企业 AI 服务，
做过的人怎么交付
教程讲流程，经验讲踩坑，问答讲新手最常卡的地方。标「免费阅读」的文章所有人可看全文。
企业里助理一多，就要配"管理助理的助理"：发现、运维、审核三个岗位
给企业落地 AI，前期大家关注的是"干业务的助理"。可一旦团队里每周都有新助理上线，问题就变了：谁来发现哪些工作值得智能化？授权过期、权限出错、软件升级导致流程变化，谁来修？团队成员各自搭的新助理，权限和风险谁来审？比较成熟的做法是再配三个"管理型"岗位：发现岗从日常沟通和会议里找值得改造的流程，运维岗定时巡检并修复常见故障，审核岗在新助理上线前检查权限、工具和风险。没有这三个岗位，助理数量越多，负责人越累。
做企业 AI 服务，先想清楚卖的是哪一件事
找不到客户、不会报价、交付越做越累，看起来是三个问题，根源往往是同一个：你卖的是"AI 企业服务"这个大词，而不是一件具体的事。把服务收窄到一个人群加一个场景，获客、报价、交付才都有了抓手。
SOW 是小团队的护身符：交付什么、不做什么、甲方要备好什么
企业 AI 项目做到一半卡住，原因常常不在技术，而在客户没提供资料、权限或负责人。客户却容易认为"你答应交付结果，卡点都该你免费解决"。所以开工前必须有一份工作范围说明（SOW），写清交付内容、明确不做的事、甲方前置依赖、阶段节点、测试与验收标准、变更方式和售后边界。大项目写进合同，小项目至少在文档或聊天记录里确认。
别在旧流程上加 AI：让 AI 重组流程，人负责提问和判断
很多团队用 AI 越用越累，原因是旧流程一点没变，只是在中间某个环节塞进一个 AI 工具。线程一多，人就被大量衔接和判断压垮。更有效的做法是：把目标、意图、判断标准和样本完整交给 AI，让它重新组织流程，人退到两个关键位置——提出好问题、做方向判断。给企业做落地时，先帮客户画出"如果从零设计会怎么做"，而不是只问"哪一步可以用 AI 替代"。
AI 改造是一把手工程：只培训员工，往往只能拿到局部优化
企业做 AI 落地，常见做法是给员工安排培训，让各部门自己想办法提效。结果往往是每个人在自己岗位上优化一点，整体变化有限。原因是员工站在自己部门的角度，只能看到局部；老板看到的是全局流程，才可能发现某些流程应该整个去掉、重新设计。给企业做服务时，要争取老板或一把手亲自参与：至少参与一次需求访谈、看一次 Demo、定一次优先级。老板不下场的项目，推进难度会大很多。
和老板聊需求：找痛点、算清账、描述结果
直接问"你有什么 AI 需求"，多数老板答不上来。更有效的聊法是四步：问出最耗人力、最容易出错的环节；把改进换算成老板能理解的时间和成本；点到为止地说说同行在怎么做；帮他把三个月后的变化描述出来，这个描述就是之后的交付标准。尽量和有决策权的人谈。
需求变了怎么办：预算、周期、范围，至少要动一个
真实项目一定会有变化：试点没验证到的问题在正式开发时暴露，某个环节被低估，某个需求发现做不了。处理原则是：预算不加、周期不变、范围还扩大，这样一定交付不出来。可以把变更分成三类：客户新增需求，加预算或删减原范围；乙方低估难度，说明原因、重新协商周期和方案；前置条件不成立，由甲方补条件或暂停对应范围。不要用沉默和加班掩盖变化。
用 Demo 代替评审会：先做出能看的雏形，再和客户讨论
一个抽象想法，在每个人脑子里可能是十种样子。开会讨论半天，往往各说各话。AI 让做雏形的成本降到很低，更高效的协作方式是：有想法就先做出一个能看、能点的 Demo，拿着它讨论。Demo 一出来，大家立刻知道"是这样，不是那样"。给企业做服务时，第一次沟通后尽快拿出 Demo，比写长篇方案更容易对齐需求，也更容易让对方决策。注意 Demo 只是对齐工具，要说明它和正式交付的差距。
先找出哪些工作值得智能化：从日常沟通、会议和文档流转里挑候选
企业里能交给 AI 的工作很多，但不是每件都值得做。比较实用的方法是先系统地收集候选：从团队日常的沟通、会议纪要、文档流转里，找出重复出现、耗时、规则相对清楚的工作；再按频率、耗时、风险、数据是否可得四项打分排序；最后从得分最高、风险最低的那一件开始。收集候选的工作本身也可以交给助理做，但只能在客户授权的范围内读取信息。
AI 结果不可靠，多半是问题没讲清楚：边界、标准、上下文、授权四项自查
企业客户常说"AI 有幻觉，不敢用"。在普通业务场景里，大多数时候不是模型碰到了能力边界，而是使用者没有把问题讲清楚：边界在哪、什么算好、背景资料是否充分、授权是否到位。AI 是人的能力放大器，问题定义越清楚，结果越可靠。交付前用四项自查过一遍，再加一条底线：高风险决策必须由人兜底。
