项目。AI教练更应该像一个内部的超级AI BP，进入销售、采购、客服、研发和财务，看实际工作，而不是问“你们想要什么AI系统”。

因为业务部门提出的往往是“我要一个智能报价系统”“我要一个知识库”，而真正值得研究的是报价为什么慢、知识为什么找不到，甚至这个流程在AI已经存在的情况下是否还有必要保持原来的样子。

第一年可以看到几十个问题，尝试十几个小工具，做出几个非常轻量的原型，但真正花工程资源深入的最好只有少数一两个。

我很喜欢一种“转正机制”：个人玩具 → 团队工具 → 企业应用。。

一个员工自己利用AI做出了一个客户研究方法，先让他自己用；如果三五个销售连续一个月都觉得有效，就升级成团队工具；等真实使用证明有价值以后，公司再投入CRM接口、统一权限、日志和数据，让它逐渐进入正式流程。

这样大量创新不需要一开始就走传统IT立项，同时又避免“一个实习生两天做出一个Demo，公司马上宣布进入全面推广”的另一种极端。

100万元阶段的系统改造也应该尽量轻。做客户场景，就解决CRM最必要的接口；做合同场景，就解决这一部分文档访问和权限；不要因为一个场景，顺便启动一个几十万元的AI中台和全公司数据治理项目。

小预算最大的优势就是机动性。

100万元没有资格犯一个50万元的大错误，但完全可以犯很多5000元、1万元的小错误。

第一年的目的本来就是快速知道什么在自己公司有用，什么没有用。错误足够便宜，才能真正学习得快。

07

100万元AI转型最常见的问题，可能大部分都不是AI问题

100万元足以让企业启动，但钱越少，组织中的很多现实问题反而越容易暴露。

AI负责人名义上专职，实际上还是兼职。企业虽然给某个人增加了“AI负责人”的头衔，但原来的ERP、数据、IT运维和其他项目一个都没有减少，最后AI永远变成一件“重要，但今天还有更急的事情”。

老板支持AI，却不给推动业务的空间。AI教练发现了一个很好的销售场景，需要业务部门配合两个人试一个月，部门负责人一句“最近没空”，项目就停了。于是公司有预算、有AI负责人，却没有基本的组织授权。

AI负责人和原来的CIO、IT体系产生摩擦。新负责人直接和老板讨论AI，但数据、账号、系统接口仍然由IT掌握。如果双方边界处理不好，一个觉得传统IT什么都不开放，另一个觉得AI团队只顾快、不管安全，很容易从技术问题演变成组织问题。

业务部门仍然认为AI是IT的事情。自己只负责提需求，AI团队负责开发，最后业务验收。表面换成了AI，运行方式还是过去的IT项目模式。如果业务自己不愿意投入人员、改变流程，也不愿意对结果负责，再好的Agent都很容易停在Demo。

AI教练很快变成全公司的“AI客服”。市场找他做图片，领导让他帮忙写PPT，财务让他分析Excel，每个需求都不大，却会吃掉大量时间。半年以后这个人非常忙，但企业真正具有复用价值的AI能力并没有增加。

实习生沦为AI打杂队。因为年轻人做PPT、视频、搜索和资料整理速度很快，各部门什么事情都找他们。最后学生确实完成了很多任务，却没有留下教程、方法、Agent和可复用工作流。

全员买了昂贵License，但绝大多数人不用。企业为了体现重视AI给200个人全部配高级账号，三个月以后只有几十个人持续使用。工具普惠不等于所有人必须购买一样的产品。

另一边则是Shadow AI。企业什幺正式工具都不给，员工自己购买各种个人账号，合同、客户资料、代码甚至财务数据开始进入大量企业不知道的外部AI服务。单纯禁止通常也很难真正解决问题。

企业已有软件明明提供了AI，却又重复采购。ERP、办公套件、IM、CRM等供应商都在快速增加AI能力，如果没有人统一盘点，企业很容易一边给原来的软件续费，一边再买一套实现类似功能的AI产品。

全年都在追新工具，却没有把一件事做深。这个月研究某个Agent框架，下个月换一个模型，下下个月又开始研究新平台，大家每天都在体验新技术，却没有一个真实任务被持续改造三个月。

