最近一个月，有三个人问过我同一个问题：「我们公司想做 AI，从哪开始？」
三个人的背景很不一样：一个做制造，一个做跨境电商，一个做连锁餐饮。但他们的第一反应惊人地一致：先看看现在的模型能干什么，再从公司里找个场景套上去。
Jeff Dean 给的答案正好相反。今年 YC Startup School 上，他给了一个我认为值得每个企业贴在墙上的选题标准：
去找模型成功率是 0% 或 1% 的问题，不是 20%。
这就是 1% 法则。在 AI 的竞争变了：未来是上下文的竞争 里我讲过这个判断的战略含义；这篇往前一步——把它变成一套你在自己公司就能执行的盘点方法。
一、为什么 20% 反而是危险信号
先说反直觉的部分。
直觉上，「模型已经能做对 20%」应该是个好消息：说明能力萌芽了，再投入一些工程、再喂一些数据，说不定就能做到 80%。很多企业的 AI 项目就是这么立项的。
Dean 的判断恰好相反。他的原话是：如果模型对某个问题「能做一点但做得不好」，这 不是 好信号——「这多半说明这个能力已经在模型里萌芽了。更多的训练数据、更大的规模，会让它继续变好」。也就是说，你今天花大力气把 20% 优化到 60%，很可能是在替模型厂商做嫁衣：六个月到十二个月后，下一个版本的基座模型会把这个能力直接吃掉，你的工程投入一夜归零。
反过来，模型成功率 0% 或 1% 的地方，说明模型 从根本上 做不了——而不是暂时做不了。这才是值得投入的位置。
二、模型为什么会彻底失败：拿不到，和没见过
模型什么时候会彻底做不了一件事？Dean 给了两个原因：
- 拿不到——你的产品能访问某些数据，而通用模型没有权限。他举的例子是整理个人信息的工具：「你的模型或产品能看见重要数据，而通用模型没有访问权，这一下你就有了巨大优势。」
- 没见过——通用模型的训练集里没有这个分布，但你可以用得起一份小而准的专用模型。
对照到企业场景，第一条几乎就是为「私有上下文」量身定做的。你的组织架构、审批流、客户记录、决策历史，都在你的系统里，隔着你的权限体系——通用模型连门都进不了。而且正如我在 AI 的竞争变了 里论证的： 这是访问权问题，不是能力问题。 模型再进化，也无权访问你不想开放的东西。所以由「拿不到」造成的 0%，是持续的 0%——这正是盘点的价值所在。
第二条「没见过」要小心一些：专用模型能补上的分布缺口，基座模型迟早也能补上。所以盘点时要区分：这个 0% 是因为数据锁在你的权限后面（持续），还是因为训练还不够（暂时）。
三、盘点四步法
方法本身不复杂，需要的是动手。
第一步：列任务清单。 把公司里高频、重复、输出明确的任务列出来。注意是「任务」不是「部门」——不是「财务部」，而是「发票核验」「回款对账」「异常报销识别」。颗粒度要到「能拿样本测试」为止。
第二步：抽样实测。 每个任务取 20-50 个真实样本，直接用你能拿到的最强模型跑一遍，人工判定对错。Dean 说上下文工程「只需要一个 API」，盘点也一样——不需要任何工程投入，一个下午就能测完一批任务。这一步的关键是 用真实样本：拿你真实的发票、真实的客户咨询、真实的工单，而不是造几个「典型例子」。
第三步：三区分类。 按成功率把任务扔进三个区：
| 区域 | 模型成功率 | 含义 | 动作 |
|---|---|---|---|
| 机会区 | 0-1% | 模型拿不到或没见过 | 若数据在你手里，值得自建 |
| 危险区 | 20% 上下 | 能力已在模型里萌芽 | 不要自建，会被下个版本吃掉 |
| 红海区 | 80%+ | 模型已经做得很好 | 直接用现成的，别重复造 |
你的任务清单
│
每个任务抽 20-50 个真实样本
用最强模型跑一遍，人工判对错
│
┌────────────┼────────────┐
▼ ▼ ▼
┌──────┐ ┌──────┐ ┌──────┐
│ 0-1% │ │ ~20% │ │ 80%+ │
│机会区│ │危险区│ │红海区│
└──┬───┘ └──┬───┘ └──┬───┘
▼ ▼ ▼
数据在你手里？ 放弃自建 买现成的
│ （会被吃掉） （别造轮子）
▼
是 → 值得做
否 → 再评估
# generated by hugo AI
第四步：判定持续性。 对机会区里的每个任务再问一句：这个 0% 是因为「拿不到」还是「没见过」？答案决定优先级——锁在你权限后面的数据造成的 0%，优先做。
两个诚实的说明。第一，分区边界不是刀切的：2% 到 15% 之间、30% 到 80% 之间是灰色地带，靠「模型进步速度 vs 你的数据壁垒厚度」来判断，拿不准就先放一放，下个盘点周期再看。第二，「一个下午测完」是乐观估计——适用于样本好取的任务；样本本身要清洗半天的，另算时间。但无论如何，这是整个 AI 立项流程里最便宜的一步。
测试本身不需要写工程代码，最小骨架就是：
def audit(task_samples: list[dict]) -> float:
"""task_samples: 20-50 个真实样本，每个含 input 和人工标准答案。"""
hits = 0
for s in task_samples:
output = call_strongest_model(s["input"])
if human_judge(s["expected"], output): # 人工判定，别用模型自评
hits += 1
return hits / len(task_samples)
# generated by hugo AI
注意 human_judge——盘点阶段必须人工判对错。用模型给模型打分，你会得到一片虚假繁荣。
四、拿我们的会议纪要数字员工走一遍
用我们自己做会议纪要数字员工的经历验证一遍这套方法。
通用转写：拿真实会议录音测，开源 ASR 的转写成功率早就 80% 以上——红海区。事实也如此：转写能力已经是免费基础设施，自建纯属浪费。
生成纪要：大约落在危险区。模型能总结、能提炼，做得不算差——但这个能力正在被每一代基座模型快速吃掉。如果我们的价值只停在这里，产品寿命以模型版本计。
「小王跟进一下」里的「小王」是谁：成功率 0%。不是模型笨，是它的视野里没有通讯录；待办该派给谁，模型的视野里没有组织结构和项目分工。而通讯录、组织关系、项目归属，恰好全部锁在企业自己的系统里——典型的「拿不到」。
于是整个产品的价值结构一目了然：转写用现成的，摘要借基座模型，真正的差异化全部押在 0% 区——把通讯录、组织、项目上下文接进去。这个选择不是拍脑袋，是盘点出来的。完整的工程展开在 五个问题，判断一个岗位能不能交给数字员工 和 数字员工背后的 Agent，是五层基础设施的叠加 里写过。
这也回答了开头那个「从哪开始」的问题：不是从「模型能做什么」开始，是从「我的哪些任务，模型因为拿不到我的数据而做不了」开始。
写在最后
盘点四步法，一个下午能跑完第一遍。它不会告诉你 AI 的全部答案，但会帮你避开企业 AI 最常见的两种死法：把钱花在红海区重复造轮子，把希望寄托在危险区等模型厂商不收编。
模型的每一次升级，都会重新划定三个区的边界——所以盘点不是做一次，是每半年做一次。这本身也是一种上下文竞争：谁更早看清自己组织里哪些 0% 是持续的，谁就先拿到那块模型的光永远照不到的地方。
你的公司里，盘出过哪些 0% 的任务？欢迎留言聊聊。