企业评估人工智能项目，不能从“是否接入大模型”开始，而应从业务价值、数据条件、经济性和运营能力四个标准判断。模型上线只是技术动作，只有当项目能够嵌入真实流程、持续产生可衡量结果，才具备规模化价值。
一、业务问题是否明确
优先选择工作量大、重复性高、信息分散、结果可比较的场景，例如检索、分类、摘要、草稿生成和异常提示。评估时需要明确服务对象、改变哪个流程、当前成本是什么，以及目标是缩短处理时间、降低错误，还是提高转化。
“提升智能化水平”不是业务目标。如果项目无法对应具体流程、指标和责任人，就容易停留在演示阶段。对涉及资金、合同、客户权益或生产安全的事项，人工智能更适合作为辅助工具，由专业人员复核结果。
二、数据与成本是否可控
数据不仅要“有”，还要具备合法授权、足够质量、持续更新和结果可追溯的条件。知识库过期、数据权限不清或业务规则无法维护，都会直接削弱模型效果。
成本也不能只看接口或服务器费用，还应纳入数据清洗、标注、脱敏、系统集成、人工审核、权限管理、运维以及迁移退出等支出。更合理的口径是单位业务成本：完成一项有效业务所需的模型、数据、系统和人工综合成本。若员工仍需完整重做，模型生成结果就不能算作有效产出。
三、试点能否证明价值
试点开始前必须记录原有流程基线，包括处理时长、人工成本、错误率、满意度或其他关键指标。随后同时评估业务结果、输出质量、使用效率和风险控制，不能只看回答是否流畅。
试点还应设置暂停和退出条件：质量持续不达标、审核成本反而增加、关键用户拒绝使用、收益无法覆盖新增成本，或风险缺少补救机制时，应及时停止或重新定义场景。可停止的试点，才是真正可控的创新。
四、组织能否持续运营
规模化后，数据分布、模型效果、调用量和业务规则都会变化。企业应明确业务、数据、技术以及风险合规责任，持续监测数据更新、模型稳定性、单位成本和用户采用情况，并保留人工接管与回退机制。
四项标准中，任何一项明显缺失，都不宜急于扩大投入。企业真正要建设的不是一个孤立的模型应用，而是一套能够被衡量、复盘、治理和复制的业务能力。