员工提高效率，却不愿意公开。如果分享“我用AI节省了一半时间”意味着下一轮绩效目标翻倍甚至岗位被取消，那么组织很难获得个人真正使用AI的经验。

老板又可能对100万元的第一年回报期望过高。如果每一个小实验都要求当年产生几倍财务回报，很多本来应该通过低成本试错获得的认知会被提前扼杀。

供应商一次拿走了大半预算。企业觉得自己什么都不懂，于是把六七十万元一次性交给一家供应商“全面做AI”。一年以后系统确实交付了，但供应商撤掉以后，公司内部仍然没人知道下一步应该怎么走。

关键人离职以后，公司的AI能力几乎归零。小预算企业高度依赖一个AI教练，因此工具账号、代码、供应商记录、场景、教程、失败经验都必须逐渐企业化，而不能永远存在一个人的电脑和脑子里。

做了很多个人生产力，却没有形成企业生产力。200个人都会用AI写材料，并不等于企业完成了AI转型。真正的企业能力需要能够被团队复用、进入业务流程、连接企业系统，并持续产生稳定结果。

还有一个更深的问题：企业可能一直在做“AI+旧流程”，却从来没有重新设计工作。过去员工写报告，现在AI先写、人再完整检查一遍；过去有三层审批，现在AI增加一个预审，但三层审批一层没少。AI功能越来越多，流程却越来越长。

所以企业最终还应该问一句：

如果AI从公司成立第一天就已经存在，这项工作真的还会按照今天的方式设计吗？

08

一年以后，这100万元到底应该留下什么？

年底验收的时候，我不会把“培训了多少人、买了多少工具、调用多少Token、做了多少Agent Demo”当作最核心的指标。

这些当然可以统计，但它们更像过程。

我更希望看到的是，公司里已经有一个真正理解企业业务、又持续追踪外部AI变化的人；两三个年轻实习生不再只是会试新工具，而是已经开始理解销售、采购、财务或者研发真实怎么工作；不同部门出现了5—10个能够主动用AI解决问题的业务Champion。

几十甚至上百名员工已经把AI纳入日常工作，公司也不再盲目购买工具，而是知道哪些值得扩大、哪些应该停止。第一年可能试过几十种办法、十几个小场景，其中很多失败了，但至少有1—2个真正从个人使用进入团队甚至企业流程。

企业还应该开始拥有一批以前没有的资产：自己写的教程和模板、经过验证的工作流、工具评价、真实任务案例、失败案例，以及少量自己的Evaluation数据。

这些东西看起来不像“AI大平台”那么容易做汇报，但第二年的价值会越来越明显。

因为到了下一年度预算讨论时，管理层面对的不再是一张白纸。

他们已经知道AI Coding可能非常值得扩大；某个办公工具实际只需要40个高级账号；所谓“万能知识库”并没有想象中好用；销售客户研究已经证明值得连接CRM；采购部门有一个特别有潜力的AI Champion；下一步真正缺的可能是一名AI应用工程师，而不是“大模型算法专家”。

所以我认为100万元第一年的回报，不能只理解成“今年赚回多少钱”。

还有一种非常重要的回报：

大幅降低下一轮AI投资犯错的概率。

如果用100万元，让企业弄清楚哪些工具真正适合自己、哪些场景值得继续、哪些团队最愿意改变、哪些技术不值得自研，那么它可能避免的，是下一阶段一个500万元甚至1000万元项目的错误方向。

100万元不可能让一家普通企业突然拥有很深的AI技术体系，但已经足够让AI第一次从少数人的个人技能，逐渐变成组织的学习能力。

如果公司一年真的只有100万元，我不会第一天去买GPU，也不会急着采购一套听起来非常宏大的“企业大模型平台”。

我会先找到一个真正热爱AI、懂一点技术、愿意深入业务，也愿意不断教别人怎么用的人；让他带着两三个AI原生年轻人，把外面快速出现的新能力不断带进公司，再和那些真正懂业务的老员工一起，慢慢找到哪些工作已经值得重新做一遍。

某种程度上，这很像个人电脑刚刚进入企业的年代。

真正推动电脑改变企业的，不只是微软、IBM和英特尔，也包括企业内部那些不断教大家怎样用Word、Excel、邮件和互联网的人。很多当时看起来陌生的新方法，最后变成了所有人的工作常识。

