从行业研究、业务流程拆解到场景评估，一套可复用的企业AI机会发现方法论
作者｜FDE前线
当AI Agent、RAG、工作流自动化等技术逐渐成熟，企业AI落地的一个重要问题正在发生变化：技术人员已经能够较快地搭建应用原型，但如何找到真正值得开发、能够创造业务价值的AI场景，仍然是一项具有挑战性的工作。
对于FDE（Forward Deployed Engineer，前沿部署工程师）而言，这种挑战尤其明显。
假设你是一名具有软件开发经验的工程师，第一次进入一家制造企业。客户希望利用AI改善生产管理、供应链和内部运营，但你对制造工艺、采购流程、生产计划和质量管理并不熟悉。此时，你应该从哪里开始？
直接研究企业使用了哪些软件？让大模型生成一份“制造业十大AI应用场景”？还是先找企业负责人询问他们希望开发什么智能体？
这些方式都可以提供线索，却不足以支持可靠的项目判断。
FDE需要建立的核心能力，是在有限时间内理解一个行业的业务逻辑，识别具有真实价值的流程问题，并将其转化为可评估、可验证、可交付的AI应用场景。
本文尝试回答一个具体问题：当FDE进入完全陌生的行业时，如何建立一套系统的方法，从行业分析中发现大量候选机会，再逐步筛选出10个值得进一步验证的AI场景？
需要说明的是，识别10个候选场景，并不意味着企业一定需要部署10个AI系统。实际项目通常应进一步确定其中一到两个优先场景，开展PoC（概念验证），再根据结果决定是否投入生产。
一、首先建立行业理解：FDE需要了解什么？
面对陌生行业，FDE不需要在短时间内成为完整意义上的行业专家，但必须建立足够准确的业务认知，能够与企业人员有效沟通，理解关键流程和常见问题。
建议首先建立一张行业认知地图，重点研究五个方面。
1. 产业链：企业处于什么位置？
理解一个行业，首先要了解它如何创造和传递价值。
以服装行业为例，从面料供应、产品设计、打样、生产制造，到渠道分销、零售和售后，每一个环节都有不同的经营模式和信息处理需求。
同样是服装企业，面料生产厂、成衣加工厂、品牌公司与跨境电商卖家的业务重点可能完全不同。
如果忽略企业在产业链中的位置，直接套用通用AI方案，很容易出现需求不匹配的问题。
2. 商业模式：企业依靠什么赚钱？
这是行业研究中最重要的问题之一。
企业的收入来自产品销售、项目服务、订阅收费还是长期合同？主要成本集中在哪些环节？利润受到哪些业务指标影响？
例如，外贸企业通常关注询盘质量、报价效率、订单转化与客户复购；软件服务公司可能更加关注线索获取、项目交付成本、客户续费以及人员利用率。
理解商业模式之后，FDE才有可能判断某个AI场景是否具有经济价值。
3. 组织岗位：谁在完成这些工作？
行业研究需要进一步深入企业内部，了解销售、运营、采购、财务、客服、生产等岗位的职责，以及它们之间的协作关系。
重点不只是知道有哪些部门，还要理解任务如何在部门之间流转。
例如，客户提交一条询盘后，可能依次经过销售筛选、产品匹配、技术确认、报价审批和订单跟进。这条流程涉及多个岗位，任何一个环节的信息延迟，都可能影响整体效率。
4. 业务系统：信息存储在哪里？
企业往往已经部署ERP、CRM、MES、OA、财务软件以及大量Excel表格。部分企业还存在邮件、即时通信工具和纸质文档并行使用的情况。
FDE需要了解每类系统承担什么职责，是否提供API，数据能否获取，不同系统之间如何交换信息。
因为AI应用的可行性，往往取决于数据获取和业务系统集成条件，而不仅取决于模型能力。
5. 关键指标：企业如何判断经营好坏？
不同行业都有自己的核心经营指标。
制造企业可能关注生产周期、良品率、库存周转率；零售企业关注转化率、客单价、复购率；客户服务部门则关注响应时长、解决率和客户满意度。
这些指标是后续衡量AI业务价值的基础。
完成第一轮研究后，FDE至少应该能够回答三个问题：这家企业如何赚钱？关键业务流程有哪些？哪些问题会直接影响企业的成本、收入、效率或者风险？
这也是判断行业研究是否达到基本要求的重要标准。
