一、一次咨询让我重新想明白的事：方案多，不等于路多 1.1 那位老板为什么让我印象最深 做AI落地咨询这两年，我（莫潇羽）接触过的老板不算少，聊完就忘的也很多。但前段时间有一位老板，我到现在都记得很清楚，甚至可以说，他是所有找我做咨询的人里，让我印象最深的一位。 原因不复杂。他来的时候不是空着手的，带着自己琢磨出来的好几套方案：有想用AI做内容获客的，有想上智能客服的，有想把内部知识库搭起来的，还有想做一套自动化报表的。每一套听上去都有道理，每一套他都能说出一二三。 我花了不少时间陪他一套一套过。过到最后，我否掉了其中几套，只留下两套我认为最适合他现阶段去做的。 真正让我记住他的，是咨询结束时他说的一句话。大意是：他找过的顾问不止我一个，前前后后问了很多人，他想弄明白的从来不是“AI能做什么”，而是“我手上这几套方案，到底该先做哪一个”。 这句话我琢磨了很久。 1.2 大多数人卡住的，不是能力，而是选择 很多人以为，企业用不好AI，是因为不懂技术、找不到人、预算不够。这些当然都是问题，但在我经手的案子里，排在第一位的往往不是这些，而是选择困难。 更准确地说，是“什么都舍不得放”。 这件事看上去好像可以做，那件事看上去也能出效果，于是两件都上，最后再加一件。表面上是在积极拥抱新技术，实际上是把有限的人手、时间和预算，平均摊到了一堆方向上。每个方向都分到一点点，每个方向都做不深。半年过去，老板会得出一个结论：“AI这东西不太行。” 问题其实不在AI。 那位老板厉害的地方在于，他已经意识到了“排序”比“方案”更重要。他手上不缺点子，他缺的是一个能帮他把点子砍掉的人。这种意识本身，就已经超过了大部分急着“全面上AI”的企业主。 1.3 业内那句关于“加法”和“减法”的老话 聊完那次咨询，我想起早几年在电商圈听到过的一种说法，大意是：普通的经营者习惯做加法，看到什么都想往里装；真正厉害的经营者擅长做减法，把没用的、暂时用不上的统统剪掉。 这话不是什么新鲜道理，管理学里早就有类似的表达。但放到今天的AI落地场景里，它突然变得特别扎眼。因为AI工具太多、太便宜、上手太快了，“加一个”的门槛低到几乎为零，“减一个”反而成了稀缺能力。 我把这次咨询前后的思考整理成这篇文章，想把下面这几个问题讲清楚： 要回答的问题 本文对应的部分 为什么“都想做”会让企业越做越累？ 第二部分 手上有一堆方案，到底怎么砍、怎么排？ 第三部分 AI该往哪个方向用：省钱，还是开拓和增效？ 第四部分 接AI之前，企业内部必须先准备好什么？ 第五部分 面对满天飞的“AI落地”和“FDE”，老板和顾问各该清醒什么？ 第六部分 从一个小场景做起，怎么一步步往上加？ 第七部分 先说一句我的立场：这篇文章不讲“怎么靠AI多挣钱”，只讲怎么做决策。决策做对了，后面的事情才有意义。 二、“都想做”为什么是老板最常见的决策陷阱 2.1 一个看起来很合理的扩张，是怎么拖垮主业的 先讲一个虚构但很常见的场景。 老周在小区门口开了一家面馆，主打手擀面和几样卤味，开了三年，熟客稳定，生意不算火爆但很扎实。这两年他看着周边的店，心思开始活泛：街对面的小龙虾夜宵摊每天晚上排队，拐角那家早点铺子一早上能卖几百个包子。老周一合计，自己店面现成、灶台现成、人手也有，晚上加个小龙虾，早上加个包子豆浆，岂不是一天三班都能开张？ 说干就干。半年之后的结果，我想做过小生意的朋友都猜得到： • 早上要五点起来和面蒸包子，原来的面馆备料时间被挤掉了，卤味的火候开始不稳定； • 晚上的小龙虾要处理、要调味、要盯着出餐，厨师累到中午出面的速度明显变慢； • 新业务的口味没有特色，比不过对面那家做了好几年的专业摊位； • 老熟客发现面的味道“好像没以前好了”，来的次数慢慢变少。 三条业务线，没有一条做好，连原本最稳的那条也被拖下来了。 老周的问题不在于“想扩张”，而在于他只看到了别人排队的结果，没看到别人为这个结果付出的全部成本：人家可能专门找过调料配方，可能花了一两年才把供应链理顺，可能整个团队只做这一件事。老周把这些隐形成本全部默认为零，自然会误判。 2.2 资源是有限的，而且比你以为的更有限 把面馆换成任何一家中小企业，道理都一样。企业能调动的资源，大致可以分成这几类： 企业的四种稀缺资源
├── 老板的注意力：每天真正能用来深度思考的时间可能只有两三个小时
├── 团队的执行力：骨干就那么几个，每多一个项目就多一份分心
├── 现金与预算：每一笔投入都有机会成本