交付太重就做不大：三种让交付变轻的办法
代运营、深度定制这类重交付能赚钱，但会把你的时间锁死：账号杂事、平台规则变化、客户的例会和汇报，每加一个客户都要多一份人力。想让一个人服务更多客户，要做三件事：谈单用分享代替一对一，产品锁定一两个场景让交付可复用，用合作分账代替招人。
现场调研：还原真实流程，先查资料能不能信
和老板谈，通常只能谈清预算和由谁来做；真正的交付边界，要到现场跟实际干活的人逐一聊。访谈不问"想要什么功能"，而是还原流程：谁在什么时候收到什么、打开哪个系统、根据什么判断、遇到例外找谁、结果写到哪里。还要特别核查原始资料：AI 会非常准确地复述一份错误资料，很多真正的规则只存在于老员工的脑子里。
一人公司不是单干：按项目分工，按贡献分账
一人公司的重点是"公司"而不是"一个人"：有分工、有上下游、有合作伙伴。接到项目先拆开：哪些自己做、哪些交给 AI、哪些交给伙伴。伙伴之间按项目结算，不靠工资维系；合同要签，但真正稳定的合作来自持续筛选和清楚的分账机制。
选客户比选技术更重要：优先接什么样的单，哪些单要拒绝
客户选错了，技术越强，损失可能越大。优先考虑：企业仍在增长、决策人真想做、有业务负责人、能接触真实流程和资料、有人能确认结果、第一阶段能在几周内验证。要警惕的是：经营下滑的企业（预算缩减、回款风险）、没人负责资料和验收、只说"全公司 AI 化"却说不清第一批用户的项目。知道什么不做，本身就是交付能力的一部分。
报价看客群、痛点和案例，不看同行
企业 AI 服务没有统一标价，同一个工作流在不同人手里价格可以差出很多倍。真正决定价格的是三件事：客群（他自己能不能搞定、会不会比价）、痛点（解决的问题离收入有多近）、案例和背书（有没有同行业的成功经验）。没有案例时先从低往上报，把第一单做成案例。
老板自己用 AI 编程工具写系统了，还需要我们吗？
需要，但角色会变。AI 编程工具很适合让业务人员把脑子里的流程快速做成演示版本，大幅降低沟通成本；但长期运行的系统仍然需要工程结构、模块认知、测试和维护责任，否则模块一多，改一个问题带出新问题，最后说不清谁对什么负责。可以把老板做的演示当成最好的需求文档，你负责把它变成能长期稳定运行、可验收的系统。
没有案例，第一单怎么谈？
两条路：一是先找规模小、方向接近的客户，低价甚至免费做一个完整案例；二是用你原有的行业经验做背书，服务你熟悉的行业。做完要把过程、结果和客户反馈整理好，这就是下一单的敲门砖。
担心交付的方法和文档被客户学走，以后不需要我了，怎么办？
企业 AI 服务真正的价值，不在一份可复制的文档，而在两种需要长期实践才能获得的能力：AI 技术能力（做过很多助理和产品积累的判断）和行业认知能力（服务过足够多客户形成的经验）。文档可以被拿走，这两种能力拿不走。与其防着客户，不如把交付做扎实，让客户愿意继续合作；同时把每一单的经验沉淀下来，让自己越做越快。
企业老系统没有接口，要不要想办法硬接？
一般不建议。没有开放接口的旧系统，强行绕过去做自动读写，稳定性差、出了问题难修，还可能带来数据和权限风险，最后责任落在交付方身上。更稳的做法是：把这部分写进 SOW 的"明确不做"；评估能否用导出导入、人工录入或半自动的方式先把结果交出来；等客户系统升级、开放接口后再做下一期。企业买的是可靠结果，不是证明所有环节都能自动化。
给企业搭助理，工具要不要统一？个人好用的工具适合团队吗？
团队落地建议统一工具栈。每个人用不同工具，助理之间很难协作，经验也没法共享。选工具时优先考虑客户已经在用的协作软件，让原有工作环境长出 AI 能力，而不是额外增加一个系统。个人知识库类工具适合个人沉淀，但团队最重要的是协作，要选分享和共同编辑方便的平台。工具组合尽量收敛到三类：开发和维护助理的主力工作台、让助理持续运行的框架、承载文档和消息的协作平台。
要不要让客户先自己试用？
不建议直接丢给客户自己试。很多老板不熟悉 AI 工具，点几下没搞定，就会得出"不好用"的结论。更好的方式是你来演示：你操作、他看，只展示最核心的几个价值点；确认方向后再做一个小范围试点，带着他用。
老板认可，中层不配合，项目推不动怎么办？
这是企业 AI 项目常见的阻力。部分中层担心 AI 会削弱自己部门的作用，或者增加额外工作。应对方法是：立项时请老板明确负责人和目标；把中层拉进需求和验收环节，让他成为项目的受益者；先从他们最头疼的重复工作切入。
