AI 智能体在中小企业的落地路径
四个真实案例 · 九个判断点
郭明达 · 2026.06.21
讲者介绍
- 本科学的是建筑设计，毕业后跨行进入数字化与智能化转型领域
- 以一人公司形式，为父母创办的全过程工程咨询企业做 AI 落地改造
- 近半年做了四个实战项目
本次分享的所有案例都来自我的探索实践，分享给大家一同交流！
分享前的需求调研
11 位参与者 · 分享前问卷调研
本场分享将逐一回应这些核心顾虑
受众最期待的分享内容
你最想听的内容（可多选，总 34 票）
本场分享将聚焦实践案例和落地方法论
开场互动 · 8 维 AI 适用性评估
评估对象：贵公司最值得用 AI 改造的一个工作环节 | 每项 0-5 分，总分 40 分
28 分以上 具备优先落地的可行性
大模型已经足够强了。
—— 数命科技罗弼文，2025年营收2亿、2026截至5月累计3.9亿
大模型 5 年跃升
📈 上下文窗口增长
增长 5000 倍
AI一次对话能处理的文字量
🎯 能力基准跨越
AI 参加人类的考试（MMLU/HumanEval/GPQA）
2021
2026
AI 在考试上从不及格到优秀
相当于从考40分到考90分
5 年 · 上下文 5000 倍 · 能力跨越 90% 关口
因为缺了 Harness
中文叫：驾驭系统
没有人会把一块焊着 CPU 的主板直接给用户用。
Harness Engineering 三层结构
🔧 Harness Engineering / 驾驭工程
盯着他、跑偏拉回来
📋 Context Engineering / 上下文工程
把资料给齐
💬 Prompt Engineering / 提示词工程
把话说清楚
- 你把任务说清楚了没？
-
你把资料给齐了没？
合同呢？历史记录呢？公司规定呢？ -
你盯着他了没？
他做对了吗？跑偏了能拉回来吗？出错了能恢复吗？
真正决定 AI 能不能落地的，从来不是模型——
是外面这套 Harness。
实战演示（上半场）
现场需求采集
请一位听众用一句话描述其所在公司的一项重复性工作，作为本次演示的需求输入。
🎤 哪位愿意配合？
实战演示（上半场）
需求提交与任务启动
将上一环节采集的需求拆解为若干执行步骤，提交至 AI 工具后台执行。
演示在讲完 4 个案例后回看结果。
案例 1 · 政府招标线索抓取 · 阶段一：试运行失败
❌ 失败结果
- 今日抓取：5 条
- 明日抓取：0 条
- 后日：抓偏了
复盘分析
- 第一层：当时产品底层 Harness 成熟度还不够
- 第二层：当时大模型与今天不可同日而语
算力 × Harness 双重进步 → 今天能做好的事，三个月前就是做不好
案例 1 · 政府招标线索抓取 · 阶段二：转换思路
✅ 转换方案
- 换工具：Claude Code
- 换思路：让 AI 写代码，不是让 AI 去猜数据
- 你的输入：需求 + 网站结构 + 输出格式
- 你的输出：一行代码没写
💡 关键洞察
- 政府网站架构高度同质化，适配一个适配一批
- 从"依赖 AI 思考火花" → "稳定运行的标准化工作流"
稳定运行，持续抓取
案例 1 · 核心结论：规则与 AI 的取舍
📝 规则明确的事
→ 写代码 / 算法
- 重复度高
- 判断弱化
- 规则明确
🤖 需要灵活判断的事
→ 用 AI
满足 → 写代码，稳定性 + 成本都最优
不满足 → 才用 AI
能用可量化的标准来管控的流程
就不要交给大模型自主决策
—— 我从三月踩到五月悟到的
案例 2 · 投标文件撰写 · 标书拆开看
流程明确，每步边界清晰 → AI 落地最理想的场景
业务人员原话：「往常一份上百页标书，两到三天」
为什么不直接用免费 AI 写？
❌ 一次性给 AI 写数万字
- 上下文焦虑
- 写到一半丢细节
- 急着收尾
✅ 拆成章节节点
- 每次空状态执行一个子任务
- 稳定高质量输出
- 多智能体协作范式
任务原子化 = 成功关键
为什么选择用外部产品？
| 维度 | 自研标书系统 | 用外部产品 |
|---|---|---|
| 开发成本 | 中等 | 无 |
| 算力成本 | 文字成本低 | 文字成本低 |
| 研发费用摊销 | 中等 | 低（AI 开发的产品） |
人 vs AI 的本质差别
👤 人
注意力会衰减，无法 8 小时高度集中
一份百页标书要 2-3 天
半数内容是范式化重复
🤖 AI
在限定上下文内可高度工业化产出
质量稳定 · 口径统一 · 不知疲倦
范式化工作交给 AI，人的精力留给真正需要判断的事
案例 3 · 项目人员调配看板
📋 问题背景
- 跨多个业务板块协作
- 谁知道谁在哪个项目？只有部门负责人
- 领导开会当晚，我搭了一个看板
💡 关键判断
这个看板本质不是智能化，是数字化
引用：数字化基础课——「如果数字化只是换个地方重复劳动，带来的是额外成本」
企业独特的个性化需求
通过定向研发来满足
- 监理行业合规约束：总监不能跨市、同市项目 ≤ 3 个
- 通用软件 ❌ → 自研 ✅
案例 4 · 收款追踪提醒
不及时请款，甲方就觉得拖几天也没问题。
收款延迟每增加 7 天，后续回款难度上升 30%
📝 行业痛点：建筑大单，先服务后收款，多收款节点
合同虽然有约定，但甲方形成"拖几天也没事"心理
这件事不是技术问题，是工程化设计问题