└── 试错的耐心：团队对“新东西”的热情是会被消耗掉的 这里面最容易被忽略的，是第一项和第四项。 老板的注意力几乎是企业里最贵的资源。一个方向要做成，老板至少要在早期深度参与：定目标、拍板、协调资源、扛住质疑。同时推进五个方向，就意味着每个方向只分到五分之一的关注，而大多数新项目在早期恰恰最需要老板的全力托底。 试错的耐心则是另一种容易透支的东西。我见过不少团队，第一次接触AI工具时热情很高，结果老板一口气铺了好几个试点，每个都没做透，效果都一般。到第二轮再想推什么，员工的第一反应已经变成了“又来了”。这种信任一旦被消耗掉，比预算花超了更难补回来。 2.3 管理学怎么看这件事 “战略就是选择”这个观点，在管理学界并不新鲜。 被称为“竞争战略之父”的哈佛商学院教授迈克尔·波特，有一个被反复引用的核心观点：战略的本质在于取舍，也就是决定不去做什么。他提出的三种基本竞争战略（成本领先、差异化、专一化）有一个共同的前提：企业必须在其中做出选择，什么都想要的“全面出击”，往往意味着没有任何竞争优势，结果只能是平庸。 另一个经常被拿来讲“减法”的例子，是1997年乔布斯回归苹果。当时的苹果处在严重亏损、濒临破产的状态，产品线非常庞杂。乔布斯回来后做的最出名的一件事，就是在白板上画了一个简单的四象限：横轴是消费者和专业用户，纵轴是台式和便携，每个格子只保留一款产品，其他产品线大刀阔斧地砍掉。这个决策背后的逻辑很朴素：一家公司的资源和组织能力决定了它能做好的事情是有限的，与其在几十条产品线上都平平无奇，不如集中火力把少数几款做到足够强。 当然，苹果的故事有它特定的时代背景，不能简单照搬。但它说明了一件事：砍掉，本身就是一种建设。 2.4 为什么到了AI时代，加法冲动反而更强 讲到这里，可能有人会说：道理都懂，可为什么偏偏到了AI这件事上，老板们更容易犯“都想做”的毛病？ 我自己观察下来，至少有三个原因叠加在一起： 第一，试用门槛太低。 注册一个AI工具，几分钟就能跑出一个看起来不错的结果。这种“即时满足”很容易让人产生错觉：既然这么简单，那多试几个也无妨。但从“跑通一个演示”到“真正嵌进业务流程、天天有人用、能看到经营上的变化”，中间的距离远比想象中大。 第二，信息噪音太大。 打开任何一个内容平台，都是“某某企业用AI效率翻了几倍”“不用AI就会被淘汰”之类的内容。每天被这些信息轰炸，老板很难不焦虑，而焦虑最直接的出口，就是“赶紧都上一遍”。 第三，供给端在推。 卖工具的、做培训的、做咨询的，都有动力让企业多上项目。站在服务方的角度，客户做得越多，生意越大。这不是指责谁，而是一种结构性的推力，老板需要对此有清醒认识。 所以在AI落地这件事上，“做减法”不只是一种管理智慧，更像是一种防御能力：防止企业被技术热度和外部推力带着走。 2.5 一张对照表：你现在是在做加法，还是在做减法 最后给一张自查表。不妨对着看看，你的企业现在更像哪一列： 观察维度 习惯做加法的状态 懂得做减法的状态 新项目数量 同时推进三个以上AI相关项目 只有一到两个主攻项目 立项理由 “同行在做”“听说效果不错” “能解决我们哪个具体环节的哪个问题” 衡量标准 用了多少工具、开了多少账号 某个业务指标有没有变化 老板参与度 每个项目都过问一下，但都不深 主攻项目深度参与，其他项目明确暂缓 失败后的反应 换个工具再试 先复盘是方向错了还是执行没到位 员工感受 “又来一个新东西” “这件事和我的工作有关” 如果你发现自己大部分都落在左边，也别急着否定自己。这恰恰是绝大多数企业的常态。下一部分，我们讲具体怎么砍、怎么排。 三、减法不是一刀切，而是排序：一套能直接套用的方案取舍法 很多人一听“做减法”，第一反应是“把没用的砍掉”。这其实只说对了一半。 我更愿意把减法理解成排序：不是说那些方案没价值，而是说它们不够重要，或者现在还不是时候。有些方案放到半年后再做，效果可能更好；有些方案要等前一个方案把数据和流程打好底，才有条件启动。所以减法的本质，是给每个想法安排一个合适的“出场顺序”。 下面是我在咨询里常用的一套方法，拆成四步，老板自己拿张纸就能做。 3.1 第一步：把所有想法摊在桌面上 先别急着评判，把脑子里、团队里、听来的所有AI相关想法，全部列出来。列的时候，每个想法强制写清楚三句话： 想法名称：______________
- 它要解决业务里的哪个具体环节？（例如：售前咨询回复慢、报价单出错率高）
- 这个环节现在的问题有多痛？（例如：每周因为回复慢流失多少咨询）
