AI 中国 网 https://www.cnaiplus.com
内容来源：笔记侠《AI十倍增长营》北京猎豹AI实战派 AlNative组织变革场云飞老师的精华内容。责编| 柒 排版| 沐言第 9727篇深度好文：6653字 | 17 分钟阅读商业思维
笔记君说：
很多人纠结，企业到底要不要上AI？说实话，今天大家打开手机，刷抖音、看小红书、翻公众号，满屏都是AI的消息。好像不上AI，明天公司就要被淘汰了。但这里面有很多是噪音。有些案例是真的，有些案例是假的。所以我们把这些噪音去掉，还原企业AI落地的真实现场。为此，《笔记侠AI十倍增长营01期》请来了企业AI落地专家云飞，他从去年10月开始做蒙牛集团的AI落地顾问，从奶粉事业部、运动营养事业部到常温事业部、冰品等等，一个一个落地。期间，他也踩过很多坑，也看到了很多真实的画面。今天这篇文章，是半天课程六分之一的精华，希望对你有所帮助。
一、底层认知：
先场景，后AI
1.一个200万的反面教材华南有一家做了40多年的老牌制造企业。2024年的时候，老板一拍桌子说：“我们干，干出行业第一家AI落地的公司。”于是找了一个技术团队，专门做了一个AI大中台，花了200万。做出来之后，好不好看？好看。先进不先进？先进。但是推给基层员工用的时候，出问题了。
刚开始大家还给点面子用一用，到后面全都不用了。为什么？因为他们原本的工作流程是1、2、3、4、5，结果公司强制让用AI之后，变成了1、1.5、2、3、4、5，硬生生多插了一步。本来1可以直接到2的，现在中间要过一道AI，反而更麻烦了。大家觉得好难受，但又不得不配合总部，一边痛苦着，一边应付着。后来我们去了他们现场，发现一个特别有意思的事情。这家40年历史的企业，有一个档案室，里面8个铁柜子，从80年代开始，每一年的每一个项目方案都装订成册，整整齐齐地放在里面。相当齐全，相当有价值。但员工不咋用。为什么？太费劲了。你要先走OA系统审批，审批通过后拿钥匙，打开柜子，把方案拿出来看，看完再还回去，还时不时会有人催你。那还不如自己做呢。后来豆包出来了，大家觉得算了，用豆包编一编吧。这就是问题所在：40年积累的方案沉睡在铁柜子里，没有流动起来。而员工宁愿用通用大模型临时编，也不去用这些真正有价值的资料。后来我们做的第一件事，就是派了七八个人，花了两周时间，把所有纸质文件全部扫描成电子档。这是第一步，也是想给大家传达的一个原则：数据一定要电子化。纸质化的东西，AI是接触不到的。接下来更讽刺的事情来了。我们用一个每月一百多块钱的通用大模型账号，针对他们写方案的场景做了调试。调试完之后发现，效果比他们200万做的系统还好。
老板就很奇怪：明明当时技术团队说用的是最先进的技术、最先进的模型，为什么会这样？答案是：技术开发和AI落地是两件事。技术团队从技术角度出发，搞得很大、很全、很好看，但不贴合一线业务。而一线场景千差万别，一个大中台系统根本覆盖不了。所以从那之后，我们反过来：先搞场景，后做AI。有一句话我一定要送给大家，是芒格常讲的一句话：当我们拿着锤子的时候，会发现到处都是钉子，总想去敲一下。千万不要拿着AI模型去套场景，而要从场景出发去找AI。AI不是越像战略越好，而是越贴近业务摩擦点越好。找到那个真正能解决的摩擦点，落地才会更容易。2.AI不是打补丁，是重构流程还有一个认知非常关键：AI可能不是辅助人的流程，而是重构流程。为什么？因为人的流程是按照人的能力形成的。人做一个事情，可能需要1、2、3、4、5、6、7，总共7个步骤，因为人的能力有限，只能拆成这么多步才能干完。但对AI而言，可能3步就搞定了。很多企业做AI落地的时候，想的是：“我把7步里的第3步和第6步用AI替代，剩下的还是人来做。”大家想想这有什么问题？问题在于：这7步是针对人的能力设计的，不是针对AI的能力设计的。你用AI去适配旧流程，本质上是在给旧流程打补丁。而正确的做法是站在AI的能力边界上，重新设计流程。所以有一个问题需要大家反思：从来如此，就对吗？这个“从来如此”使用的是人的流程，人构建了一个7步的流程。但面向AI，也许3步就够了。有句话也送给大家：拿着旧地图，找不到新大陆。二、决策框架：