二、从行业地图转向业务流程：寻找AI机会的关键一步
很多AI场景清单之所以缺乏价值，是因为分析停留在部门层面。
例如，把企业拆分成销售、客服、人事、财务、采购等部门，然后分别配置销售Agent、客服Agent、招聘Agent和财务Agent。
这样的分类有助于建立初步目录，却无法直接指导实际交付。
真正值得分析的对象，是部门内部的一条条具体业务流程。
以外贸销售为例，可以将工作拆解为：
客户询盘接收 → 客户背景调查 → 产品需求理解 → 产品匹配 → 报价准备 → 报价审核 → 邮件回复 → 后续跟进 → 订单确认。
每个步骤都需要进一步调查其输入、处理动作、输出、参与人员和异常情况。
例如，报价准备这一环节的输入可能包括客户需求、产品规格、成本信息和历史报价；输出是一份符合公司定价规则的报价单。
实际工作中，销售人员可能需要搜索多个文件、咨询采购人员、核对物流成本，再由主管审批报价。
此时，FDE就可以识别潜在的自动化机会：AI能否整理需求、检索产品资料、辅助生成报价草稿，并将需要人工确认的价格因素明确标记出来？
为了让分析更加规范，建议为每个关键流程建立一张业务任务卡，至少包括以下信息：
- 任务名称与责任岗位：谁负责完成这项工作？
- 触发条件与业务频率：什么情况下发生，每天或每月发生多少次？
- 输入与输出：需要哪些数据、文档或者系统操作？
- 当前处理方式：人工、规则系统还是多系统协作？
- 主要问题：耗时、错误、等待、重复劳动还是知识依赖？
- 异常与约束：哪些情况需要审批，哪些数据不能使用？
这张任务卡将成为后续发现、筛选和设计AI场景的基础资料。
FDE分析流程的目的，是找到能够改善业务结果的具体任务，而不只是寻找可以接入大模型的位置。
三、识别AI机会：重点观察六类典型信号
当企业的主要流程被拆解之后，FDE可以使用一套相对通用的场景识别框架。
我们建议重点寻找六类具有代表性的业务信号。
第一类：重复性信息处理
典型表现是员工每天需要阅读大量邮件、表格、合同、订单和业务单据，进行提取、分类、归档和录入。
例如，财务人员整理报销票据，采购人员提取供应商报价，销售人员从询盘邮件中识别客户需求。
这类任务通常具有相对明确的输入与输出，适合优先评估文档理解、信息抽取及工作流自动化。
但如果信息字段完全固定、规则稳定，传统程序或RPA可能已经足够，没有必要强行引入大模型。
第二类：高频知识检索
典型表现是员工需要不断查找产品资料、操作手册、行业标准、公司制度或历史案例。
例如，售后工程师需要从大量设备维修文档中寻找解决方法，客服人员需要反复查询产品规格与售后政策。
这类场景可以评估企业知识库、RAG和知识问答助手，但需要重点检查知识更新频率、文档质量、权限以及答案可追溯性。
第三类：跨系统信息搬运
很多企业的工作流程横跨ERP、CRM、Excel、邮件与内部审批系统。
员工可能需要从一个系统导出数据，经过整理后再录入另一个系统。这类重复操作通常存在自动化价值。
FDE需要比较API集成、原有系统工作流、RPA或Computer Use等方案，优先选择可靠、可维护且符合权限要求的实现方式。
第四类：依赖个人经验的判断
某些岗位需要基于产品知识、历史经验和业务规则进行初步判断。
例如，客服工单分级、销售线索初筛、采购异常识别、设备故障原因排查。
AI可以辅助收集证据、归纳信息并提出处理建议，但涉及高风险或重要商业决策时，应明确人工复核与责任边界。
第五类：大量内容生成与整理
企业经常需要编写产品说明、销售邮件、技术方案、会议纪要、培训资料及项目报告。
这类工作适合利用生成式AI提高草稿生产和信息整理效率。
不过，生成内容的价值取决于准确性和实际使用率，不能简单用“生成速度提高多少倍”代替业务效果。
第六类：大量异常事件与跟进任务
实际业务流程存在各种例外：订单信息不一致、客户长期未回复、合同资料缺失、物流状态异常、库存数据冲突。
这些问题经常依赖人工发现和跟进。