- 如果做成了，我怎么判断它做成了？（写一个能量化的指标） 这三句话写不出来的想法，基本可以直接划掉。不是因为它不好，而是因为它还停留在“感觉不错”的阶段，没有和业务挂上钩。 我自己帮客户做这一步时，经常出现一种情况：十个想法列下来，有三四个连第一句都写不清楚，比如“用AI做个数字人”“搞个企业专属大模型”。追问一句“做了是为了解决什么”，对方往往答不上来。这类想法通常是被热点带出来的，不是从业务里长出来的。 3.2 第二步：给剩下的方案打分 剩下的方案，用四个维度打分，每项一到五分： 维度 含义 打分参考 业务价值 做成后对开拓业务或提升效率的影响有多大 影响核心环节给4到5分，影响边缘环节给1到2分 流程成熟度 这个环节现在有没有清晰、统一的做法 有成文的标准流程给4到5分，全靠个人经验给1到2分 实施难度（反向） 做起来要多少人、多少技术、多长时间 越简单分越高 风险可控度 出错的后果严不严重、数据合规是否好处理 出错影响小、不涉及敏感数据给高分 然后用一个很简单的计算方式得出优先级： 优先级得分 = 业务价值 × 流程成熟度 × 实施难度（反向分） × 风险可控度
举例（数字仅为演示）：
方案A：智能客服 → 4 × 2 × 3 × 3 = 72
方案B：销售话术知识库 → 4 × 4 × 4 × 4 = 256
方案C：AI生成营销短视频 → 3 × 3 × 3 × 2 = 54
方案D：自动生成周报月报 → 2 × 5 × 5 × 5 = 250 用乘法而不用加法，是有讲究的。乘法意味着任何一个维度特别低，都会把总分拉下来。比如一个方案业务价值很高，但流程完全没有标准化，乘出来的分数依然不会好看。这恰好符合现实：流程一团乱的环节，接什么AI都很难出效果。 你可能注意到，方案D“自动周报”的分数和方案B差不多，但它的业务价值只有2分。这就是打分法需要人来把关的地方：分数高、价值低的方案，适合“顺手做”，而不适合当主攻。打分是帮你看清楚，不是替你拍板。 需要提醒的是，这个打分不追求精确，它的作用是逼着你把模糊的感觉变成可以比较的东西。打完分之后，团队内部吵一架都没关系，吵架本身就是在对齐认知。 3.3 第三步：用一张二维图看全局 光看分数还不够直观，我习惯再画一张图，横轴是“实施难度”，纵轴是“业务价值”，把所有方案放进去： 战略储备 条件成熟后再做 优先主攻 现在就做 顺手可做 不占主力资源 果断放弃 至少暂时不碰 企业专属大模型 营销短视频 自动周报 智能客服 销售话术知识库 容易实施 难以实施 业务价值低 业务价值高 AI方案取舍示意图 放大 四个区域的处理办法分别是： • 左上（价值高、容易做）：这就是你要集中火力的主攻方向，一般只挑一到两个。 • 右上（价值高、难度大）：不是不做，而是放进“战略储备”，等主攻方向跑通、数据和流程积累起来再启动。 • 左下（价值低、容易做）：可以交给某个员工顺手做，但不占用老板的注意力，也不算进主攻项目。 • 右下（价值低、难度大）：果断放弃，至少在可见的一段时间内不碰。 那次咨询里，我最终给那位老板留下的两个方案，恰好都落在左上区域。而他最初最心动的那个方案，其实落在了右上：价值确实不小，但以他公司当时的流程和数据状况，硬上的话大概率会做成一个“演示很好看、用起来很尴尬”的半成品。 3.4 第四步：给“被砍掉”的方案一个去处 这一步经常被忽视，但我认为非常关键。 很多老板不愿意做减法，心理上的原因是“舍不得”。好不容易想出来的点子，直接扔掉总觉得可惜。所以我建议不要“扔”，而是建一个暂缓清单，把被砍掉的方案放进去，并且写清楚重启条件： 暂缓方案 暂缓原因 重启条件 下次评估时间 智能客服 常见问题没有整理成标准答案 话术知识库上线并稳定使用一个月 主攻项目验收后 营销短视频 品牌定位还不清晰，内容方向不稳 完成目标客户画像梳理 一个季度后 企业专属大模型 投入大、数据积累不足、必要性存疑 业务数据沉淀到一定规模，且通用模型确实无法满足 半年后再议 有了这张表，减法就不再是“否定”，而是“延后”。团队里提出这些想法的人也不会觉得被泼了冷水，因为大家都知道，条件到了，这些方案还会被拿出来。 3.5 判断“该不该砍”的几条硬标准 除了打分，我还有几条很直接的经验法则，遇到下面这些情况，基本可以直接暂缓： 1. 说不清楚衡量指标的，砍。 “提升品牌形象”“增强科技感”这种目标，做完了也没法验收。 2. 主要理由是“同行在做”的，先砍。 