今年 9 月，开源社区 Datawhale 发布了《FDE案例100》，首批收录 24 个企业 AI 落地案例。FDE（前沿部署工程师）指的是驻到客户现场、一边理解业务一边把 AI 做进流程的工程师。书里每个案例都是 FDE 本人讲述自己做过的项目，行业从制造、国企、跨境电商到律所、车管所都有。
这些项目不是 AiPu 做的。我们读它，是因为里面有很多老板最关心、却很少有人公开讲的东西：第一件事该挑哪件。下面引用的原话都标了案例编号，方便你回去翻原文。
很多团队一开始都选错了方向
书里不止一个讲述者承认，自己刚进客户现场时想的是先把技术底座搭起来。NO.14 那家省属国企子公司就是这样：知识库、模型、Agent 都搭好了，后来才发现员工没用起来。复盘下来，他们把"先判断这个场景到底值不值得做"放到了第一步：
技术做不到的不要硬做，做出来没有价值的也不要做。（NO.14）
NO.17 的讲述者说得更直接：
选场景的起点应该是业务瓶颈，模型能力排在后面。（NO.17）
他们选报价这个场景，是因为看图纸、拆需求这些重复活占满了老师傅和技术骨干的时间，而这些人的判断恰恰是企业最难复制的。
一个好起点长什么样
NO.10 是一家线下零售企业的门店对账。客户当时同时提了好几个需求，包括自动化客服和竞品分析。讲述者问自己的问题是：
哪个事情能够最快形成业务上的正反馈？（NO.10）
客服要攒很长时间的数据才能证明商机有没有增加，竞品分析牵扯后续一连串运营动作，都不容易很快验证。对账则涉及的人少，流程相对清楚，价值算得出来，员工也容易接受。他还补了一句很实在的话："没有所谓的'六边形完美任务'，最终一定是权衡。"
把 NO.10、NO.17、NO.23 几个案例的判断放在一起看，好起点大致有这几个特征：
- 卡住的是关键的人：老板、老师傅、骨干的时间被重复劳动占住
- 边界清楚：输入是什么、输出是什么、什么情况要人判断，说得清
- 涉及的人少：一个部门、几个岗位就能跑起来
- 结果看得见、算得出：做之前和做之后能对比
- 试错成本低：做不成也不伤筋动骨
NO.23 是一家工程租赁中小企业，讲述者的说法是"先找一个客户能看见结果、试错成本比较低的问题"，跑通了再谈路线图。
有时候第一步不是 AI
NO.18 的客户是一家生物科技上市公司，销售数据散在不同系统和个人手里。团队的做法是该补 CRM 就补 CRM，该建数仓就建数仓：
AI转型的第一步，往往发生在AI之前。（NO.18）
NO.22 的讲述者也提醒，规则很死的任务写个脚本、跑个定时任务就够了，只有涉及理解和跨系统判断的部分才值得上 Agent。换句话说，起点选对之后，方案也不一定是"纯 AI"。
第一个项目不一定是最值钱的那个
NO.2 是车管所网办的案例。讲述者说，信任是在一次次交付结果里建立起来的，"第一个项目未必就是最终最有价值的项目"。先从小切口进去，把第一件事做好，才看得见后面的需求。
NO.24 的团队把交付固化成五步：诊断、数据审计、窄 MVP、嵌入、扩展，并强调顺序不能乱。"窄"这个字值得记住。
我们的看法：动手前先过一遍这张表
读完这些案例，我们觉得老板在选第一个 AI 项目时，可以先回答下面几个问题。答不上来的，往往就是风险所在。
- 这件事现在卡住的是谁？是不是公司里最难替代的人？
- 一句话能不能说清它的输入和输出？
- 第一版只需要几个岗位参与就能跑吗？
- 做之前花多少时间、出多少错，现在有没有记录？没有的话，先记两周。
- 资料能不能拿出来？系统有没有接口，接口好不好用？
- 哪一步必须留给人确认？
- 如果第一版效果一般，损失是不是可以接受？
这张表不是标准答案，只是帮你把"要不要做、先做哪个"从拍脑袋变成可以讨论的问题。书里 24 个案例的行业和规模差别很大，具体怎么选，还是要看你们自己的流程和数据。