老板的四问
回到落地之前，老板真正需要想清楚的是四个问题：第一，AI要不要进入核心业务？很多企业觉得AI能做客服、能做文档，但一到核心业务就觉得“不行”。可事实是不是真不行？后面我会有答案。第二，AI要不要重构公司的流程？不是辅助，是重构。第三，AI要不要参与客户交付？以我们自己公司中科盈腾为例，上半年我们的客户交付中，63%是完全由AI参与的。我们想打造一个AI Native的公司，所有流程全面让AI参与，包括开会。我们设定了一个规则：无AI无会议。发一个主题到群里，所有人先跟AI探讨一遍，带着跟AI沟通的想法和建议再进会议室，效率高很多。第四，AI要不要成为新的生产力底座？这也是国家在倡导的方向：人工智能加百业，新质生产力。这四个问题，从“进不进”到“进多深”，层层递进。很多老板派员工去学AI画图、AI视频、AI编程、AI音乐，学了一堆。回来之后，员工确实用豆包更顺了，画图更快了，做视频更好了。可是整个团队、整个公司有质的变化吗？没有。为什么？因为提示词是战术，AI化是战略。个人会用AI，只是第一层。第二层是团队AI化：整个团队一起打磨流程，看哪些环节可以替代、哪些可以辅助，逐渐人机协同，复盘迭代。第三层是公司AI化：AI真正进入核心业务，参与核心客户交付，形成经营能力。大部分企业卡在第一层到第二层之间。员工会用了，但没转化为组织能力。三、能力边界：
AI能做什么、不能做什么
判断AI要不要落地之前，你首先需要了解AI的能力边界。它能干什么，不能干什么？清楚了之后，再判断哪些场景用AI，哪些不用。我把AI的能力分成三类：可替代、可辅助、不建议。1.AI可替代：高频、标准化、低风险
客服常见问答。到2026年7月这个时间节点，AI智能客服已经相当成熟了。大量高频的、反反复复的问题，完全可以让AI来回答。内容初稿生成。合同、方案、计划书、招聘资料，这些AI都能生成初稿。无非就是你用什么样的提示词、什么样的模型，总归能完成。会议纪要。讲了一下午口干舌燥，回头想再看看，完全可以借助AI会议工具，非常成熟。数据整理、汇总、分析。这方面目前也完全成熟了。我们给某制造业公司部署了数据分析系统，大批量生产线数据过来之后，AI分析做得很好。当然，AI也有缺点，比如模型幻觉。标准报表输出。让AI反复对比两个表、三个表的差异，我们发现它做得很好。财务场景用得很多。2.AI可辅助：需要人工把关销售话术建议。我们给一家卖二手车的公司做过一个模型。他们的客资一个四五百块钱，不敢让AI全自动回复，担心把客户搞丢了。所以我们换了一种方式：AI在旁边看到聊天上下文，生成人性化的回复建议，人工审核一道再发出去。原先销售都是去文档里查参数、查价格、复制、粘贴，客户感觉像在跟一台机器讲话。换成AI生成，语气人性化多了，但最终还是人工把关。培训答疑与作业初评。我们在一些培训场景放入AI助教，把老师的课件、资料、文稿全部导给AI，反复学习。每个人手机上都有一个AI助教，老师讲得不彻底的，你晚上回去跟AI聊一聊就搞定了。3.不建议AI做：高风险、零容忍重大财务决策。AI考虑问题是纯理性的，它觉得概率上选A最有利。但我们作为人，要考虑人情世故、利益关系，可能B更合适。AI给的建议可以听一听，但不要让它做决策。法务合同最终审核、医疗诊断报告，同样不建议交给AI。尤其是医疗诊断，即便是头部的医疗大模型，目前医院也不愿意接受，因为大家不敢让AI参与跟生命相关的事情。此外还有强人情谈判、高风险零容忍审批，也都属于这一类。