同行做不代表适合你，你看到的往往只是他们愿意展示的部分。 3. 需要专人投入、但目前没有这个人的，暂缓。 AI项目最怕没人管，挂在某个人的“兼职任务”上，十有八九会烂尾。 4. 涉及客户敏感信息、但还没想清楚数据怎么处理的，暂缓。 这一条后面会细讲。 5. 依赖的上游环节本身就混乱的，暂缓。 先治上游，再谈AI。 写到这里，我想补一句个人感受：做减法真正难的不是方法，而是心态。方法一张表就能讲清楚，但“敢于对自己的好点子说不”，需要老板有很强的定力。那位让我印象深刻的老板，难得就难得在这里。 四、AI到底该往哪用：省钱，还是开拓和增效 4.1 满屏的“降本增效”，我想先泼一盆冷水 现在打开任何一个讲企业AI落地的内容，十个里有八个会把“降本增效”四个字放在最显眼的位置。卖工具的这么讲，做咨询的这么讲，连很多老板自己也这么讲。 “增效”我不想多说，它本身没问题。我想单独聊聊“降本”。 我的一个观察是：一家正在往上走的企业，通常不会把“省钱”放在第一位。 它脑子里想的是怎么接更多的单子、怎么把服务做得更好、怎么开辟一条新的业务线。只有当增长停下来，甚至开始往下走的时候，“能不能再省一点”才会变成老板每天琢磨的头等大事。 所以当一家企业找到你，开口第一句就是“我想用AI把人省下来”，我心里往往会打个问号：这到底是一次主动的升级，还是一次被动的收缩？ 4.2 但我也得说句公道话：降本不等于快不行了 这个观点我在跟同行交流时，也被人当面反驳过，而且反驳得有道理，所以我要把它补完整。 “企业一考虑降本就离倒闭不远了”这种说法，作为提醒很有冲击力，但作为结论太绝对了。现实中至少有三种情况，降本恰恰是健康的： 情况 为什么这时降本是合理的 成熟行业的精细化经营 行业格局稳定，靠扩张拿不到多少新空间，效率就是竞争力本身 走成本领先路线的企业 低成本本来就是它的核心战略，持续压成本是在加固护城河 把省下的钱投到新方向 降本是手段，目的是给开拓新业务腾出资源，这其实是在为增长“备粮草” 所以更准确的说法应该是：判断一家企业健不健康，不是看它提不提降本，而是看它降本之后，省下来的资源去了哪里。 省下来的钱和人，如果是投到新产品、新市场、更好的服务里，那是在为下一轮增长做准备；如果只是单纯地缩，缩完就没有下文，那才是真正需要警惕的信号。 4.3 公开数据怎么说：做得好的企业，目标从来不只是省钱 这个判断不只是我的经验，公开的研究也给出了类似的方向。 麦肯锡在2025年发布的全球AI现状调研里，专门把一小批在AI上拿到了实实在在经营回报的企业单独拎出来分析，称作“高绩效者”，大约只占受访企业的百分之六左右。这批企业有一个很明显的特点：它们给AI设定的目标，除了提效之外，还明确包括增长和创新，而且它们更倾向于用AI去推动业务层面的变革，而不是在原有流程上做一点小修小补。 MIT的一份研究则从另一个角度提了个醒。这份研究发现，很多企业把生成式AI的预算大头投在了销售和营销工具上，但回报最明显的反而常常出现在后台环节，比如减少对外包服务的依赖、理顺内部运营流程。 这两份研究放在一起看，我得出的结论是这样的： AI的方向选择，不是“降本 vs 增效”的二选一，而是一个优先级问题：
第一优先：开拓 —— AI能不能帮我接住以前接不住的业务、服务以前服务不到的客户？
第二优先：增效 —— AI能不能让现有流程更快、更准、更稳？
第三优先：降本 —— 在前两者的基础上，自然而然省下来的成本
注意：“开拓”不等于“只投营销”。
后台流程理顺了，交付能力上去了，也是在为开拓打底。 4.4 一个对比：同样是客服场景，两种思路结果差很多 拿企业最常想到的客服场景举个例子（虚构合成场景）。 思路一：以降本为目标。 老板的想法是“上一个AI客服，把客服团队从十个人砍到三个人”。于是项目一开始就围绕“能替代多少人”来设计，AI回答不了的问题就设置成排队等人工，等待时间越拉越长。客户体验变差，投诉增多，剩下的三个客服天天在救火。半年后一算账，省下的人工成本，被流失的客户和差评抵掉了不少。 思路二：以开拓和增效为目标。 老板的想法是“现在晚上和周末没人回咨询，很多意向客户就这么流失了，能不能用AI把这段时间接住”。于是AI的定位是“夜间和高峰期的第一道接待”，负责回答常见问题、收集客户需求、预约第二天的人工跟进。原来的客服团队一个不少，但他们每天早上拿到的是一份整理好的客户需求清单，可以直接进入有价值的沟通。 