AI Workforce实战营第二期：AI用上了，企业为什么还是觉得没用好？

AI Workforce 2026-09-24 · 来源：数花官方公众号「企业AI员工」

AI Workforce实战营第二期：AI用上了，企业为什么还是觉得没用好？

第二期活动开始，一位做跨境电商的朋友就聊到了团队里的困惑：公司很鼓励员工用AI，但同样一项任务交下去，有人能结合业务把结果做出来，有人把任务往AI里一丢，交回来一份看似完整、实际没怎么消化的内容。

她希望解决的，是整个团队怎么一起往前走。员工各自会用几个工具之后，能不能把公司的实际工作做得更好？

9月24日，数花AI Workforce实战营第二期，差不多就是从这个问题聊开的。现场有做跨境电商的业务负责人，有从大厂出来创业的技术人，也有做投资、制造业和企业服务的朋友。大家带着不同的问题来，聊到后来，却经常停在同一个地方：AI已经能做很多事，为什么一放进自己的业务，就总差那么一点？

这次我们也把数花自己遇到的困难摆到了桌上。经营分析产品还值不值得继续做，客户到底为什么付费，FDE进到企业现场应该先干什么。很多事情，我们也在实践中找答案。

一件羊绒衫的图片，把讨论拉回了生意本身

现场一位有跨境电商经验的朋友，讲了服装业务里很具体的麻烦。

品牌出海需要模特图，找合适的外籍模特并不容易。选中了人，档期未必合适；照片看着不错，实际拍出来又未必能把衣服表现好。拍摄涉及时间、费用和反复沟通，团队自然希望AI能帮上忙。

这类需求也吸引了不少服务商。有人带着产品来演示，把一件羊绒衫穿到AI模特身上，再换几个场景，画面看起来挺漂亮。

但卖家的评价很直接：达不到我们的标准。

服务商觉得图已经生成了，客户还在看这张图能不能上架。衣服的颜色有没有变化，质感对不对，模特看起来是否自然，图片是否符合品牌的表达，这些都会影响最终判断。只要还需要运营和美工反复返工，演示里的效率就很难直接变成团队的效率。

现场恰好也有做AI生图创业的朋友。他们希望把复杂的操作变成选项，让不太懂AI的小商家也能方便地生成图片。双方聊下来发现，同样叫“电商生图”，面对的可能是两种不同的客户。

刚起步的小商家，希望用较低的成本做出一张能用的图；有品牌要求的团队，已经有运营和美工，更在意质量能否达到自己的标准，也愿意投入时间提升内部人员的AI能力。

目标客户不同，产品要解决的问题、服务方式和收费逻辑都会不同。把这两类人放在一起谈“电商生图市场”，很容易觉得需求很大，真正去卖的时候却处处碰壁。

这段交流给我们的提醒很实在：先找到一群对交付标准有相近要求的人，再把他们手里那件具体的事做好。至于产品以后能覆盖多少场景，可以晚一点再讨论。

经营分析报告做出来了，客户为什么还没有下单？

这个问题，我们自己也绕不过去。

数花团队有经营分析和数据服务的积累，所以做AI员工时，很自然地选择了经营分析这个方向。接入数据、理解指标口径、让用户直接问数，再输出经营分析报告，这条路从能力上看是顺的。

但走到客户面前，我们发现，产品能做什么和客户愿意为什么付钱，中间还有很长一段距离。

一方面，经营分析很依赖企业自身的业务口径。同样一个指标，不同公司的定义、使用方式和关注重点都可能不同。数据接进来以后，要让分析真正有用，还得继续理解业务、确认规则、反复校验。

另一方面，即使报告做得更快、更完整，也不代表采购决策就会自然发生。

报告指出某些商品周转慢，接下来谁去调整？补货建议出来以后，业务部门是否会采纳？原来花几天整理的内容，现在很快就能生成，省下来的时间又被用到了哪里？

如果这些事情没有往下走，客户感受到的价值往往就停在“帮我写了一份报告”。

我们在现场也谈到了自己的反思。过去做产品，会把不少精力放在分析深度、报告质量和功能完整性上，但对客户如何确认收益、如何申请预算、由谁推动使用，考虑得还不够早。

就连“节省人力”这件事，供需双方也未必理解一致。服务方觉得减少了大量人工整理工作，企业可能认为这些员工原本就兼着其他任务，时间省下来了，支出并没有相应减少。到验收或续费时，再去争论到底省了多少钱，就很被动。

这也是为什么，项目开始前就要把价值怎么计算谈清楚。原来一项工作需要多久，多少时间花在返工上，交付频率是多少，AI接手后由谁审核、由谁使用，这些都应该有一个双方认可的起点。

对经营分析产品来说，报告之后的那一步尤其值得继续追。客户看完以后有没有调整动作，调整后能否回收结果，比多生成几页内容更接近真实的经营价值。

工厂说要“识别图纸”，聊下去才发现远没有那么简单

制造业的讨论里，有一个例子让大家聊了很久。

客户最初提出的需求是：用OCR识别图纸，再把识别出来的工作分配给相应员工。听起来像是一个识别加派单的功能，似乎接上模型、搭个流程就能做。

但继续往下问，就会发现，图纸上的文字读出来，只完成了很小一部分工作。

图里是什么零件，用什么材料，需要哪些加工工艺，哪些尺寸必须检验，按照什么标准判断合格，这些都要进一步理解。有的需求还涉及报价：客户发来一张图，希望尽快得到价格，而价格背后又关联工艺、材料和实际生产条件。