做完一单，别让下一单从空白开始：每个项目要沉淀的十样东西
小团队如果每一单都从空白文档、空白代码和空白判断开始，很快会被交付拖垮。每个项目结束后，至少沉淀：客户初筛问题、现场访谈清单、流程还原模板、报价成本项、SOW 模板、常见前置依赖、测试用例结构、上线与交接清单、需求变更记录、经允许后可匿名公开的案例。项目里遇到的问题和形成的方法，会变成下一次交付的底座，也可能变成下一个项目。
第一个客户从哪里来：用一场小分享代替一对一推销
企业客户，尤其是实体企业和品牌，大多在线下建立信任。与其一对一上门推销、一下午聊不出结果，不如组织一场小型分享：一次面对一群潜在客户，你的身份从销售变成老师，客户会主动来问。分享主题就是筛选器，讲什么题目，就来什么样的客户。
测试集要在交付前设计：别用"我试了几次感觉不错"去验收
企业 AI 项目最后要验收，验收靠的是测试集，不是演示效果。做法和传统软件测试类似：每个需求点设计正向、反向和边界用例；乙方自测集交给客户确认有没有遗漏；客户可以保留一套不公开的验收集。有标准答案的问题自动判对错，开放问题由业务人员评价。更换模型、提示词或知识版本后，都要重新跑一遍。
企业 AI 服务在做什么：让 AI 接住原本只能本人做的工作
很多企业主和专家已经在用 AI，但涉及分析、取舍、给建议的工作，AI 的结果"差点意思"，最后还得本人重做。企业 AI 服务要解决的，是把专家没写进资料、自己也说不清的判断采集出来，再搭一套信息流转机制，让 AI 结合判断标准和每天变化的业务一起工作。
采集全景图：业务、客户、本人三类信息，本人信息分"底子"和"打法"
要让 AI 接手专家的工作，先明确要给它哪些信息。业务信息和客户信息靠资料加采访基本能拿到；真正要花时间的是本人信息：他的思维与表达习惯（底子），以及每项工作的信号、流程节奏、决策规则、分型、复盘（打法）。
第一次业务采访：先了解人和事，再找缺口
服务开始时做两件事：用一份才干或性格测评对客户建立初步认知，用一次业务采访梳理他的业务版图和最想交给 AI 的工作。采访提纲让 AI 结合行业情况、前期沟通记录和测评结果来准备，既不暴露外行，也不让客户重复讲已经说过的事。
说不清的判断怎么采：比较淘汰、改变条件、评价意见、动手修改
有些判断靠回忆和解释说不清楚，比如"几个目标都重要"但冲突时优先保哪个。可以给客户一个具体任务，从他的选择和修改里采集：让他在几个方案里选和排除、一次改变一个条件看判断变不变、评价另一种合理意见、直接修改一段草稿。
收发室与外脑：给客户搭一个 AI 能调用的外置大脑
采集的内容散在对话、录音和文件里，要整理成 AI 能用的依据。准备两个文件夹：收发室用来随手投放新资料，外脑用来长期保存。外脑里保留原始素材层，再按用途分成系统规则、关于本人、关于客户、关于业务、工具库、持续生长六层。
信息流转：让 AI 跟上每天变化的真实业务
外脑建好后，业务每天在变。信息流转分四个环节：接收（固定入口，客户不用先整理）、处理（给重要信息写上依据、范围、状态、时间、重查条件，区分补充替代冲突，标出受影响的工作）、调用（围绕具体任务找当前适用的信息）、写回（保存产出、更新进展、提炼会影响后续的反馈）。
不懂技术，能做企业 AI 服务吗？
能。这类服务的核心能力是拆解业务、追问和对行业的理解，而不是写代码。做过老师、顾问、销售、管理、内容的人，往往更擅长把客户说不清的判断采出来。但你需要先让 AI 在自己的工作里跑通，才能给别人做。
回放真实工作：从一次具体选择里，采出判断依据
直接问专家"你是怎么判断的"，大多数人只能讲出空泛的原则。更好的方法是挑他最近一两周做过的一次重要判断，让 AI 先还原背景、再聚焦一个关键选择逐个追问、遇到"凭经验""不合适"这类模糊回答继续拆到具体依据。
从一件事开始，带着客户一起搭，边界先写清楚
企业 AI 服务不要一上来就承诺"整体转型"。从客户最烦、最依赖本人判断的一件事开始，在他自己的电脑和账号上，带着他一起搭；哪些事 AI 自己做、哪些必须先问人，开工前写下来；先收定金，按天或按项目报价。
核对采集结果：这条判断怎么来的、在什么条件下成立
一段对话聊得深入，不代表已经准确理解了客户。核对时看三件事：这条判断是客户主动说的还是被 AI 引导出来的；放回真实工作里是否成立、有没有遗漏条件；最后分成已有依据、需要调整、仍待确认三类，保留来源和适用条件。