常见问题 有明确需求 复杂或投诉 客户夜间咨询 AI接待 直接解答 整理需求并预约 标记优先级 次日人工跟进 成交或解决 放大 两种思路用的可能是同一个工具，但第二种从一开始就是在“多接业务”，第一种是在“少花钱”。前者让团队变强，后者让团队变累。 4.5 给老板的一个自问清单 在决定AI往哪用之前，我建议老板先回答这几个问题： 1. 我们现在有没有因为“接不住”而流失的业务？比如回复不及时、产能跟不上、报价太慢。 2. 我们的员工有没有大量时间花在重复、低价值的事情上，导致没精力做真正重要的事？ 3. 如果某个岗位的效率提升了一倍，省出来的时间我打算让他去做什么？ 4. 我想用AI省下的成本，打算投到哪里？ 第四个问题特别重要。如果你答不上来，说明你可能还没想清楚AI在你这里到底扮演什么角色。 4.6 “开源”的几个常见切入点 说到“开源”，很多老板会把它等同于“多做营销、多发内容”。其实开源的范围比这宽得多，凡是能让企业接住更多业务、服务好更多客户的环节，都算。我在咨询里见得比较多、门槛也相对低的切入点，大致有下面几类： 切入点 典型问题 AI能帮上的地方 响应时段 夜间、周末、节假日咨询没人接 第一道接待，收集需求、预约跟进 报价与方案 出一份方案要等好几天，客户等不及 按标准规则快速生成初版，人工审核后发出 老客户维护 客户多了顾不过来，回访总是断档 整理客户记录，提醒回访时机，起草回访内容 新人上手 新销售、新客服要带很久才能独立干活 把标准文档做成随时可问的内部助手 内容生产 产品介绍、案例整理总是拖着没人写 基于真实素材辅助起草，人工把关事实与口径 你会发现，这张表里的每一项，都依赖前面讲的“流程和资料是否到位”。报价规则没定下来，AI就没法帮你快速出方案；客户记录散在各个销售的手机里，AI也没法帮你做回访提醒。 这也是为什么我一直强调，开源、增效和流程标准化不是三件互相独立的事，而是一条链：流程打底，增效跟上，开源才有承接能力。 如果顺序反过来，先把客户量拉上去，后端流程却接不住，带来的往往是投诉和口碑损伤，而不是增长。 所以每次有老板问我“AI能帮我多接多少单”，我都会先反问一句：“多接的单，你们现在的交付流程扛得住吗？”这个问题想清楚了，方向基本就不会跑偏。 五、流程先行：没有标准化，AI只会把混乱放大 5.1 一个我经常在咨询里遇到的场景 这一部分是我最想讲透的，因为它是我见过的AI项目失败的头号原因。 一家做定制家装的企业（虚构合成场景）找到我，想上一个AI销售助手，帮销售人员快速回复客户问题、生成报价方案。听起来很合理，对吧？ 我先没碰AI，而是让他们把现有的销售资料都拿给我看。结果发现： • 同一款产品，三个销售讲出了三种卖点，报价逻辑也各不相同； • 没有一份成文的常见问题解答，所有经验都在资深销售脑子里； • 套餐方案有好几个版本在同时流通，有的已经过时了，但没人清理； • 售后承诺各说各的，有的销售为了成单会口头承诺一些公司其实做不到的服务。 我当时问老板：“如果来一个新销售，你们怎么培训他？”老板想了半天说：“跟着老员工学呗。” 那么问题就来了：连一个新来的人都没有统一的东西可学，AI又能学什么？ 你把一堆互相矛盾的资料喂给AI，它只会把这种矛盾以更快的速度、更大的规模输出给客户。 这不是AI的问题，这是企业自己的地基没打好。 5.2 为什么说流程是AI的“地基” 打个比方：AI更像一个记性极好、学东西极快、但完全不了解你公司的新员工。你给它清晰的规则，它执行起来又快又稳；你给它一团乱麻，它就会把这团乱麻原样复制、甚至放大。 麦肯锡的那份调研里有一个结论，我认为是整份报告里最有价值的：他们测试了二十多项可能影响AI经营回报的因素，发现和回报关联最强的，是企业有没有从根本上重新设计工作流程，而不是选了哪个模型、花了多少算力。那批“高绩效者”企业重新设计流程的比例，大约是其他企业的三倍左右。 MIT那份研究的结论方向也一致：大量试点停在半路，主要原因不是模型不够强，而是AI工具和企业日常的工作流程衔接不上，系统用不进去、也没法根据反馈持续改进。 国内的研究者也有类似观察。复旦大学管理学院的窦一凡教授在一次访谈中提到，中小企业做AI落地，第一步应该是补齐“数字家底”，也就是把产品样本、客户反馈这些细节数据沉淀下来，然后从具体痛点切入，而不是一上来就追求大而全。 三方的研究背景不同，但结论惊人地一致：先有流程和数据，后有AI。 5.3 接AI之前的“流程体检” 在给任何企业上AI之前，我都会先做一轮流程体检。