FDE可以考虑建立异常检测、工单归类、提醒以及人工审批机制，在风险可控的条件下逐步扩展自动化范围。
通过这六类信号扫描，通常能够发现比“每个部门部署一个智能体”更加具体的候选场景。
四、实际推演：如何从一家外贸企业中发现10个AI场景？
下面使用一家假设的中型B2B外贸企业进行方法演示。
假设这家企业经营工业设备及配件，通过官网、展会和B2B平台获取海外客户，内部使用CRM、ERP、产品资料库与电子邮件开展销售和运营。
这里的企业背景及场景均为教学假设，不代表某家真实企业的诊断结果，也不构成已经验证的投资收益。
首先，FDE可以围绕客户获取、售前服务、订单履约、内部运营和售后服务，形成一份初步候选清单。
经过流程分析，可能识别出以下10个场景：
| 场景 | 主要业务问题 | AI介入方式 |
|---|---|---|
| 1. 客户询盘智能分类 | 人工筛选大量邮件 | 提取需求、分类与分派 |
| 2. 客户背景研究助手 | 客户资料收集耗时 | 整理公开企业信息与客户画像 |
| 3. 产品知识问答助手 | 产品资料分散 | 检索产品参数、说明书和FAQ |
| 4. 智能报价准备 | 报价整理步骤繁多 | 产品匹配、成本汇总、生成报价草稿 |
| 5. 多语言销售邮件助手 | 外语邮件编写耗时 | 根据产品资料生成回复草稿 |
| 6. 销售线索跟进助手 | 客户跟进容易遗漏 | 识别待跟进客户并生成提醒 |
| 7. 订单资料审核助手 | 订单字段容易不一致 | 对照合同、订单与商品资料 |
| 8. 物流异常协同助手 | 物流状态跟进繁琐 | 汇总异常、生成工单和提醒 |
| 9. 售后知识助手 | 技术支持依赖资深员工 | 检索故障处理资料并提供建议 |
| 10. 经营分析报告助手 | 经营数据整理耗时 | 汇总销售数据并生成报告草稿 |
注意，这10个场景处于初步识别阶段，还不能直接称为已经具备实施价值的项目。
例如，报价助手可能需要接入复杂的成本和定价规则；客户背景调查涉及外部数据可靠性；售后知识助手则需要处理技术错误可能造成的风险。
接下来必须评估业务价值、数据条件、技术可行性和风险。
此外，部分场景可能共享技术基础设施。产品知识问答、多语言邮件和售后知识服务，可能使用统一的企业知识基座。线索分类和销售跟进，也可能共同依赖CRM集成能力。
因此，10个场景不一定对应10套独立系统。
这也是FDE与单纯智能体开发者的重要能力差异之一：需要从企业整体流程、系统架构和交付经济性出发，判断场景之间的依赖关系与复用价值。
五、如何筛选：建立一套AI场景优先级评估方法
获得一份场景清单之后，真正困难的工作才刚刚开始。
因为企业的预算、数据和人员资源有限，不可能同时推进所有项目。
Google Cloud在企业AI用例评估方法中，强调从可衡量的业务目标出发，综合考虑业务价值、实施可行性和组织流程变化。这一思路也可以为FDE进行场景筛选提供参考。
在具体实践中，我们建议采用五维评估法。
第一，业务价值。
该场景能否明显降低成本、减少处理时间、提高收入或降低业务风险？是否对应企业真正关心的经营指标？
第二，发生频率。
任务是每天发生数百次，还是一年只发生几次？对于单次价值相近的任务，发生频率通常直接影响自动化收益。
但对于合同重大风险审查等低频高损失场景，也需要单独衡量风险价值。
第三，数据准备度。
是否具备合法可用的数据、质量合格的业务样本、稳定的数据接口和必要的访问授权？如果缺乏这些条件，PoC也可能难以推进。
第四，技术与交付可行性。
当前AI能力能否达到业务要求？是否需要复杂系统改造？能否在合理周期内完成部署、测试和维护？
第五，风险与组织条件。
是否涉及个人信息、商业机密、重大财务决策或其他高风险操作？是否有明确的业务负责人、预算支持和验收责任人？
实践中可以为各维度设置1—5分的评估等级，依据企业实际情况配置权重。不过，这种评分只是辅助决策的工具，不应制造虚假的精确性。
