上周和一位做汽配的朋友吃饭，他掏出手机给我看：公司年初采购的大模型账号，销售部用了两周，现在只剩三个人偶尔打开。不是工具不好，而是问它“这个客户的账期能不能放”，它答得滴水不漏，却和公司实际政策毫无关系。这种“看起来很聪明、用起来不放心”的落差，正在大量中小企业里重复上演。
这不是模型能力的问题，而是落地路径的问题。通用模型像一位刚入职的名校毕业生，逻辑清晰、知识面广，但不了解你的客户、你的报价习惯、你的工艺约束。企业真正需要的，不是更强的模型，而是一个被业务上下文“喂养”过的行业专用 AI 助手。
误区：把 AI 当成万能问答框
第一个常见误区，是把 AI 当成一个挂在办公系统里的搜索框。员工问什么它答什么，答得不好就归咎于“模型不行”。但业务问题往往不是知识问题，而是流程问题：客户能不能赊账，取决于信用记录、历史回款和当前额度，这些信息散落在 ERP、表格和老员工脑子里，模型再强也拼不出完整答案。
第二个误区是追求“大而全”。一上来就想做覆盖销售、客服、生产、财务的全能助手，结果每个场景都只做到六十分。行业 AI 的价值恰恰来自收敛：把边界划小，把上下文喂足，让小范围内的回答准确到可以进入业务流程。
趋势：从通用能力转向行业上下文
过去一年，企业侧的关注点明显在迁移。早期大家比较的是参数和跑分，现在更多业务负责人问的是：它能不能读懂我们的产品手册？能不能按我们的报价规则算？能不能接进现有的工单系统？这说明市场正在从“模型采购”转向“场景采购”。
这个转变对中小企业其实是利好。你不需要自建算力，也不需要组建算法团队，真正需要投入的是把业务知识整理成机器可用的形态。谁先把这件事做扎实，谁的助手就更像“自己人”。
方法一：用“高频+高错”筛出第一个场景
落地第一步不是选技术，而是选场景。一个实用的筛选标准是“高频+高错”：发生频率高，且当前依赖人工、容易出错的环节。比如报价单反复核对、售后工单分类、政策条款查询、报废车辆信息比对，都属于典型候选。
选定后，把场景描述成一句可验证的话，例如“让新销售在五分钟内生成一份符合公司折扣规则的报价初稿”。这句话里包含了角色、时限、约束和产出物，后续评估就有据可依，而不是停留在“感觉好用”。
方法二：先修知识，再谈智能
很多项目卡住，不是模型不会推理，而是它拿到的资料是残缺的。产品参数在 PDF 里，价格政策在群聊里，例外规则在老员工记忆里。行业 AI 助手的第一项工程，其实是知识供给：把高频问题的标准答案、边界条件和例外情况整理成结构化条目。
这件事不需要一次做完。可以从一个业务单元开始，梳理最近三个月被反复问到的五十个问题，逐条写出“标准回答+依据+不适用情形”。这份清单本身就是资产，即使暂时不上 AI，也能显著降低新人培训成本。
人机分工：让 AI 给建议，让人做决定
另一个容易被忽略的关键，是明确人机边界。涉及价格承诺、合同条款、安全合规的判断，AI 应当输出建议和依据，由人确认；涉及检索、归类、初稿、比对的工作，可以大胆交给 AI。边界清晰，员工才敢用，管理者才敢放。
实践中，把“AI 输出”标注为草稿或建议，并保留一键回溯到原始资料的能力，接受度会明显提高。信任不是靠宣传建立的，而是靠一次次“它说得有依据”累积起来的。
场景：从虚拟工作室到一线业务
在一些典型场景里，这种路径已经跑通。比如面向经销商的培训，用虚拟工作室把产品讲解、常见异议和操作演示做成可复用的内容，新人随时能看，老员工不必重复答疑；再比如售后环节，数字人承接标准化咨询，复杂问题再转人工，把有限的人力留给真正需要判断的工单。
在垂直行业里，报废车业务是个有代表性的例子：车辆信息核验、手续合规、残值评估涉及大量规则和比对工作，AI 适合承担信息抽取与一致性检查，人负责最终确认。这类“规则密集、重复度高”的环节，往往是行业 AI 最先产生可见收益的地方。