AI没法背锅。出了事，AI不能替你喝酒，不能替你承担责任。这种场景就不要上AI了。4.一个关于组织阻力的真相最后补充一个很多人忽略的点。我们给一家公司做了AI系统，交付之后第一周用得很好，后台token消耗很高。但从第二周开始，使用量逐渐下降，到第四周就很平了。我们去调研，发现了一个有意思的事情。他们员工每天有固定任务，8小时干完。用了AI之后，有些人5小时就干完了。干完之后刷抖音、打游戏。总监发现了，觉得“有AI了大家应该干更多活”，于是把KPI调高了，把原先一天半的业绩压到一天。最后员工逆反，12个人内部统一口径：大老板一问就说“AI不行”。最后大家得出结论：AI不好用。后来怎么解决的？改了机制。不再是固定任务，而是弹性制。5小时干完可以下班，也可以干满8小时拿更多工资。改完之后，第二周开始后台数据疯狂往上涨。所以推AI落地，不只是技术问题，还要考虑内部的利益关系和权力结构。很多人出于自我保护心理，会抵抗、会拒绝。这不是AI能不能干的问题，是你能不能推得动的问题。四、模型策略：
通用与私有化
通用场景用通用大模型，私有化场景用私有化大模型。这句话看似是废话，但其实非常关键。我们讲的ChatGPT、豆包、DeepSeek、千问、Claude，这些都是通用大语言模型。它们面向全球用户设计，你只是其中一个使用者。通用场景用它们，没问题。但有些场景坚决不能用。比如你路过财务室，看到财务在疯狂加班对账，他把一个数据表发给了豆包。请问会发生什么？数据就出了公司边界，存在泄露风险。画图、做视频这类通用场景可以用，但涉及业务数据的场景，就只能用私有化大模型。比如我们给一家客户部署了私有化大模型，把OA系统、ERP系统、财务系统全部跟本地大模型联通，在本地机房跑，完全确保数据安全。五、实战案例一：
AI客服
我们给一个做亚马逊平台的客户做了AI客服。他们有25人的客服团队，面对的客户主要是宝妈，咨询奶粉相关的问题。我们调研之后发现，90%的问题都是售前问题，只有10%是售后问题。而售前问题大部分是有固定答案的：物流到哪了？退货怎么操作？尺码怎么选？多久能发货？于是我们专门训练了一个小模型，把他们的客服文档、QA文档不断灌进去训练。现在亚马逊的客户有问题时AI自动回复，3秒内响应。而且语气、语调跟真人很像，不是冷冰冰的复制粘贴，会带语气词，更像一个真人在跟你聊天。效果怎么样？稳定跑了两个月之后，92%的咨询完全自动化，不需要人了。剩下识别不了的、比较难的售后问题，转到人工。整个客服团队从25人调整为2人在岗,一个客服组长加一个客服主管，处理麻烦的售后,其余23人全部内部转岗。客户满意度提高了28%，因为响应速度从原来的“三班倒还可能延迟两三分钟”变成了“24小时几秒内响应”。后来我们把这套经验总结成三个层面：业务层。筛出客服场景中高频的、反反复复的问题，以及影响成交的问题。这两类重点训练，其他的影响不大。知识层。整理Q&A知识库，包括销冠的企微、个微、钉钉语料。我们做过一个叫“AI销冠”的产品，就是把销冠跟客户沟通的聊天记录下载下来，让AI去训练。AI学到的一定是销冠的思路、人情世故的处理方式。训练素材的质量决定AI回答的质量。系统层。搭建系统，区分哪些是AI回复、哪些是人工回复，数据怎么回流。你不可能全部交给AI，也不可能全部交给人，一定是人机协作。大部分是AI，剩下少量人来协作。这就是一个标准的AI客服流程。如果你们公司有比较重的客服业务，这个流程你一定要熟悉，因为未来你一定会按照这个流程去做。六、实战案例二：
品牌电商AI选品与投放
蒙牛某事业部有一个80人的销售团队，都是线上销售。他们每天做的事情就是做内容、做抖音、做小红书、投放内容，根据数据情况决定加投还是改选题。他们最大的难点是什么？产量低。平均下来，一天一个人能做两条半视频。但集团给他们2026年定了很重的投放目标，要在抖音和小红书拿到不错的ROI。一天两条半视频，怎么可能够？而且抖音是个概率游戏，不可能条条爆。大家压力很大。后来我们尝试用AI做这件事。当时用的是字节的Seedance 2.0模型，生成单品视频、新品宣传视频、品牌包装视频。AI可以在很多地方加一些创意，效果出乎意料。原来80个人的平均点击率是5.5%，也就是一个视频推给100个人，大概5.5个人会点击。