下面这张清单，老板自己就能对照着做： 体检项 合格标准 不合格时的处理 产品与服务说明 每款产品有一份统一的说明文档，卖点、参数、适用人群讲清楚 先由业务骨干牵头整理成文 常见问题解答 至少覆盖客户最常问的几十个问题，有统一口径 从聊天记录和销售经验里提炼 报价规则 报价逻辑可以写成明确的规则，不靠“看人报价” 先把定价规则固化下来 业务流程图 从获客到交付的每一步，谁负责、交付什么，都能画出来 画出现状流程，标出卡点 服务承诺边界 能做什么、不能做什么，有明确的书面规定 法务或负责人审定后统一下发 数据来源与权限 知道客户数据存在哪里、谁能看、能不能拿去给AI用 先做数据梳理和合规评估 这六项里，合格项少于一半的企业，我一般建议先别急着上AI，花一两个月把这些基础做好。这一两个月看起来“慢”，但它省下的是后面几个月的返工和团队信心的损耗。 5.4 标准化具体怎么做：以销售话术为例 很多老板一听“标准化”就头大，觉得是个浩大工程。其实不用一步到位，可以从最痛的一个环节开始。还拿销售话术举例，我的做法一般分三步。 第一步，收集。 把公司里成交率最高的两三个销售请出来，让他们把最近一段时间的成功沟通记录（聊天截图、通话录音的文字整理）拿出来。注意，这些记录里可能有客户的个人信息，整理时要先做脱敏处理，把姓名、电话、地址这类信息去掉。 第二步，提炼。 把这些记录按客户常见的疑问归类，比如“价格太贵了”“我再考虑考虑”“你们和某某家有什么区别”，每一类提炼出公司认可的标准回答。这一步一定要老板或业务负责人参与拍板，因为它决定了公司对外的统一口径。 第三步，成文。 整理成一份结构化的文档，格式大概是这样： ## 客户疑问：价格比别家贵
适用场景
客户已经了解过产品，在比价阶段提出
标准回应思路
- 先认同客户的顾虑，不急于辩解
- 讲清楚价格差异来自哪里（材料、工艺、售后）
- 给出可验证的依据（质检报告、案例照片、售后条款）
- 提供一个降低决策门槛的选项（先看样品、先做局部）
禁止说法
- 不得承诺“全网最低价”
- 不得贬低具体的同行品牌
- 不得口头承诺合同之外的赠送服务
最后更新：2026年11月 审核人：销售负责人 有了一份这样的文档，你会发现一个有意思的现象：哪怕不接AI，新销售的上手速度也会明显变快。 这就是流程标准化本身带来的价值。等这份文档在团队里跑过一段时间、经过实战修订之后，再把它接入AI知识库，AI的回答质量才有保障。 5.5 一个可以直接用的提示词框架 文档准备好之后，接入AI的方式其实不复杂。如果企业用的是国内主流的大模型平台，或者搭了一个知识库问答系统，可以参考下面这个提示词结构，让AI严格按照公司口径回答： 【角色】
你是本公司的销售辅助助手，负责帮助销售人员快速生成回复建议。
【知识范围】
只能依据下方提供的《销售话术手册》和《产品说明文档》回答。
如果资料里没有相关内容，必须回答“这个问题需要请示负责人”，不得自行编造。
【输出要求】
- 先给出一句简短的回应建议
- 再列出可以补充的依据或材料
- 涉及价格、优惠、售后承诺时，必须标注“需人工确认”
【禁止事项】
不承诺合同外服务；不贬低同行；不透露其他客户信息。
【资料】
（此处粘贴或挂载知识库文档） 这里面最关键的是“知识范围”和“禁止事项”两段。前者防止AI一本正经地胡编乱造，后者防止AI替公司做出不该做的承诺。 5.6 合规这根弦不能松 讲到接入AI，我一定会提醒客户几件合规上的事，这是莫潇羽@复源七号站一直反复强调的： • 客户个人信息的处理要符合《个人信息保护法》的要求。把客户聊天记录、联系方式等数据拿去训练或喂给AI之前，要确认有合法依据（通常指取得客户的明确同意，或确属履行与客户所签合同所必需等法定情形，拿不准时请法务或律师把关），能脱敏的先脱敏，能不用的就不用。 • 选择AI服务时，优先选择已经按照《生成式人工智能服务管理暂行办法》完成相关备案的国内服务。如果因为业务需要了解或测试境外模型，要清楚境外模型的使用需遵守国内网络与内容管理相关规定，企业数据跨境更要格外谨慎。 • AI生成的对外内容，比如营销文案、宣传图、短视频，要注意国家网信办等四部门联合发布的《人工智能生成合成内容标识办法》已于2025年9月1日起施行，在各平台发布时要按规定做好AI生成标识。用到的素材、字体、音乐、图片，商用需取得正版授权。 • AI客服的对外回复，涉及价格、合同、售后承诺的，最好保留人工确认环节，避免出现AI“替公司乱承诺”的纠纷。 