Chapter 09

从真实工作流里找 AI 场景

title: '从真实工作流里找 AI 场景' description: '基于 60 余份咨询、券商、行业研究与产品案例，拆解已经发生在企业和消费者身边的 AI 应用场景。'

从真实工作流里找 AI 场景

很多“AI 行业应用大全”看起来很热闹：金融、医疗、教育、制造，每个行业下面再列十几个点子。可真要动手时，你还是不知道该找谁、接什么数据、替掉哪一步，也不知道做完以后谁会愿意付钱。

问题在于，行业不是场景。“AI + 医疗”只是一个范围；“医生看诊后要花十分钟补病历，系统先根据医患对话起草记录，再由医生确认”才是一段可以研究、设计和验证的工作流。

这篇附录换一种写法。我们查阅了 60 余份咨询公司、券商、研究机构报告和产品案例，不再追求把行业列全，而是挑出已经有人使用、也能看见价值落点的 B 端和 C 端场景。你可以把它当成一张地图，用来找到值得继续访谈的问题，不要把它当成现成的创业答案。

先分清：B 端和 C 端不是两套标题

B 端：企业为结果付钱

企业很少为“能聊天”本身买单。它购买的通常是更短的处理时间、更少的返工、更稳定的合规质量，或者更多成交。一个可研究的 B 端场景，至少要能回答四件事：谁每天在做、材料从哪里来、结果写回哪个系统、出错后谁负责。

这也是为什么不少企业试验迟迟没能扩大。Deloitte 对 2,773 名企业管理者的调查显示，很多组织仍只有少量生成式 AI 试验能进入规模化阶段；Accenture 对 2,000 多个项目的复盘也发现，真正产生企业级价值的组织仍是少数。难点往往不是模型能不能回答，而是它有没有进入完整流程。Deloitte：State of Generative AI in the Enterprise · Accenture：Making Reinvention Real with Gen AI

C 端：用户为一个更轻松的时刻付钱

C 端产品不需要接入十套企业系统，但它要面对更直接的选择：用户随时可以关掉 App。好的消费场景通常贴着一个明确时刻出现——准备旅行、比较商品、练口语、做一张海报、整理账单。它先帮用户完成一件事，再慢慢记住偏好。

Capgemini 对 12,000 名消费者的调查里，生成式 AI 已经进入商品发现和比较；QuestMobile 的国内数据也显示，AI 应用正在从独立聊天工具进入搜索、办公、影像、音乐等已有产品。机会不只在“再做一个聊天框”，而在把对话接到下一步动作。Capgemini：What Matters to Today’s Consumer 2025 · QuestMobile：2025 中国移动互联网春季报告

B 端：八段已经在发生的工作

下面每一节都从一个具体岗位开始。读的时候，别急着抄产品名，先看清楚：原来的工作为什么慢，AI 接住了哪一步，还有什么必须留给人。

1. 客服不是“回答问题”，而是把一件事处理完

谁在做： 一线客服、坐席主管和售后运营。

客户说“我的退款怎么还没到”，客服要先确认身份，再去订单、支付和物流系统查状态，解释规则，必要时创建工单。真正耗时的不是写一句礼貌回复，而是在多个系统之间找齐上下文。

Klarna 的 AI 助手已经能处理退款、退货和多语言客服；ResultsCX 的案例则把语音分流、账户查询和后台 API 连在一起。两者都说明，能产生价值的不是 FAQ，而是查到状态—按规则处理—留下记录—必要时转人工这一整段。Klarna 客服案例 · ResultsCX 客服案例 · Salesforce：State of Service 2025

如果你第一次做，可以只接“人工接待之后”的部分：自动生成会话小结、识别客户诉求、带出相关规则和建议动作，由客服确认后写入工单。这样既能测出节省了多少时间，也不会一开始就把退款权限交给模型。

2. 销售最缺的不是文案，是下一步该跟谁谈什么

谁在做： B2B 销售、客户经理、售前和销售主管。

一次客户会议结束后，销售往往要补 CRM、整理决策人、回顾异议、找案例、写跟进邮件，再决定什么时候联系。记录散在会议录音、聊天、邮箱和个人笔记里，主管看到的 CRM 经常已经过时。

McKinsey 对 B2B 销售的研究把应用拆到完整交易周期：寻找线索、准备会面、辅助沟通、生成方案、推进成交和续约。Morgan Stanley 的财富顾问工具也不是替顾问做投资决定，而是让他们快速检索内部知识，并把客户会议整理成笔记和待办。McKinsey：Unlocking Gen AI in B2B Sales · Morgan Stanley 案例