对于缺少关键数据授权、存在不可接受风险或没有业务负责人的场景，即使综合评分较高，也不应该直接进入实施阶段。
建立四象限优先级矩阵
更容易应用的方法，是将候选场景放到“业务价值”和“落地可行性”两个维度上比较。
| 类型 | 特征 | 处理策略 |
|---|---|---|
| 高价值、高可行性 | 效果明确、实施条件成熟 | 优先PoC |
| 高价值、低可行性 | 收益可观，但数据或集成复杂 | 先解决关键依赖 |
| 低价值、高可行性 | 容易开发，但业务收益有限 | 作为辅助功能或低成本试验 |
| 低价值、低可行性 | 收益不足且实施困难 | 暂缓或放弃 |
以刚才的外贸企业为例，如果产品资料已经比较完整，销售人员又频繁查询产品规格，那么产品知识问答助手可能适合作为首批验证对象。
如果报价流程涉及大量非标准定价、复杂审批和难以获取的成本数据，即使潜在价值更高，也可能需要放在后续阶段。
但如果这家企业最大的经营损失恰恰来自报价延误，那么经过充分的数据和流程准备，智能报价也可能成为优先项目。
场景的优先级需要由企业实际问题决定，不能从一张通用清单直接推导。
六、从10个候选场景中，选择第一个PoC
场景筛选的最终目的，是帮助企业作出下一步投资决策。
对于首次合作的企业，建议优先选择一个范围明确、具备数据条件、可以在较短周期内评估效果的场景。
继续以前述外贸企业为例，假设经过访谈发现：
销售人员每天花费较多时间查找产品规格和历史技术资料，产品资料相对完整，管理层愿意提供经过授权的测试数据，也有专人参与评测。
那么可以先选择“销售产品知识助手”作为PoC。
项目范围可以限定为一个产品类别，接入经过整理的产品说明书、规格参数与常见问答，完成自然语言查询、知识检索和引用来源展示。
PoC开始之前，双方需要明确评价基线和验收要求。
例如，准备一组覆盖常见问题、复杂问题和无答案问题的业务测试集；记录员工当前的资料查询时间；邀请实际使用人员评估结果是否正确、完整、可用；同时测试权限控制以及错误回答的处理机制。
这里尤其需要区分两类指标：
一类是技术指标，例如检索命中情况、回答正确率、响应时间和系统稳定性。
另一类是业务指标，例如员工查询耗时是否下降、业务问题是否更快解决，以及使用者是否愿意持续使用。
技术指标达到要求，并不必然意味着业务价值成立。
如果PoC显示效果不理想，FDE需要判断问题究竟来自数据质量、模型能力、交互设计，还是场景本身并不适合AI。
通过这样的验证，企业才能在投入更大资源之前，识别真实收益和主要风险。
七、如何快速执行？一套7天行业场景发现工作法
上述方法可以进一步组织成一个7天的初步研究与诊断流程，适合作为FDE学习和企业前期沟通的实践模板。
需要说明的是，7天通常只能形成初步行业认知与候选机会清单，不能替代复杂行业所需的深入尽调、技术测试或合规评估。
第1天：建立行业基础认知。研究产业链、商业模式、主要企业类型、关键岗位和行业术语，形成行业认知地图。
第2天：研究主要业务流程。根据公开资料、行业报告与企业提供的材料，绘制核心业务流程及相关系统关系。
第3天：访谈业务人员。与管理者和实际执行人员沟通，验证前期研究假设，记录高频任务、异常流程及经营痛点。
第4天：扫描AI机会。基于六类典型信号，生成20—30个初步候选任务，并整合重复、重叠和明显不适合AI的问题。
第5天：筛选10个候选场景。评估价值、频率、数据、技术和风险，形成带有证据与假设标记的优先级清单。
第6天：设计首批验证方案。对优先级最高的一到两个场景，明确输入输出、技术路径、数据依赖、业务指标和验收条件。
第7天：组织企业评审。邀请业务负责人、IT人员和实际使用者共同评审，确认优先方向、未解决问题和下一阶段计划。
一个比较完整的阶段性交付成果，至少应包括行业认知地图、核心业务流程图、AI候选场景清单、优先级评估矩阵，以及首批PoC建议书。
这些内容也可以作为独立FDE提供企业AI场景诊断服务的基本交付框架。
八、AI如何帮助FDE加快行业研究？