案例 4 · 收款追踪提醒 · MVP 全流程 💰 收款追踪系统
| 步骤 | 谁/什么做 | 输入 | 输出 |
|---|---|---|---|
| 1. 合同上传 | 人 | 合同 PDF | 进入系统 |
| 2. AI 识别收款节点 | AI | 合同全文 | 节点清单 + 时间表 |
| 3. 到期自动提醒 | 系统 | 时间表 | 企业微信消息 |
| 4. 提醒开票 | 系统 | 业务完成信号 | 提醒财务 |
| 5. AI 生成请款报告 | AI | 发票 + 节点状态 | 报告草稿 |
| 6. 人核实 | 人 | 报告草稿 | 确认/修改 |
| 7. 一键发送 | 人确认后系统 | 确认报告 | 发送到甲方群 |
为什么选择自研？数据治理战略
❌ 数据割裂的代价
A SaaS 做人员 + B SaaS 做项目 + C SaaS 做财务
AI 访问三套数据，需要 3 个 API、3 套权限、3 种格式
✅ 自研统一平台
数据在一个系统里，AI 一次访问全部
今天回去就做两件事
① 梳理流程
找到高净值、高重复度、标准明确的环节
② 检查 SaaS 能不能导出数据
决定你未来能不能安全拿回数据
数据是未来 AI 参与企业决策的核心依据。
从今天开始积累。
案例 5 · GEO 品牌可见度监测
Claude/Gemini/Qwen
公司名是否出现+排名
折线图
最简单的自研，也能解决最真实的商业问题
给你一个可量化的方式衡量智能营销投入的回报
实践案例路径矩阵
自研 + AI
案例 4 收款追踪
案例 5 品牌监测
有一定门槛
用外部 + AI
案例 2 标书撰写
最普适 ✓
自研 + 代码
案例 3 人员调配
案例 1 招标爬取
稳定但缺乏智能
用外部 + 代码
传统SaaS软件服务商
横轴：用 AI 还是用代码 ｜ 纵轴：自研还是用外部
智能体落地的阶段与判定标准
如果你今天回去要做一个 AI 项目
按这 9 个点问自己
判断点 1 · 价值锚点
同一个项目，只锚一个价值
降本
替代重复性工作
提效
加速某个流程
控风险
避免某种损失
同时追求三个 = 范围不清 = 失败概率高
判断点 2 · 场景筛选
频次够高吗？
一月一次不算高，一天一次才算
原有成本清晰吗？
工时、外包费、周期要算得清
结果会被真实使用吗？
内部演示不算，真实业务流才算
能短周期重复跑 3 轮吗？
跑不出稳定性 = 没跑通
高频小场景会不断重复，每一次重复都在帮你校准方向
判断点 3 · 规则 vs AI
能写成规则的就不要交给 AI 猜
规则明确的事
→ 写代码
需要灵活判断的事
→ AI
四个特征：可量化 / 重复度高 / 判断弱化 / 规则明确 → 写代码
判断点 4 · 流程是地基
文档化
这件事写下来了吗？
标准化
不同人来做，结果一样吗？
可执行
能在真实业务里跑完吗？
可监控
能看到每个节点的效率吗？
可治理
有问题能持续优化吗？
多数中小企业第一步都没完成 —— 流程全在人脑子里
判断点 5 · 工具优先级
独立场景 + 大众化需求？
→ 优先用外部低价 AI 服务
核心流程 + 个性化需求？
→ 自研
你的数据能导出？
→ 可用 SaaS
核心业务数据不允许泄漏？
→ 必须自研
软件可以买，服务可以买，但能力不能买
判断点 6 · 平台化意识
AI 能力
算法 + Skill + 工具
载体（平台）
能接触数据、编辑数据、反馈变化
数据
业务数据、运营数据、操作数据
未来自研产品，不知人类能用，要做到 AI 也能用
判断点 7 · 人机分工
🤖
哪些环节 AI 执行？
👁️
哪些环节AI审核？
✓
哪些环节人类审批？
不要追求绝对准确率，关键节点人为把关
判断点 8 · 组织进化
AI 能力要长在组织内部，不能长期外包
FDE
Forward Deployment Engineer · 前沿部署工程师
连接业务部门与 AI 能力的角色
AI 中台
统一管理模型、知识库、Skill、Agent、权限、评测
找公司里最年轻的那个愿意折腾的人，这就是你的种子
判断点 9 · 数据资产
能导出的数据是资产，锁在 SaaS 里的数据是负债
资产
可读、可改、可迁移、可持续优化
负债
能看能动、但导出困难、迁移成本高、停服即消失
从今天开始积累业务数据、运营数据、操作数据
实战演示(下半场) · 结果展示
我们回到刚才丢给 AI 的那个任务 —— 看它跑得怎么样
适不适合 AI 化？
AI 判断适合，建议了具体的落地路径
第一步做什么？
建议先从数据梳理入手
需要什么数据？
列出了关键数据字段清单
多久能跑通？
建议两到四周的 MVP 周期
"不会"不是不开始的理由
—— "不会构建这个项目"这件事本身，都可以问 AI
你不会没关系 —— 你不会的这件事，AI 会
互动回应 · 三个高频问题
保险团队管理
人员调配看板的思路完全适用。本质都是人员分配和时效提醒的问题
文案/PPT 提效
标书就是"大型文案"的典型。AI 已经能够直接生成完整演示文稿
如何入门
今天回去就打开任何 AI 工具，把你打了分的那件事打进去
两小时
把一个审批流程的规则写清楚
你就已经开始了
AI 落地最怕的不是技术不够 —— 是永远没有一个开始
真正决定能不能落地的，从来不是模型强不强
而在于踏出作为管理者的第一步
谢谢大家 · 郭明达 · 2026.06.21