第一版可以只解决“会后十五分钟”：从录音中提取客户目标、异议、承诺和下一步，生成一封可修改的跟进邮件，同时把字段补进 CRM。衡量它有没有用，不看生成了多少字，看 CRM 是否更完整、跟进是否更及时。

3. 公司知识库真正要解决的是“这一次该按哪条办”

谁在做： 顾问、运营、人力、财务、IT 支持和新员工。

企业里的答案往往并不缺，只是散在制度、产品手册、历史邮件、培训视频和旧项目中。员工问“这类客户能不能退款”，需要的不只是搜到含有“退款”的文档，而是拿到当前版本的规则、适用条件和出处。

Sun Life 的内部助手每周处理一万多次员工查询；Morgan Stanley 把可检索的内部语料从有限问答扩展到约十万份文档；Notion 的产品也把企业搜索、会议记录和任务执行放进同一个工作空间。这类产品的核心不是“上传 PDF 就能问”，而是权限、版本、来源和反馈闭环。Sun Life Asks · Notion AI 功能说明

第一次不要接全公司。选一个问题密集、资料边界清楚的部门，例如售后政策或 IT 帮助台。回答必须带原文位置；找不到时明确说找不到，并把问题收进待补资料列表。

4. 财务、法务与合规：先读材料，再起草，不替人签字

谁在做： 财务分析、税务、法务、采购和合规人员。

这些岗位每天面对大量格式相近、内容各异的材料：合同、发票、报表、政策、审计底稿和尽调文件。AI 适合先做抽取、比对、归类、检索和初稿，但最终判断必须能回到原文，也必须有人负责。

Thomson Reuters 的 2025 年调查显示，法律、税务、风控等专业服务的生成式 AI 使用正在上升，常见工作包括法律与税务研究、文档摘要、合同起草和申报准备。Moderna 的 Contract Companion 让员工先得到合同摘要；OpenAI 与 PwC 则把财务智能体放在对账、风险提示和跨系统流程里讨论。Thomson Reuters：2025 Generative AI in Professional Services · Moderna 案例 · OpenAI × PwC：CFO 工作流

适合小团队验证的切口，是一种固定材料和一套明确规则：例如逐条核对供应商合同里的付款、续约、赔偿和数据条款，给出原文引用和风险说明。不要一上来承诺“AI 法务”，先证明漏检率、复核时间和引用准确率。

5. 软件开发：价值出现在仓库里，不在单独的聊天窗口里

谁在做： 开发、测试、运维和安全工程师。

开发者真正花时间的地方包括理解旧代码、补测试、查日志、做代码评审和熟悉陌生项目。GitHub 的受控实验中，使用 Copilot 的参与者完成指定编程任务更快；但在真实团队里，能不能读懂仓库上下文、遵守规范、跑过测试，远比“能生成代码”重要。GitHub Copilot 生产力研究 · GitHub 后续研究报告

一个扎实的内部工具，可以从“失败的 CI”开始：读取报错和相关改动，定位可能原因，提出修复建议并生成待审补丁。它必须运行测试、展示差异、接受评审，而不是直接把代码推到生产环境。

6. 制造与现场服务：让设备、手册和工单说同一种话

谁在做： 设备操作员、维修工程师、现场服务人员和工艺工程师。

机器停下来时，操作员看到的可能是一串错误码。答案散在数百页手册、备件清单和历史维修记录中，真正的损失却按停机分钟计算。另一方面，现场人员修好设备后，还要补一份客户能看懂、公司能归档的服务报告。

Siemens Industrial Copilot 已用于解释设备信息、查找维修依据和辅助自动化编程；Siemens 的另一项现场服务试验，则面向每年超过 140 万份工单报告，把工程师的简短记录整理成一致的客户报告。Deloitte 的制造业调查也提醒，数据质量和设备上下文仍是主要门槛。Siemens Industrial Copilot · Siemens 现场报告案例 · Deloitte：2025 Smart Manufacturing Survey

小切口往往不是“预测整个工厂”，而是围绕一种设备：识别错误码，检索对应手册和历史工单，给出排查顺序；维修完成后，再把操作记录整理成报告。所有建议都要显示依据，并允许工程师标记“无效”。

