过去两个月,我负责了一个公司内部创新业务部门的 AI 落地项目。它表面上是一个“市场扫描助手”:自动采集区域市场数据、生成市场扫描报告、支持业务人员查询报告和关键数据。但如果只把它理解成一个报告生成工具,就低估了这个项目的价值。
它真正解决的是一个售前场景里的核心问题:当前线销售面对大量区域线索时,如何更快判断哪里更值得跟进、以什么切入点跟进、用什么材料支撑客户沟通,以及市场中台如何把分散经验沉淀成可复用的数据资产和决策能力。
项目阶段性交付后,数据库已经覆盖全国 2867 个区县,并形成同量级的市场扫描报告库;前期基于模型与人工判断筛选出的 104 个优先区县,已经支撑业务方做销售团队宣贯和市场协同推进。工具端同时提供飞书机器人和应用入口,一线人员可以直接检索区域报告,也可以查询单个数据字段。业务部门对销售进行了培训,反馈非常积极,认为它切实提高了售前工作效率。后续这个项目也准备被作为公司内部 AI 赋能业务的标杆案例进行宣传。
这篇文章不是项目宣传稿,而是我对这次 AI 落地过程的总结和复盘。它回答几个问题:为什么选择这个组织和场景?我们是如何从 0 到 1 做出来的?过程中遇到了哪些困难?项目真正创造了什么价值?以及下一次做类似项目时,可以沉淀出怎样的方法论。
01
项目背景:从组织 AI 化开始,
而不是从做一个 AI 工具开始
公司这两年一直在推进组织 AI 化转型。所谓组织 AI 化,不是鼓励大家多用几个大模型工具,也不是把所有工作都交给智能体,而是希望找到真实业务流程中的高价值节点,用 AI 重塑流程、提升效率,并形成可复制、可管理、可衡量的组织能力。
所以这个项目一开始并不是“我们想做一个市场扫描智能体”。更准确地说,它经历了两个选择过程:先选组织,再选场景。
选组织时,我们关注的是业务部门是否真的具备 AI 落地土壤。一个适合共创的组织,至少要满足几个条件:业务目标明确,存在真实痛点,负责人愿意投入时间和资源,业务方不是把 AI 当成外包工具,而是愿意一起重新定义工作方式。
这次合作的创新业务部门正好处在快速拓展市场的阶段,售前团队需要面对大量区县线索,判断区域价值、设计沟通策略、形成客户材料。业务方本身也非常开放,不是被动提需求,而是主动希望把 AI 真正用起来。更重要的是,各方目标高度一致:业务希望提升拓客效率,流程团队希望重构人机协同流程,AI 团队希望找到一个能跑通组织级落地的样板间。
选场景时,我们没有直接从技术可行性出发,而是先看业务价值。售前市场扫描这个场景有三个特点:第一,价值链路足够清晰,能直接服务线索筛选、客户拜访和市场策略制定;第二,任务足够高频且重复,传统人工模式很难支撑全国范围批量覆盖;第三,数据和报告标准可以被结构化,具备 AI 介入和流程自动化的基础。
从这个意义上说,这不是一个生成报告的项目,而是一次售前市场作战方式的改造。
02
原有痛点:人工经验能跑通单点,
但支撑不了规模化市场拓展
在传统模式下,区域市场扫描主要依赖市场中台人员人工借助豆包检索、整理、判断和撰写。这个方式在单个项目上可以跑通,但当业务进入全国化拓展阶段,问题就会集中暴露出来。
首先是产能问题。一个区县报告并不只是简单查资料,它需要整合区域经济、学生规模、教育资源、竞品情况、政府公开信息、合作切入点等多类信息。人工可以做深,但很难做广。一旦需要同时评估几十个、几百个甚至上千个区域,人工模式就会变成瓶颈。
其次是标准问题。不同人、不同阶段做市场扫描,关注字段、判断逻辑、报告结构很容易不一致。售前判断一旦过度依赖个人经验,就很难形成统一口径,也难以沉淀为市场中台能力。
第三是质量问题。通用 AI 工具可以辅助写报告,但在这个场景里,单纯让大模型“搜一搜、写一写”并不可靠。它会遇到信息幻觉、数据错配、来源不可追溯、链接失效、字段缺失等问题。尤其当多个维度的数据需要综合评分时,前端一点小偏差,可能会影响后续区域优先级判断。
最后是复用问题。过去每做一次报告,很多信息就停留在一次性材料里。报告写完了,但数据没有系统沉淀;经验形成了,但没有变成规则;判断做出来了,但难以支持后续持续更新和二次分析。
因此,我们真正要解决的不是“能不能自动写一份报告”,而是“能不能形成一套稳定、标准、可复用的售前市场情报生产机制”。
03
落地过程:先试外部方案,再回到自研路径
项目早期,我们并没有一上来就决定自研。相反,我们先看了市面上已有的解决方案,也针对火山、阿里等不同产品能力做过尝试和比较。
外部产品的优势很明显:平台成熟、能力完整、上手快,适合通用知识问答、文档生成、数据分析等场景。但当我们把需求放到这个具体业务流程里,就发现很多能力无法完全匹配。
这个场景对 AI 的要求不是写得像不像,而是数据准不准、字段全不全、来源能不能追溯、规则能不能固定、批量能不能稳定、结果能不能被业务人员直接使用。而外部通用方案往往更偏平台能力,难以深度嵌入我们自定义的数据采集规则、校验逻辑、报告模板、批量生成机制和飞书工作流。
更现实的问题是,业务方最终需要的是一个低门槛工具,而不是一个复杂的 AI 运维环境。前期我们尝试让业务方自行使用技能和开发工具生成报告,但在 Windows 电脑、环境配置、命令操作、批量运行等方面都存在门槛。对一线业务人员来说,如果一个 AI 工具需要先学会复杂运维,它就很难真正进入日常工作。
因此,我们逐步调整方向:底层能力由技术侧搭建和运维,业务侧沉淀规则、参与校验、反馈迭代;最终交付给前线的是简单入口,而不是复杂工具。也就是把复杂性留在后台,把确定性和易用性交给业务。
最终,我们选择了自研路径:用脚本和 Skill 定义 AI 的运行逻辑,用标准规则约束数据采集、校验和报告生成,用飞书知识库沉淀数据池和报告库,再通过飞书机器人和应用入口提供查询服务。
04
关键做法:不是让 AI 自由发挥,
而是把业务规则工程化
这次项目能阶段性跑通,最重要的一点是我们没有把希望寄托在“大模型自己变聪明”上,而是把业务规则拆出来、写清楚、固化到流程里。
第一步是明确字段和采集规则。我们和…