从售前场景切入：一次企业级AI落地项目的完整复盘

过去两个月，我参与负责了一个企业内部创新业务部门的AI落地项目。这个项目表面上是一个「市场扫描助手」，能够自动采集区域市场数据、生成市场扫描报告、支持业务人员查询报告和关键数据。但如果只把它理解为报告生成工具，就低估了这个项目的深层价值。它真正要解决的，是售前场景中的一个核心痛点：当前线销售面对大量区域线索时，如何更快判断哪里更值得跟进、以什么切入点跟进、用什么材料支撑客户沟通，以及市场中台如何把分散经验沉淀成可复用的数据资产和决策能力。

一、项目起点：先选组织和场景，再考虑技术方案

项目阶段性交付后，数据库已经覆盖全国2867个区县，并形成同量级的市场扫描报告库；前期筛选出的104个优先区县，已经支撑业务方进行销售团队宣贯和市场协同推进。工具端同时提供飞书机器人和应用入口，一线人员可以直接检索区域报告，也可以查询单个数据字段。业务部门对销售进行了培训，反馈非常积极，认为它切实提高了售前工作效率。这个项目也准备被作为公司内部AI赋能业务的标杆案例进行宣传。

二、原有痛点：人工模式能跑通单点，但支撑不了规模化拓展

公司这两年一直在推进组织AI化转型。所谓组织AI化，不是简单鼓励大家多用几个大模型工具，也不是把所有工作都交给智能体，而是希望找到真实业务流程中的高价值节点，用AI重塑流程、提升效率，并形成可复制、可管理、可衡量的组织能力。所以这个项目一开始并不是“我们想做一个市场扫描智能体”，而是经历了两个选择过程：先选组织，再选场景。 在选组织时，我们关注的核心问题是：业务部门是否真的具备AI落地土壤。一个适合共创的组织，至少要满足几个条件：业务目标明确，存在真实痛点，负责人愿意投入时间和资源，业务方不是把AI当成外包工具，而是愿意一起重新定义工作方式。这次合作的创新业务部门正好处在快速拓展市场的阶段，售前团队需要面对大量区县线索，判断区域价值、设计沟通策略、形成客户材料。业务方本身也非常开放，不是被动提需求，而是主动希望把AI真正用起来。 在选场景时，我们没有直接从技术可行性出发，而是先看业务价值。售前市场扫描这个场景有三个显著特点：第一，价值链路足够清晰，能直接服务线索筛选、客户拜访和市场策略制定；第二，任务足够高频且重复，传统人工模式很难支撑全国范围批量覆盖；第三，数据和报告标准

三、技术路径：从外部方案尝试到自研路径确定

在传统模式下，区域市场扫描主要依赖市场中台人员人工借助通用AI工具检索、整理、判断和撰写。这个方式在单个项目上可以跑通，但当业务进入全国化拓展阶段，问题就会集中暴露出来。 首先是产能问题。一个区县报告并不只是简单查资料，它需要整合区域经济、学生规模、教育资源、竞品情况、政府公开信息、合作切入点等多类信息。人工可以做深，但很难做广。一旦需要同时评估几十个、几百个甚至上千个区域，人工模式就会变成瓶颈。 其次是标准问题。不同人、不同阶段做市场扫描，关注字段、判断逻辑、报告结构很容易不一致。售前判断一旦过度依赖个人经验，就很难形成统一口径，也难以沉淀为市场中台能力。 第三是质量问题。通用AI工具可以辅助写报告，但在这个场景里，单纯让大模型“搜一搜、写一写”并不可靠。它会遇到信息幻觉、数据错配、来源不可追溯、链接失效、字段缺失等问题。尤其当多个维度的数据需要综合评分时，前端一点小偏差，可能会影响后续区域优先级判断。 最后是复用问题。过去每做一次报告，很多信息就停留在一次性材料里。报告写完了，但数据没有系统沉淀；经验形成了，但没有变成规则；判断做出来了，但难以支持后续持续更

四、核心方法：把业务规则工程化，而非依赖大模型自由发挥

项目早期，我们并没有一上来就决定自研，而是先评估了市面上已有的解决方案，也针对不同产品能力做过尝试和比较。外部产品的优势很明显：平台成熟、能力完整、上手快，适合通用知识问答、文档生成、数据分析等场景。但当我们把需求放到这个具体业务流程里，就发现很多能力无法完全匹配。 这个场景对AI的要求不是“写得像不像”，而是“数据准不准、字段全不全、来源能不能追溯、规则能不能固定、批量能不能稳定、结果能不能被业务人员直接使用”。而外部通用方案往往更偏平台能力，难以深度嵌入自定义的数据采集规则、校验逻辑、报告模板、批量生成机制和飞书工作流。 更现实的问题是，业务方最终需要的是一个低门槛工具，而不是一个复杂的AI运维环境。前期我们尝试让业务方自行使用技能和开发工具生成报告，但在环境配置、命令操作、批量运行等方面都存在门槛。对一线业务人员来说，如果一个AI工具需要先学会复杂运维，它就很难真正进入日常工作。 因此，我们逐步调整方向：底层能力由技术侧搭建和运维，业务侧沉淀规则、参与校验、反馈迭代；最终交付给前线的是简单入口，而不是复杂工具。也就是把复杂性留在后台，把确定性和易用性交给业务。最

如有侵权，请联系删除。