7. 医疗先做文书和协调，不要把诊断当成演示功能

谁在做： 医生、护士、病案人员、保险审核和患者服务团队。

医疗里最容易被忽略的负担，是看诊之外的记录、转诊、授权、理赔和患者沟通。McKinsey 总结的近端应用，大量集中在病历摘要、保险权益查询、拒赔原因整理、出院说明和后台运营，而不是让模型独立诊断。McKinsey：Tackling Healthcare’s Biggest Burdens with Generative AI

Abridge 等环境式记录产品，会从医患对话生成结构化病历草稿，再由医生确认。这个“草稿—复核—写回病历”的边界很重要：它减少文书时间，但没有改变临床责任人。Abridge 医疗系统案例 · McKinsey：Generative AI in Healthcare

如果没有医疗合规、数据和临床伙伴，不要从诊断产品起步。可以先研究低风险的患者服务，例如把复杂的就诊准备说明改写成分步骤清单，或帮助工作人员整理来电，但仍要经过机构审核。

8. 零售和内容运营：一份素材要走完十几个渠道

谁在做： 电商运营、品牌市场、设计、商品和本地化团队。

新品上线不是“写一段文案”这么简单。团队要理解商品资料，生成不同平台的标题和卖点，处理图片，适配尺寸，翻译本地语言，检查禁用词，再根据反馈更新。大量时间花在搬运、改版和核对一致性上。

Deloitte 的零售展望把个性化、商品运营、供应链和营销列为 AI 正在进入的环节。Canva 的 Magic Switch 可以把同一内容改成不同尺寸和语言，Adobe Firefly 则把生成、编辑和生产素材放在同一工作流里。这些案例的共同点是：AI 没有替代品牌判断，而是减少一份素材变成多个版本时的机械劳动。Deloitte：2025 Retail Industry Outlook · Canva Magic Studio · Adobe Firefly

第一版可以服务一个渠道和一种商品：从结构化商品资料生成详情页草稿，自动检查必填项、尺寸和违禁表达，最终由运营发布。比“万能营销助手”更容易获得真实反馈。

C 端：七个用户会主动打开产品的时刻

C 端应用最容易犯的错，是把同一个聊天框换七种提示词。下面这些产品之所以成立，是因为对话后面接着商品、课程、行程、画布、音乐或财务数据，用户可以继续完成事情。

1. “帮我把选择变少”：搜索、比较与购买

用户买相机、婴儿车或一双适合雨天通勤的鞋时，不缺商品页，缺的是把模糊条件变成可比较的选择。Amazon 的 Rufus 会结合商品目录、评价和问答回答购买问题；Capgemini 和 Adobe 的消费者研究也都看到，用户开始用 AI 做商品发现、比较和售前咨询。Amazon Rufus · Adobe：2025 AI and Digital Trends

可以研究的不是“AI 导购”四个字，而是某一类难选商品。比如租房族买投影仪，需要同时考虑投射距离、白天亮度、噪声和预算。产品应展示比较依据、缺失信息和真实商品，而不是编一个看似专业的结论。

2. “我不想开二十个网页”：旅行计划与临场调整

旅行规划要来回处理目的地、日期、交通、营业时间、预算和同行人偏好。Expedia 把开放式对话接到酒店收藏、价格和预订流程里，说明旅行 AI 的价值不是写一篇漂亮路书，而是把建议变成可保存、可核对、可购买的行程。Expedia 对话式旅行规划 · Expedia AI 服务案例

更小的切口可以是“带孩子去某座城市的半日行程”或“演出散场后的夜间路线”。实时信息要来自可靠接口；天气、票价和营业时间必须标注更新时间。

3. “我想练一遍，不只听一遍”：学习与反馈

生成式 AI 最适合补上过去很贵的一环：随时练习并得到针对这一次表现的反馈。Duolingo Max 用角色扮演和视频对话练语言；Khanmigo 更强调通过提问和提示引导学生，而不是直接交答案。Duolingo Max · Khan Academy：Khanmigo

一个具体产品可以只服务一个练习动作：面试回答、英语口语、销售异议处理或答辩演练。用户说完以后，反馈要对应原句，并给出下一轮可执行的改进，而不是泛泛地夸“表达很清晰”。

4. “先给我一个能改的初稿”：个人创作

普通用户做生日邀请、二手商品图、短视频封面或社团海报时，最大的门槛常常是空白画布和复杂软件。Canva 把生成、抠图、扩图、改尺寸和翻译放进设计画布；Adobe Firefly 则让创作者在图像、视频、音频和矢量素材之间继续编辑。Canva Magic Studio · Adobe Firefly 发布

