AI 项目卡在试点阶段的根本原因，往往不是模型能力不足，而是资源投入与能力现状错配。企业把大量预算投向场景探索和模型选型时，数据不可访问、流程无责任人、治理边界模糊这些基础问题却未被优先处理。这就引出一个核心判断：在 AI 规模化这件事上，投入顺序本身就是最重要的决策。
门控项与杠杆项的区分，正是解决排序问题的起点。门控项指那些得分在 2 分以下、不修复就无法推进规模化的维度——典型如数据可访问性、治理红线、流程归属。这类维度即使权重不高，也会直接卡住后续所有用例。判断方法很朴素：问一句“如果这一维维持在 2 分，会不会挡住已经排定的三个用例”，答案是会，就是门控项。杠杆项则是得分在 2 到 3 分且权重较高的维度，边际投入回报最大，是下一阶段资源的主要去向。例如数据与知识维度在 2 分时，补齐字段级质量与访问审批流程，往往能同时解锁多条业务线。
一个常见误区是把最低分维度直接当成第一优先级。如果某个低分维度权重很低、又不构成对其他维度的门控，把它排在前面只会消耗组织耐心。真正的排序逻辑是：先补门控，再投杠杆，速赢项穿插在低成本的标准化动作中，维持项保持现有投入即可。这种分类方式的价值在于，它让“先做哪件事”有了可验证的依据，而不是凭感觉或声势分配预算。
评估的组织方式直接影响排序结论的可靠性。建议采用三方交叉打分：业务负责人定用例价值与流程归属，数据与技术负责人定可行性与改造成本，风险合规与财务定边界与预算口径。三类人分开打分再对齐分歧，比坐在一起互相影响更有效。同时，每个得分必须绑定具体证据——哪份文档、哪个系统、哪次会议决定——防止评估沦为打分表。分歧本身最有价值，它指向的往往不是能力问题，而是权责归属。