什么情况下企业应该明确不用 AI？

AI 火起来以后，很多普通自动化需求被重新包装成“智能体项目”。一条规则就能解决的问题，开始调用模型、消耗资源、增加审核，最后更贵、更慢，也更难解释。

会用 AI 很重要。知道什么时候停在规则和普通自动化，同样是能力。

任务越确定、规则越稳定、错误代价越高，越应该优先采用确定性方案。 AI 适合处理模糊信息和开放判断，但没有理由接管每一个业务动作。

先走一遍四步选择树

第一步，规则能否穷举？固定金额校验、字段格式判断、权限检查和状态流转，通常直接写成规则更稳定。

第二步，普通工作流能否完成？如果任务只是从系统 A 读取确定字段，经过固定审批后写入系统 B，流程编排已经足够。

第三步，是否需要 AI 提供建议？遇到自然语言、非结构化材料或多种合理答案，可以让 AI 做分类、摘要、草拟和推荐，由人或规则决定下一步。

第四步，任务是否真的需要 AI 智能体自主规划并调用多个工具？只有路径会随上下文变化、工具选择无法预先完全写死，同时又具备权限、状态和接管机制时，才有必要增加这层自由度。

可以把它压缩成一句话：规则先行，工作流连接，AI 负责模糊判断，智能体只处理确实需要动态规划的部分。

三类情况应该明确不用 AI

规则能够穷举时，程序更容易测试、审计和维护。AI 可以帮人解释异常或生成规则草案，最终执行仍由确定性系统完成。

结果必须完全一致时，也要谨慎。财务记账、订单扣款、权限授予等动作要求同样输入得到同样结果。即使 AI 只偶尔出错，也可能造成重复支付、错误审批或越权。

业务价值太弱时，技术上能做也不值得做。低频任务并不天然低价值，需要同时看单次影响。偶尔生成一段可有可无的文字，很难覆盖数据整理、接口开发、人工复核和长期维护。

没有验收标准，先整理业务

团队连“什么叫正确”都说不清，AI 上线后也无法判断效果。开放任务可以没有唯一答案，但仍要有事实边界、专业标准、业务采纳或不可接受项。

这时更值得先整理问题、样本和裁决规则。它们既能帮助未来使用 AI，也可能证明一个简单方案已经够用。

第 53 问会进一步比较固定工作流和 AI 智能体的技术边界。本篇只解决更前面的问题：这个任务究竟需不需要 AI。

能用一条规则稳定解决的问题，再强的模型也只是昂贵的绕路。

本问行动：把现有 AI 项目逐个放进四步选择树，标出哪些项目其实应该退回规则或普通工作流。