这类产品要给用户控制，而不是只给“再生成一次”。好切口往往包含一个明确成品：一套房源图、一个播客封面、三种尺寸的活动海报。用户可以锁定文字、人物和品牌色，只让 AI 改局部。

5. “这次错在哪”：个人化解释

同一个答案，对新手和熟练者需要不同解释。Duolingo 的 Explain My Answer 从用户刚刚做错的题出发；这比另开一个通用问答更自然，因为系统已经知道题目、答案和学习进度。Duolingo：Explain My Answer

类似思路也适用于健身动作、摄影参数、棋局复盘和乐器练习：先拿到一次真实表现，再指出一个最值得改的地方。没有输入数据的“个性化建议”，通常只是换了称呼的通用内容。

6. “别只推荐，替我记住”：音乐和日常陪伴式体验

Spotify 的 AI DJ 不只是生成一句介绍，它基于用户长期的收听历史选歌，并用一个持续存在的声音串起体验。这里真正难复制的是偏好数据、内容版权和播放动作，不是 DJ 的语气。Spotify AI DJ · Deloitte：2025 Digital Media Trends

你也可以从别的“连续体验”里找机会，例如跑步、做饭或睡前阅读。关键是产品能根据过去的选择调整下一次内容，同时允许用户轻松纠正，而不是假装比用户更懂自己。

7. “把复杂规定变成我的下一步”：个人财务与生活事务

报税、信用、保险和账单的共同难点，是规则复杂、材料分散，而且每个人的下一步不同。Intuit Assist 把生成式 AI 放进 TurboTax、Credit Karma 和 QuickBooks，目标不是陪聊，而是结合用户已有的财务数据给出解释和行动建议。Intuit Assist

这类产品风险也更高。第一版更适合做材料清单、概念解释、账单分类和办理提醒，并清楚区分事实、估算和建议。涉及报税提交、投资交易或保险选择时，应让用户确认并提供专业支持入口。

去哪里找自己的 B 端和 C 端方向

上面的案例用来认识“场景长什么样”，不是让你照着换一个行业。真正属于你的方向，通常藏在你能接触到的人、资料和日常习惯里。B 端与 C 端的找法不一样。

找 B 端：沿着一个岗位，把工作追到底

B 端资料不会直接写“这里有一个创业机会”。它更常以招聘要求、采购文件、操作手册、软件评价和项目案例出现。先选一个具体岗位，例如外贸跟单、物业客服、诊所前台或设备维修员，再顺着他的工作找材料。

假设你对外贸感兴趣，不要只搜“AI + 外贸”。先看跟单员招聘信息，记下“询盘回复、报价、核对规格、催交期、准备报关材料”；再找一份真实报价单和几条跨境软件差评。你可能会发现，最值得做的不是万能外贸助手，而是“收到英文询盘后，从历史报价和产品参数里整理一份待确认报价”。

找 C 端：沿着一天，找反复出现的麻烦

C 端不从岗位出发，而从一个人什么时候会掏出手机开始。回想一天里的搜索、比较、记录、练习、等待和分享：哪些事情每周都会发生？用户现在用截图、备忘录、收藏夹或群聊勉强完成什么？

假设你经常旅行，先别做“AI 路书”。去看用户为什么收藏十几篇攻略：有人是怕餐厅临时休息，有人要照顾老人少走路，有人需要在演出散场后安全回酒店。选中一个反复出现的时刻，产品才可能从“生成一篇文字”变成真正有人打开的工具。

资料找到以后，别急着写代码

一个方向至少要留下三类证据：一份能看懂流程的材料、三个人重复提到的麻烦、一个已经有人付费或花时间绕过去的替代办法。然后用 60 分钟把它写具体。

最后，把方向写成一句别人听完就能想象的描述：

当谁遇到 什么时刻，他现在要用 哪些材料或办法 完成 哪件事。我先让 AI 接住 其中一步，结果由 谁确认，再用 什么变化 判断它有没有价值。

一个 B 端方向可以这样写：

当包装线操作员看到 E37 错误码时，他现在要翻纸质手册和旧工单。系统先根据设备型号找出相关章节和三个排查步骤，由维修工程师确认；试点看平均停机时间是否下降。

一个 C 端方向可以这样写：

当家长周末带孩子逛博物馆时，他现在要在公众号、地图和点评之间拼行程。产品先按孩子年龄和可用时间整理三小时路线，开放时间与票价保留来源，家长确认后加入日历。

能写到这个程度，你才拥有一个可以继续访谈、做原型和小范围试用的 idea。

参考资料

下面共列出 67 个信息源。正文优先采用调查方法清楚的咨询报告、行业研究和产品一手案例；券商报告主要用来观察国内市场关注的商业化方向，不把投资判断当作用户需求。部分厂商案例带有营销立场，使用时应与访谈、真实业务数据交叉验证。

