企业 AI 试点最容易失控的地方，不是模型偶尔答错，而是项目没有预先定义“什么情况下停止继续投入”。一旦团队只记录演示效果和完成量，却不记录人工复核、返工、权限维护与异常处理成本，项目就可能陷入“再优化一下”的循环。止损线的本质，是把技术试错转化为可审计的业务决策。
先定义不可突破的边界
试点启动前，应明确任务范围、数据权限、人工审核点和禁止动作。尤其涉及外部承诺、资金、合同、客户权益或系统写入时，不能以“模型表现不错”替代授权机制。企业还要写清楚异常由谁发现、谁纠正、谁承担后果；如果责任人无法确定，项目就不具备进入生产的基本条件。
止损线至少应围绕三类问题建立。第一，业务价值是否成立：任务是否高频，是否对应明确流程，是否能改善响应、检索、整理或分派等具体工作。第二，真实成本是否可控：除了模型调用和系统改造，还要核算人工审核、返工、培训、权限申请和持续运营成本。第三，风险是否可接受：是否出现越权调用、错误写回、未经授权使用数据，或在不确定时没有转人工。
用基线决定继续还是暂停
试点不能只看“输出像不像”，而要比较上线前后的业务基线。验收应同时覆盖事实正确性、授权数据使用、规定格式、异常转人工能力，以及智能体实际执行过的动作。若 AI 节省了录入时间，却增加了审核和纠错工作，正向指标就不能单独作为继续投入的依据。
结果可以分为四类：任务价值明确且效果改善，继续迭代；价值存在但数据、流程或运营机制不足，暂停扩张并修正；价值成立但模型能力、系统兼容性或安全边界长期不达标，更换方案；即使技术实现成功也无法形成可持续收益，直接终止。关键不在于给项目设置一道一次性考试，而在于让每次投入都有明确的退出条件。
成熟的企业不会把“已经投入预算”当作继续投入的理由。只有当结果可度量、流程可重复、异常可处理，试点才值得扩大；否则，暂停本身就是有效的治理动作。