如果让我进入一家 100 人左右的公司做 AI 改造，第一周我不会碰任何业务代码，也不会上任何新系统。第一周是诊断周，目标只有一个：让管理层看到一条可验证的落地路径。围绕这个目标，我只做五件事。
第一件，和老板与部门负责人对齐目标：改造是为了降本、增速、还是把某类依赖个人的能力沉淀给组织——目标不同，选型完全不同。第二件，访谈 5-8 个处在高频重复岗位上的骨干，请他们写下一天的动作清单，标出最花时间的五类动作。你会发现大量时间不是花在「判断」上，而是花在找数据、填表、催进度和来回确认上。
第三件，盘点数据与系统：哪些数据在系统里、哪些在 Excel 和个人电脑里、哪些环节要跨系统搬运——数据位置基本决定了 AI 能接走多少工作。第四件，从动作清单里挑一个数据最完整、规则最清楚的小环节，搭一个最小闭环证明「它确实可以被 AI 接走」，而不是挑最宏大的场景。
第五件，写一页纸的结论与路线图：把「能被自动化的动作」和「必须保留人工判断的动作」分开列出，给出第二阶段 2-3 个试点场景与衡量标准。第一周结束时不产生代码，但要能回答三个问题：AI 能从这里接走什么、数据够不够、第一个试点放哪。
一百人公司的 AI 改造，成功与失败的差别通常不在模型选得多好，而在第一周有没有把「业务动作」翻译成「可自动化的工程语言」。