值得强调的是，FDE本身也可以充分利用AI，提高行业学习和业务分析效率。
例如，使用深度研究工具梳理产业链和行业术语，利用大模型从岗位说明书、公开业务资料中提取常见工作任务，再结合访谈记录归纳业务痛点、生成流程草稿和场景候选清单。
不过，在使用AI辅助研究时，需要建立明确的事实验证机制。
行业公开资料只能反映行业共性，不能直接代表某家企业的实际经营情况。大模型生成的业务流程，也可能遗漏异常路径、地方性规则和企业内部特殊做法。
因此，建议将研究信息划分为三个等级：
已验证事实：来自企业实际资料、系统记录或者经过确认的业务访谈。
待验证假设：根据行业共性推断，但尚未获得企业证据支持的判断。
场景建议：基于现有事实与假设提出的潜在解决方案，需要进一步评估和测试。
在涉及客户数据时，还需要遵守保密与数据处理要求，避免将未经授权的业务资料上传至外部AI服务。
美国国家标准与技术研究院（NIST）的AI风险管理框架，将治理、场景与风险识别、评测以及风险管理作为重要组成部分。对于FDE而言，这提醒我们：场景发现必须同时考虑收益和风险，并且将风险管理贯穿于方案设计与实施过程。
AI可以帮助FDE更快形成行业知识框架，但真实业务访谈、流程验证和商业判断仍然是不可省略的工作。
九、FDE真正需要积累的，是一套可复用的行业理解能力
回到最初的问题：FDE如何从陌生行业中找到10个值得落地的AI场景？
本文提供的方法可以归纳为五个连续步骤：
行业建模 → 流程拆解 → 机会识别 → 场景评估 → PoC验证。
首先理解企业的商业模式和核心指标，再通过业务流程找到真实工作任务。随后，利用重复信息处理、知识检索、跨系统操作、经验判断、内容生产和异常处理等信号，系统发现AI机会。
最后，根据业务价值、发生频率、数据条件、实施难度及风险，筛选出值得进一步投入的候选场景。
从中选择首批PoC，用真实业务数据验证价值，才有可能将场景清单转化为可执行的企业AI落地路线图。
对技术背景的FDE而言，这套方法有助于弥补行业理解和需求诊断能力。
对行业背景的FDE而言，则可以将已有业务经验转化为更加系统的AI场景发现与解决方案设计能力。
对企业AI负责人来说，同样可以使用这套框架开展内部场景征集，帮助业务部门提出更清晰、可评估的AI需求，减少盲目采购和重复建设。
写在最后
随着AI应用开发门槛逐步降低，生成一个智能体Demo已经不再是特别困难的事情。真正需要长期积累的，是理解产业、洞察流程、识别问题，以及推动技术转化为实际业务结果的能力。
一个具备成熟方法论的FDE，进入陌生行业后，可以通过有组织的研究与访谈，在相对有限的时间里形成基本业务认知，并逐步找到值得验证的AI机会。
但成熟的FDE也必须知道，什么时候应该使用大模型，什么时候传统软件已经足够，以及什么时候企业需要先解决数据治理与流程管理问题。
能够列出10个AI场景，只是行业研究的初步成果；能够解释为什么其中2个应该优先实施、其余8个需要等待，才更接近企业真正需要的专业判断。
这也正是FDE从技术实践走向企业级解决方案交付所需要建立的重要能力。
关于FDE前线
FDE前线持续关注前沿部署工程师（Forward Deployed Engineer）人才发展、企业AI转型方法论、AI Agent工程化及行业场景落地。
我们倡导从真实业务问题出发，通过行业理解、场景诊断、技术方案设计、PoC验证和生产化交付，建立可持续的企业AI服务能力。
欢迎关注「FDE前线」，共同探索AI时代企业数字化转型与FDE职业发展的实践路径。
延伸阅读与方法参考：
- Google Cloud：《评估并定义生成式AI业务应用场景》
- Google Cloud：《An effective AI strategy: How to build one》
- NIST：《AI Risk Management Framework》
本文的五维场景评估法、六类机会信号和7天工作法，为FDE前线整理的实践性分析框架，供学习与企业项目诊断参考。