这些规定和平台规则会随时更新，具体以官方最新发布的口径为准。 六、AI焦虑与FDE热潮：老板和顾问各自该清醒的地方 6.1 先说清楚：FDE到底是什么 FDE是 Forward Deployed Engineer 的缩写，常译作“前沿部署工程师”，白话说就是扎进客户业务现场、把AI从“演示能跑”变成“业务里天天在用”的那个人。这个角色由美国数据分析公司Palantir较早创立，近两年被海外头部大模型公司大规模采用。据领英2026年初发布的劳动力市场报告，这类岗位在2023年到2025年间增长了约42倍。它火起来的原因只有一个：真正的瓶颈已经从“有没有好模型”变成了“能不能把模型用进业务里”。 （注：文中提到的海外机构与服务仅作行业科普，境外模型使用需遵守国内网络与内容管理相关规定。） 6.2 热潮背后的冷数据 FDE的走红，本身就说明了一个问题：企业AI落地的失败率很高。 前面提过的MIT那份研究，研究团队系统梳理了三百多个公开披露的企业AI项目，访谈了五十多家机构，并调研了一百多位企业高管。他们给出的核心发现是：在研究样本中，绝大多数企业的生成式AI试点没有带来可衡量的经营回报，只有很小一部分真正规模化并产生了显著价值。这个结论发布后，还一度在美股市场引发了科技股的波动。 不过我也想提醒一句：这份研究属于初步研究，样本、口径都有局限，有分析人士专门指出，不宜把它的那个醒目比例当成所有企业AI项目的通用失败率。我引用它，不是为了制造恐慌，而是想说明一个方向性的事实：买了工具、开了账号、跑了试点，和真正把AI用进业务，中间隔着一条很宽的河。 有意思的是，同一份研究还发现了一个现象：很多企业虽然官方层面的AI项目推进不顺，但员工私下里已经在用各种个人AI工具辅助工作了。这说明员工对AI本身并不排斥，排斥的往往是“为了上AI而上AI”的那种项目。 6.3 老板的AI焦虑，从哪来又该往哪去 我接触过的老板里，焦虑是普遍情绪。最典型的说法是：“同行都在用AI了，我不用是不是就落后了？” 我的回答通常是：落后不是因为没用AI，而是因为没想清楚业务。 你可以把AI焦虑拆开看，它其实混着三种不同的情绪： AI焦虑的三种成分
├── 信息焦虑：“别人都知道，我不知道”
│ → 解法：花一两周系统学习，了解AI能做什么、不能做什么
├── 竞争焦虑：“同行用了，我会不会被甩开”
│ → 解法：去了解同行具体用在哪个环节、效果如何，而不是只听口号
└── 行动焦虑：“我必须马上做点什么”
→ 解法：这恰恰是最需要做减法的时候，选一个点，做深 第三种是最危险的。行动焦虑会驱使老板“先上了再说”，而前面讲过，这正是“都想做”陷阱的入口。 那怎么判断自己是不是被行动焦虑推着走？有个很简单的自测：回想一下你最近一次决定试用某个AI工具的原因。如果答案是“看到一篇文章说很好用”“同行群里有人在推荐”“担心再不用就晚了”，而不是“我们某个环节确实卡住了，这个工具刚好能解决”，那大概率就是焦虑在替你做决定。遇到这种情况，我的建议是先把这个想法写进暂缓清单，过两周再拿出来看看。很多时候两周之后你会发现，当初那股非做不可的冲动已经消失了，留下来的才是真正值得做的事情。 我常跟客户说一句话：慢一点开始，往往能更快到达。 花一个月想清楚、准备好，比花三个月试错、再花三个月收拾残局要划算得多。 6.4 给同行的几句心里话 写到这里，我想换个身份，以一个同样在做AI落地服务的从业者身份，说几句心里话。 做咨询、做FDE，最容易犯的错误是顺着客户的焦虑去卖方案。客户想做五件事，你就报五件事的方案，看起来客户满意、合同也大，但半年后项目一个个烂尾，客户对AI失望，对你也失望。 我自己的做法是：敢于对客户说不。 那次让我印象深刻的咨询，我否掉了老板几套方案，本质上是在帮他砍掉我自己可以接的业务。但我很清楚，只有把最该做的两件做成，他才会信任我，才会有后面的合作。 我总结了几条给同行的自我约束，也一并分享出来： 容易犯的错 更好的做法 一上来就推荐工具 先花时间了解客户的业务流程和卡点 用“降本裁员”作为卖点 帮客户找到能开拓业务、提升效率的切入点 客户要什么就做什么 帮客户排序，敢于建议暂缓 交付完演示就撤场 陪到业务里真正有人用、指标有变化 承诺具体的提效倍数 只承诺过程和方法，效果用数据说话 最后一条特别想强调。任何“保证提效几倍”的承诺都不靠谱，因为效果取决于企业自身的流程基础、团队配合度、执行力度，这些都不是外部顾问能单方面保证的。 