走到这一步，已经需要行业经验、业务规则和企业内部的数据配合。单独买一个AI账号，无法自动补齐这些条件。

企业与服务方的预期差，常常就在这里。老板在演示里看到AI能读图，便期待它把后面的工作一起完成；交付团队进场以后，才发现许多规则还在老师傅的经验里，流程也没有整理清楚。

因此，我们现在更重视前面的判断：客户最着急解决的究竟是哪一段，现有资料够不够，谁能解释业务规则，谁能判断输出是否可用，预算和决策人是否明确。

这些问题看起来琐碎，却直接决定项目能不能推进。一个需求值得做，也有必要先缩小范围，拿真实图纸试一段，再决定后面怎么投入。

FDE到了现场，第一件事是把问题听明白

这次活动里，FDE被反复提到。大家关心它怎么做，也关心自己过去的经验能不能转到这类工作上。

现场有技术背景的朋友，也有深耕跨境业务多年的朋友。两类人的长处不同，面对客户时需要补的能力也不一样。

技术人员听到一个需求，很容易先判断功能能不能实现、接口怎么接、系统怎么搭。这些判断当然重要，但还需要再往前问一步：客户为什么要这个功能？

客户说要增加一个看板，可能是现有报表来得太晚；客户想做一个智能体，可能是几个部门之间的信息一直传不顺。他说出来的是一个解决办法，背后的问题还需要继续拆。

我们在讨论中反复回到几个具体条件：这件事是否经常发生，当前由谁处理，最费时间的地方在哪里，出了错会影响什么。如果改完以后，既没有明显减少负担，也没有改善业务结果，那就需要重新判断它的优先级。

对于业务经验丰富的人，这恰好是可以发挥作用的地方。他知道卖家实际怎么工作，知道工厂哪些环节不能出错，也更容易听出客户一句抱怨背后的原因。但懂业务之后，还要理解AI的能力边界，能和技术人员一起把问题变成可验证的方案。

按我们当前的实践，FDE的工作会从业务梳理延伸到方案验证，再进入真实场景里的调整。做出一个演示只是其中一段，后面还要拿真实数据、真实任务和实际使用者的反馈来复核。

同样，也需要有能力判断哪些地方暂时不适合用AI。有些问题先把数据整理好就能改善，有些需要调整流程，有些仍然应该由人来做决定。这些判断本身，就是交付工作的一部分。

团队用上AI之后，管理者要看什么

聊到培训时，开场那个问题又回来了：大家都会用工具了，为什么团队的工作还是很散？

现场有企业已经让员工用AI做PPT、写文档、整理资料，也有人尝试编程和市场调研。工具确实用起来了，但不同员工各用各的，结果好坏仍然高度依赖个人。

这就需要管理者继续往下管。任务交给AI之前，员工是否理解了业务背景；内容生成以后，有没有检查数据和依据；最后交上来的东西，能不能被下一位同事直接拿去用。

如果员工把沟通记录交给AI整理，自己却没有理解里面的业务逻辑，管理者依然得花时间重新解释。文档生成得再快，也没有减少这部分沟通成本。

所以，我们讨论企业AI培训时，更想把课程放回具体工作里。工具操作需要教，同时也应该带着真实任务练一遍：资料怎么准备，要求怎么说清，结果怎么检查，发现不对以后怎么修改，哪些步骤必须留下人工确认。

一次培训结束，能有一项日常工作被团队重新梳理清楚，并且有人愿意持续用下去，就已经很有价值。之后再慢慢扩展，比一次性列出一大串工具更容易落实。

行业经验，也可以从一次真实的分享开始

除了企业落地，现场还有朋友关心个人的下一步：想尝试创业，想积累副业，也有人希望通过内容分享，为未来多留一种可能。

谈到个人IP时，大家的顾虑都很熟悉。担心自己讲得不够好，不习惯面对镜头，也不知道已经做了这么多年的工作，到底有什么值得拿出来讲。

我的感受是，可以先从自己处理过的具体问题开始。

做跨境业务，就讲一次选品为什么判断错了，供应商出了问题怎么处理；带过团队，就讲一个任务为什么反复沟通仍然做不好。把当时的条件、自己的判断和后来发现的问题讲清楚，同行往往更容易听进去。

这次活动本身也是如此。一件羊绒衫的图片、一张工厂图纸、一份客户没有买单的报告，都比泛泛地讨论AI机会更能引出有用的交流。

我们办AI Workforce实战营，希望留下的就是这样的空间。做技术的人可以听听业务现场的要求，企业负责人可以了解交付里的实际难点，正在探索的人也能把自己的尝试拿出来，听听不同意见。

第二期结束时，关于产品方向、客户付费和企业落地，仍然有一些问题没有定论。但大家带来的那些具体经历，让这些问题比开场时清楚了不少。

后续活动，我们会继续围绕企业AI应用、FDE实践和AI员工的实际交付展开。欢迎关注「企业AI员工」公众号，也欢迎在留言区说说：你所在的团队，哪项工作已经试过用AI，却始终没达到预期？下一次，我们接着聊。