先从一个小场景跑通，看到效果再扩大，不搞一次性大投入。
承接常见咨询、按知识库回答、识别意图后转人工。7×24 有人应答，人工只处理真正需要人的问题。
把制度、手册、合同、历史工单变成可提问的库。员工问一句就有答案，不用翻文件夹找文档。
表单填报、报表汇总、单据录入、信息抽取。把每天重复的机械动作交给 AI，人做判断类的工作。
IoT 数据接入后的异常识别与运行报告。设备数据已经在跑，让 AI 帮你看出哪台该保养了。
大多数 AI 项目失败，不是因为模型不行，而是场景选错、数据和系统接不上、做完没人维护。我们从这三件事上先做对。
每一步都有明确产出，你能看到进度，也知道钱花在哪。
业务场景、角色权限、流程节点、功能边界
技术方案、原型设计、排期与预算区间
功能研发、第三方系统对接、真实数据试跑
部署上线、源码与文档交付、员工使用培训
我们做过的事情，正好是 AI 落地最需要的那三样：数据、流程、入口。
已有 100+ 物联网设备接入到我们开发的程序中，设备数据采集、远程管理是做过的事，不是纸面能力。
富达 OA 项目里，办公、车牌、报修、铺位地图四套系统统一到一个入口——AI 要读的数据，先得能打通。
巡检留痕、报修工单、商城订单——这些每天都在产生结构化数据的流程，是 AI 最合适的第一个落点。
AI 能力不是单独卖的模块，通常和系统、小程序一起交付，才能真的被人用起来。
没列到的疑问，直接电话 15666827913 问曹经理。
从一个具体、重复、有数据可查的场景开始，比如客服常见问题、单据信息录入、报表汇总。先做一个小范围试点，能验收再谈扩大。上来就做"全公司 AI 中台"的项目，通常做不下去。
绝大多数企业场景不需要自己训练模型。用 Coze、WorkBuddy 这类平台加大模型 API，配合企业自己的知识库，就能覆盖大部分需求，成本和周期都低得多。只有在数据极其特殊、合规要求极高时才考虑私有化部署。
可以按客户要求选择部署方式：公有平台接入时只传必要字段、做脱敏；对数据敏感的客户，我们做私有化部署或调用企业已签约的大模型服务。知识库按角色做权限隔离，谁能问什么可配置。
上线前先约定验收指标，比如：常见问题自助解决率、单据录入人工修改率、单次处理耗时。跑一段时间拿数据对比，而不是凭感觉说"挺好用"。
取决于场景复杂度、知识库整理量、是否需要和现有系统对接。一个客服或问答类的试点项目，范围可以控制得很小；涉及多系统对接与私有化部署的投入会明显上升。评估阶段会给区间。
能。交付包含使用培训与后台操作说明，日常维护（更新知识库、调整话术）由业务人员就能完成；涉及接口与部署的部分由我们负责，也可以签运维支持。