反过来，老板在挑选AI服务方时，也可以拿这张表做个简单的筛选：一上来就推工具、就承诺倍数、就拿裁员当卖点的，多留个心眼；先问你业务流程、先帮你排序、敢说“这个先别做”的，往往更值得多聊几次。 七、从小而美开始：一份九十天的落地节奏 讲了这么多“为什么”和“不要做什么”，最后一部分讲“具体怎么做”。下面是我在咨询里常给客户用的一份节奏参考，适合中小企业从零开始推进一个AI主攻项目。 7.1 整体节奏一览 是 否 第1到2周 选题与排序 第3到6周 流程标准化 第7到10周 小范围试点 第11到13周 复盘与决策 效果达标? 推广到全团队 并从暂缓清单里评估下一个 分析原因 调整或止损 放大 7.2 每个阶段做什么 阶段 时间 核心任务 交付物 老板要做的事 选题与排序 第1到2周 列出所有想法，打分排序，选定一个主攻方向 方案打分表、暂缓清单 拍板主攻方向，指定负责人 流程标准化 第3到6周 梳理主攻环节的现有流程，整理成文档 流程图、标准文档、知识库素材 审定对外口径和服务边界 小范围试点 第7到10周 选两三个员工先用起来，记录问题 使用记录、问题清单、指标数据 每周看一次数据，给团队撑腰 复盘与决策 第11到13周 对比试点前后的指标，决定推广、调整或止损 复盘报告 做出明确决策，不拖延 这里的“九十天”是一个参考节奏，不是硬性标准。业务复杂的企业可以拉长，流程本来就比较规范的企业也可以压缩。关键是每个阶段都有明确的交付物和决策点，不能糊里糊涂地往下走。 7.3 试点阶段要盯哪些指标 试点阶段最怕的就是“感觉还行”。我建议提前定好要看的指标，并且在试点开始前先把基线数据记下来： 试点指标示例（以销售辅助场景为例）
基线（试点前两周平均） 试点期（每周记录）
├── 首次回复客户的平均时长 → 是否明显缩短
├── 新销售独立接单所需天数 → 是否明显缩短
├── 报价单出错或返工次数 → 是否减少
├── 客户咨询到成交的转化情况 → 是否稳定或提升
└── 员工主观评价（1到5分） → 是否愿意继续用
判断规则：
核心指标有明显改善，且员工愿意继续用 → 推广
核心指标改善有限，但员工认可 → 调整后延长试点
核心指标没变化，员工也不愿用 → 复盘原因，考虑止损 “员工愿不愿意用”这一项经常被忽略，但我认为它和业务指标同样重要。一个员工不愿意用的工具，就算短期数据好看，也很难长久。 7.4 什么时候可以做“加法” 做减法不是永远只做一件事。当主攻项目满足下面这几个条件时，就可以从暂缓清单里拿出下一个方案了： 1. 主攻项目已经稳定运行，不需要老板天天盯着； 2. 有了专门的负责人，日常维护和迭代有人管； 3. 团队对AI的信心建立起来了，员工从“被要求用”变成“主动想用”； 4. 有余力：多出来的时间、预算、人手和精力，足以支撑下一个项目。 满足这几条之后，再加第二个项目，你会发现推进速度快得多。因为第一个项目沉淀下来的流程梳理方法、数据整理经验、团队协作习惯，都可以直接复用。这就是“小而美”起步的复利效应：一步一步加，每一步都踩实，而不是一上来就铺一个大而全的摊子。 7.5 我自己的一点实践体会 最后分享一点我自己在做AI内容和教学工作时的体会。 我刚开始接触AI的时候，也犯过“都想试”的毛病。那段时间写作、画图、视频、编程，什么新工具出来都去折腾一遍，结果每样都只会皮毛。后来我逼着自己做减法，先只聚焦AI写作这一条线，把从选题、提纲、成稿到审校的整个流程打磨成自己的一套标准做法，再在这个基础上慢慢延伸到别的方向。 回头看，正是那次“只做一件事”的决定，让我后来在复源七号站上做内容、给学员讲课时，都有了一套可以反复复用的底子。个人如此，企业更是如此。 八、写在最后：减法是一种能力，更是一种定力 回到开头那位老板。 他让我印象深刻，不是因为他的方案有多好，而是因为他清楚地知道，自己真正缺的不是更多的点子，而是把点子排好顺序、把不够重要的先放一放的勇气。 这篇文章里，我把这种能力拆成了几个可以操作的部分：用打分和二维图给方案排序，用暂缓清单安放被砍掉的想法，把AI的方向放在开拓和增效上，在接入AI之前先把流程打好底，然后从一个小场景开始，九十天一个周期，一步一步往上加。 方法都可以学，表格都可以抄，但真正难的，是在满屏的AI热潮里，敢对自己说一句：“这个先不做。” 希望这篇文章能帮你在下一次面对一堆AI方案时，多一分清醒，少一分焦虑。