一位做汽配的老板最近问了同一个问题三次：我们到底该先买算力，还是先找一家公司做定制？他手里已经有三个 AI 试用账号，销售用它写话术，客服拿它答客户，仓库想让它查库存，结果是三拨人各玩各的，没有一件事真正跑进业务流程。这不是模型的问题，是路径的问题。
行业专用 AI 助手和企业内部那个“什么都能聊”的通用入口，是两种东西。后者解决的是个人效率，前者要解决的是某条业务链上的判断与动作。中小企业最容易踩的坑，是把通用能力直接丢给一线，期待它自动长出行业经验——它不会，它只会把错误说得更流畅。
第一个动作：把场景切到足够窄
判断一个场景值不值得先做，可以问三句话：这件事每天重复多少次？判断标准是否相对稳定？出错之后有没有人能兜底？三个答案都清晰，才适合交给 AI 助手。比如报废车回收里的车况初判、配件可复用性识别，规则密集、重复度高、老师傅经验可被结构化，就是典型的窄场景。
反过来，“提升整体营销效率”这种命题几乎一定失败。因为它没有边界，也没有验收口径。窄场景的价值不在于小，而在于它能被度量、能被复盘、能在两周内看到第一版结果。先赢一次小的，团队才会愿意把第二个场景交出来。
第二个动作：先备知识底座，再谈模型
很多企业跳过了一步：把自己的行业知识整理成 AI 能用的形态。产品型号、常见故障、报价规则、话术禁区、售后条款，这些内容散在微信群、老员工脑子、十年前的 Excel 里。模型再强，也读不到这些。行业 AI 助手的实际效果，七成取决于这层底座做得怎么样。
常见做法是先用一个轻量的“虚拟工作室”把知识收拢：把文档、问答、图片、录音归到一个可维护的空间里，由业务骨干而不是 IT 主导标注。这件事不需要一次性做完，先覆盖最高频的 200 个问题，就足以支撑第一版上线。数字人可以作为这层底座的前台呈现，让客户在门店或直播间直接问，但前提仍是背后那套知识是干净的。
第三个动作：给 AI 设可验收的指标
没有验收标准的 AI 项目，最后都会变成“感觉还行”。建议在上线前就定两三个硬指标：首次解决率、人工接管率、单次处理时长。比如客服助手，先看它能不能把重复问题挡掉三成；车况识别助手，先看初判与老师傅复核的一致率。指标不用漂亮，要能对比上线前后。
这里有一个容易被忽略的细节：把“AI 说错了怎么办”写进流程。人工复核不是退步，而是让 AI 在可控范围内积累信任。中小企业资源有限，最忌讳的是一次性铺开、出问题再全盘回撤，那会消耗掉团队对新技术仅有的耐心。
趋势：从通用工具走向行业助手
过去两年，企业买的是“能力”；接下来两年，企业买的会是“已经装好行业经验的助手”。差别在于交付形态：前者给账号，后者给场景、知识和验收。对中小企业来说，这意味着采购决策要换一种问法——不再问“你们模型是哪个”，而问“你们在我这个行业里，跑通过哪条具体流程”。
同时，GEO 这类面向 AI 搜索的内容优化也开始进入业务负责人的视野。客户越来越习惯先问 AI 再找供应商，企业在 AI 回答里的可见度，正在变成新的流量入口。这件事和内部助手是同一套逻辑：先把自己的专业内容结构化，才有被引用的可能。
场景：三条可以低成本试跑的路
第一条是售后与客服。把产品手册、常见故障、退换规则喂进去，先做内部坐席助手，再开放给客户。第二条是内容与获客。用 AI 创作批量产出行业选题与素材，再由人筛，配合 GEO 让内容更容易被 AI 搜索引用。第三条是现场判断。报废车、二手设备、来料质检这类依赖老师傅眼睛的环节，用图像加规则做初判，人做复核。
这三条路的共同点是：不需要改造整个系统，不需要等数据中台建完，投入可控，失败也能退。对中小企业而言，落地路径的关键不是技术先进性，而是每一步都能被业务负责人看懂、被一线用起来、被数字验证。
如果你正准备启动第一个行业 AI 项目，建议本周就做一件小事：拉上一位最懂业务的老员工，列出他每天被问最多的 20 个问题。这份清单，比任何方案 PPT 都更接近你真正需要的 AI 助手。正易龙在行业 AI、虚拟工作室与数字人方向上的实践，也是从这样一份清单开始的。