华鑫证券：WAIC 大会强供给，AI 应用商业化如何解
[国信证券：人工智能专题——AI Agent](https://pdf.dfcfw.com/pdf/H3_AP202503121644302597_1.pdf)
东吴证券：2025 年 AI 应用渗透趋势
中银证券：“人工智能+”应用与平台
AIGC 行业深度：算力、模型与应用的创新融合

Chapter 09

从真实工作流里找 AI 场景

title: '从真实工作流里找 AI 场景' description: '基于 60 余份咨询、券商、行业研究与产品案例，拆解已经发生在企业和消费者身边的 AI 应用场景。'

从真实工作流里找 AI 场景

先分清：B 端和 C 端不是两套标题

B 端：企业为结果付钱

C 端：用户为一个更轻松的时刻付钱

B 端：八段已经在发生的工作

下面每一节都从一个具体岗位开始。读的时候，别急着抄产品名，先看清楚：原来的工作为什么慢，AI 接住了哪一步，还有什么必须留给人。

1. 客服不是“回答问题”，而是把一件事处理完

谁在做： 一线客服、坐席主管和售后运营。

2. 销售最缺的不是文案，是下一步该跟谁谈什么

谁在做： B2B 销售、客户经理、售前和销售主管。

3. 公司知识库真正要解决的是“这一次该按哪条办”

谁在做： 顾问、运营、人力、财务、IT 支持和新员工。

4. 财务、法务与合规：先读材料，再起草，不替人签字

谁在做： 财务分析、税务、法务、采购和合规人员。

5. 软件开发：价值出现在仓库里，不在单独的聊天窗口里

谁在做： 开发、测试、运维和安全工程师。

6. 制造与现场服务：让设备、手册和工单说同一种话

谁在做： 设备操作员、维修工程师、现场服务人员和工艺工程师。

7. 医疗先做文书和协调，不要把诊断当成演示功能

谁在做： 医生、护士、病案人员、保险审核和患者服务团队。

8. 零售和内容运营：一份素材要走完十几个渠道

谁在做： 电商运营、品牌市场、设计、商品和本地化团队。

C 端：七个用户会主动打开产品的时刻

1. “帮我把选择变少”：搜索、比较与购买

2. “我不想开二十个网页”：旅行计划与临场调整

3. “我想练一遍，不只听一遍”：学习与反馈

4. “先给我一个能改的初稿”：个人创作

5. “这次错在哪”：个人化解释

6. “别只推荐，替我记住”：音乐和日常陪伴式体验

7. “把复杂规定变成我的下一步”：个人财务与生活事务

去哪里找自己的 B 端和 C 端方向

找 B 端：沿着一个岗位，把工作追到底

找 C 端：沿着一天，找反复出现的麻烦

资料找到以后，别急着写代码

最后，把方向写成一句别人听完就能想象的描述：

当谁遇到 什么时刻，他现在要用 哪些材料或办法 完成 哪件事。我先让 AI 接住 其中一步，结果由 谁确认，再用 什么变化 判断它有没有价值。

一个 B 端方向可以这样写：

当包装线操作员看到 E37 错误码时，他现在要翻纸质手册和旧工单。系统先根据设备型号找出相关章节和三个排查步骤，由维修工程师确认；试点看平均停机时间是否下降。

一个 C 端方向可以这样写：

当家长周末带孩子逛博物馆时，他现在要在公众号、地图和点评之间拼行程。产品先按孩子年龄和可用时间整理三小时路线，开放时间与票价保留来源，家长确认后加入日历。

能写到这个程度，你才拥有一个可以继续访谈、做原型和小范围试用的 idea。

参考资料

华鑫证券：WAIC 大会强供给，AI 应用商业化如何解
[国信证券：人工智能专题——AI Agent](https://pdf.dfcfw.com/pdf/H3_AP202503121644302597_1.pdf)
东吴证券：2025 年 AI 应用渗透趋势
中银证券：“人工智能+”应用与平台
AIGC 行业深度：算力、模型与应用的创新融合