AI可能正在重复类似的过程。

只是这一次，它会快得多。

100万元最值得购买的，不是一套AI系统，而是一家公司第一次形成“持续学习AI”的能力。

当这种能力真正建立以后，下一笔300万元、500万元甚至更大的AI预算，企业才真正知道应该花在哪里。

09

AI应用经理（企业AI教练）招聘JD

岗位名称：AI应用经理 / AI创新经理。

招聘人数：1人。

汇报对象：CEO、总经理、CIO/数字化负责人，具体根据企业组织设置。

岗位定位：负责公司AI工具推广、业务场景发现、轻量应用验证和AI使用能力普及，不以基础模型研发为主要职责。

01

岗位职责

● 持续跟踪国内外大模型、Agent、办公AI、AI Coding、数据分析、内容生产等工具和产品，开展测试、筛选和内部选型，形成适合公司的AI工具目录及使用建议。

● 负责公司AI工具推广和持续运营，通过培训、案例分享、AI门诊、业务陪跑等方式，帮助员工将AI真正应用于日常工作，而不仅停留在简单问答和内容生成。

● 深入销售、采购、运营、财务、研发、客服等业务部门，观察真实业务任务和流程，识别适合利用AI优化、自动化或者重新设计的高频场景。

● 对有价值的场景快速完成原型验证，能够使用主流模型、AI Coding、低代码、自动化平台、Agent工具和API完成轻量开发，并判断后续采用成熟产品、内部开发还是外部服务。

● 负责2—3名AI相关实习生的招聘、培养和工作安排，组织其开展工具评测、教程制作、轻量原型开发和业务部门陪跑。

● 建立公司内部AI Champion机制，发现各部门AI积极使用者，将优秀个人实践逐渐沉淀为团队可复用的模板、工作流和案例。

● 与原有IT、数据和安全团队协作，推动必要的账号、接口、数据和权限支持，同时建立基础的AI工具使用边界和安全规范。

● 定期跟踪AI软件License的激活率、实际使用率和典型使用场景，对低利用率产品及时调整席位或停止续费。

● 推动少量重点场景从个人试验进入团队乃至正式业务使用，第一年重点形成1—2个能够持续运行并具有明确效果反馈的业务闭环。

● 定期向管理层汇报AI工具使用、重点场景、组织学习、失败案例、外部技术变化和下一阶段预算建议。

02

任职要求

● 本科及以上学历，计算机、信息管理、自动化、工业工程、数据等专业优先，但不建议把专业作为绝对限制。建议具有3—8年企业数字化、产品经理、解决方案、企业软件、数据分析、RPA、IT应用或者业务数字化相关经验。

● 候选人应是AI重度使用者，对主流大模型、办公AI、Agent和AI Coding具有真实实践经验，而不是只理解概念。需要具备一定动手能力，能够利用Python、API、AI Coding、低代码或者自动化工具快速完成简单原型，但不要求具备基础模型训练或者高级算法研究能力。

● 这个岗位尤其看重业务理解、沟通、培训和信息筛选能力。候选人需要愿意长期进入不同业务部门，与真实用户一起重新审视工作，而不是只坐在技术部门等待需求。同时应具备比较强的学习欲，能够从大量快速变化的AI工具中筛选出真正适合企业的少数产品。

03

优先考虑

有实际AI应用作品、Agent、自动化工作流或者AI Coding项目经历；过去主动在企业内部推广过新软件、新工具；同时具备一定技术和产品/业务经验；有公开博客、公众号、GitHub、教程、案例等能够证明持续学习和输出能力的候选人优先。

04

不太适合这一阶段的候选人

以基础模型算法研究为主要工作、对企业应用兴趣有限的人；擅长战略规划但基本不动手的人；只会进行AI产品销售、缺乏实际实施经验的人；只熟悉Prompt而缺乏软件、数据和业务理解的人，都未必适合100万元预算阶段的这一岗位。

05

面试建议

不要把面试重点放在“大模型参数是多少”、“Transformer结构怎么实现”等知识测试上。可以提供一项企业真实任务，例如几份客户资料、一张Excel和一个简单业务说明，允许候选人自由使用各种AI工具，在规定时间内完成一个解决方案或者轻量原型。

重点观察他是否会先理解业务问题，能否迅速找到合适工具，什么时候选择现成产品、什么时候需要开发，怎样判断结果是否可靠，以及能不能把自己的方法教给一个不懂AI的业务人员。

06

第一年度核心目标

第一年不要求建设完整AI平台，更不以“上线多少Agent”为主要考核。更合理的目标是：形成一套经过企业实际验证的AI工具组合；推动几十名核心员工形成稳定AI使用习惯；培养5—10名业务AI Champion；形成一批内部教程、模板、工作流和真实案例；完成多个轻量场景试验并推动1—2个进入真实业务；同时让管理层能够比较清楚地判断下一年度AI资金应该继续投向人员、工具、系统接口还是重点业务场景。