公开案例 · 央国企/电商
某省属国企一级子公司(服装/美妆/3C 等十余条电商业务线)
多业务线 AI 工作流与组织能力建设
项目做法
先按传统思路以技术人员为主搭技术底座:知识库、模型能力、Agent 接入信息化系统,技术能做出来,但员工没有用起来,业务没有变化,于是调整打法。 1. 先判断场景值不值得做:同时看价值和可行性——技术上做不好的不硬做,技术能做但价值低的也不做,这套判断避免了很多"做出来没人用"的玩具。 2. 知识萃取:引入"知识萃取师",让业务人员把工作过程讲出来——怎么做、为什么这么做、哪些情况例外、什么情况下必须人工判断。传统咨询拿行业模板套客户,这里要的是客户自己脑子里的经验。 3. 隐性知识流程化:做知识加工和知识库管理,把散落文档和经验里的内容沉淀下来,岗位依赖经验的工作拆成明确流程。通用 LLM(大语言模型)本质是概率生成,对 A 公司流程理解正确不意味着对 B 公司也正确,所以坚持"先梳理流程,再做 Agent"。 4. 全员培训:发现业务骨干连提示词是什么都不知道,于是做部门级 AI 通识培训;项目从此一身二任——IT 部门牵头的技术项目加人事部门牵头的组织转型项目,第二年改由人事牵头从培训重新推进。 5. 让 AI 当助手:不强调"AI 替代人",进入工作流的 Agent 大部分最终需要人确认、签字、承担责任;法务场景 AI 根据历史合同识别关键条款、发现风险,先帮法务做一轮筛查,交法务最终确认。
项目进展
可量化结果:法务场景客户原本至少要再招一个法务,因 AI 法务助手省下这个编制,按一人年综合成本折算;目前两个法务工作状态正常(来源方披露口径)。 行政小工具本身价值不大,组织价值更大:企业内部长出新的 AI 使用者和新 FDE,员工开始主动想用 AI 解决问题。 踩坑: 1. 最大的坑不在技术——第一年 IT 牵头做出底座后遇瓶颈 2. 数据没想象中完整——大量新业务、内控环节数据不存在,或存在也未按 AI 需要的方式归纳,团队后来自建 AI 成熟度模型,从流程能否萃取、数字化程度、AI 可实现程度评估场景 3. 激励机制要跟上——人事部门要参与回答"员工为什么愿意参与、AI 做完重复工作后他接下来做什么" 周期:服务两年以上,按年推进。