AI上去之后，点击率变成了47%。100个人里有47个人点击。一下子把整个点击率拉高了，带动了进店和转化率。从那会开始，销售部门坚定地做这件事。现在大家一天能做五条视频，对齐爆款视频去做。整个链路是怎么跑的？第一步，竞品拆解。他们监控同行的爆款，甚至还去监控异业爆款。监控过来之后做选题，让AI去生产。第二步，评论洞察。内容发出去之后，总会有人点赞，也有人批评。我们做了一个AI雷达，不断扫描抖音评论区、小红书评论区、京东自营店、天猫自营店、第三方授权店的评论区。扫完之后，最终找出大家点赞特别多的观点。结果发现一个意外的洞察：大家最喜欢的竟然是蒙牛的瓶子。他们自己经常跟客户讲“我们的产品用的是290万道尔顿的什么什么工艺”，可是宝妈真正关心的是“冲泡的时候方不方便搅”“罐子怎么样”“能不能设计个小包装”。这些信息恰恰藏在评论区里。后来他们基于这些洞察去做创意内容，也做得很好。甚至把一些需求挖掘出来，反馈给产品设计部门去迭代产品。第三步，投放优化。内容在抖音、小红书发出去之后，要不断建投流计划，基于数据复投、调参。原先需要一个很贵的投手用钱砸经验，现在很多经验可以重构为标准流程，蒸馏成AI可以执行的东西。品牌电商AI做选品与投放，核心不是“猜爆款”，而是缩短试错周期。AI不是替你猜对，而是让你试得更快。试错周期缩短，胜率自然提升。七、AI三问：
怎么判断该不该上AI
做了100多家客户之后，我总结了一套判断框架，叫“AI三问”。也是大家做落地之前必须问自己的三个问题。第一问：频次与重复度这个事情是不是每天都在发生？步骤是不是很相似、很重复？人工是不是在一次又一次地重复？如果是每天都在干的事情，高适配，天然适合AI。如果是每周用两三次，中度适配。如果一个月才搞一次，我建议你不要花那个钱，没必要。频次越高，重复性越强，AI越容易创造稳定的价值。第二问：标准与容错这个事情有没有明确的标准？售前客服有标准，108个常见问题写得清清楚楚，适合AI。售后没有标准，要安抚情绪、商讨赔偿方案，不适合AI。还有一些场景，允许小错可以纠正，比如写个小红书笔记，有容错空间，适合AI。但有些场景没有容错空间，错了就是事故。财务数据算错一位，中间会有很多问题。这种就不能让AI干。先建立标准，再考虑自动化。先设计容错空间，再考虑放大效率。AI没法替你背锅，AI没法喝酒，出了事AI不能替你承担责任。第三问：数据杠杆这个场景有没有现成的数据？ERP系统里的订单数据、客户评价、聊天记录、点击浏览转化数据、行业竞品公开数据、人工记录的表格文档报表，这些对AI而言都算数据。有现成数据的，高适配。数据比较分散需要聚合整理的，中度适配。没有数据、边缘化的，先不要干了。先有数据，再上AI。没有数据，请你先去健全数据，齐了之后再去落地。如果三个都是yes，还等什么？赶紧干。两个yes，先试点，不要all in。一个yes，先观望，别急着花钱。没有yes，不要冲动，先别砸钱。三问之外，我再补充一个判断维度：要不要私有化。涉及敏感数据的财务场景，建议私有化，不要用通用大模型。结语
总结一下这些年的经验，我见过太多企业踩过的坑，归纳为五条：第一，不要为了AI而AI老板想AI化，想成为行业第一，可是员工不买单。用AI的主体还是员工，员工不用，意义不大。第二，不要把采购工具当成落地执行买个工具花几百万，以为买过来就搞定了。没有那么简单，整个过程要调研、了解痛点、找方案、找方法、找工具，最后做成落地场景。第三，没有可量化的指标就不要开始都说AI降本增效，到底降了什么本？降了多少钱？提了多少效？10%还是20%？设计不出来的话，我宁愿你先不要开始。这决定了你的第一仗打得漂不漂亮，能不能给内部树立标杆。第四，一定要考虑一线使用成本。员工原本1可以直接到2的，你加了一道AI变成1到1.5到2，反而更麻烦了。一定要考虑他们的使用习惯会不会变、使用时间会不会增多。第五，先做一两个试点，不要贪多。抓住一两个场景打成标杆，效果出来了，所有人看到了，再推广。不要一下子十几个部门全部推AI。
最后送大家一句话：拿着旧地图，找不到新大陆。在AI时代更是如此。不要拿着原先的思路说“我想用AI把流程再优化优化”，这是不可行的。我们需要站在AI的能力边界上，站在自己的判断上，重新去看怎么落地。AI时代，我们需要的不是焦虑，而是判断力。先场景，后AI，把正确的任务交给正确的AI。
AI 中国 网 https://www.cnaiplus.com
本文网址：
