过去一段时间，我们陆续接触和交付了一些医美行业的AI需求。

真正进入业务以后，我越来越觉得，医美可能是现阶段最值得重新用AI梳理一遍的行业之一。

原因并不复杂。

一家医美机构，从小红书、抖音、大众点评、美团、搜索、信息流或者私域获得一个潜在顾客，到最终形成收入，中间通常要经历线上咨询、需求判断、客户分层、添加企微、持续跟进、预约、到院、面诊、医生方案、咨询师成交、项目治疗、术后或治疗后随访、复购、转介绍等一系列环节。

一条线索最终有没有价值，往往取决于十几个甚至几十个细节。

线上客服回复慢了半个小时，客户可能已经问了另外三家机构；咨询师没有理解顾客真正关注的问题，沟通很快就变成机械报价；一个三个月前咨询过光电项目的顾客，没有进入后续培育，等真正产生需求时去了别家机构；一个已经做过项目的老客，没有按照合理周期获得服务提醒，机构只能不断花钱重新获取新客。

所以当我们讨论“AI+医美”时，如果最后只变成一个会回答问题的机器人，其实远远没有触及这个行业真正有价值的部分。

医美行业真正值得AI改造的，是整个客户经营链路。

从公域获客到私域承接，从在线咨询到到院面诊，从咨询师辅助到医生知识支持，从项目后的随访到长期客户经营，再到总部对于多门店服务质量和经营数据的管理，几乎每一个环节都存在大量的信息处理、知识调用、重复沟通、人工判断和跨系统协作。

而这些工作，恰好正在进入大模型、Agent、RAG、Workflow最适合发挥作用的区域。

但医美又和普通零售、电商完全不同。

医疗美容属于医疗活动。国家卫生健康部门现行《医疗美容服务管理办法》明确，医疗美容涉及通过手术、药物、医疗器械以及其他具有创伤性或者侵入性的医学技术进行修复与再塑；相关医疗美容项目实行主诊医师负责制，治疗前还涉及适应证、禁忌证、医疗风险和注意事项等告知义务。

这意味着：

医美AI项目不能简单照搬电商客服，也不能把“成交率最大化”作为唯一目标。

真正成熟的医美AI系统，需要同时处理三件事：

经营效率、医疗边界和数据安全。

这也是为什么我认为，医美行业非常适合FDE进入。

它需要的远远不只是开发能力，而是一个能够站在老板、运营、咨询师、医生、客服、信息化团队之间，把业务、AI、系统和合规共同串起来的人。

下面，我结合我们已经接触和做过的医美咨询、私域承接、企业知识库、销售辅助等需求，把医美机构最值得优先关注的AI能力拆成10个典型场景。

这些场景并不意味着一家机构需要一次全部上线。恰恰相反，真正有效的路径，是先找到一个经营价值清晰的环节做PoC，把数据、流程和评价体系跑通，再逐步扩展。

一、AI在线咨询：先解决医美最昂贵的“第一响应”

很多医美机构第一个值得做AI的地方，其实就在最前面。

客户第一次咨询。

医美机构的线索来源非常分散，小红书私信、抖音、信息流广告、点评平台、公众号、微信、企业微信、电话、官网以及各种投放落地页都可能产生咨询。

线索进来以后，第一轮交流通常围绕几个问题展开：

“这个项目多少钱？”

“我这种情况适合做什么？”

“你们在哪里？”

“恢复期多久？”

“这个项目疼不疼？”

“做一次能维持多久？”

“某某医生什么时候在？”

“最近有没有活动？”

这些问题表面简单，实际上已经开始影响客户对于机构专业度的第一判断。

我们在接触医美咨询场景时发现，一个非常典型的问题是：机构往往拥有大量标准资料，但是这些资料并没有真正进入客服的实时工作流。

产品介绍在飞书里，医生排班在表格里，价格政策在群公告里，案例在手机相册里，活动政策可能刚刚在微信群通知，而新人客服对于项目差异和专业术语还没有完全掌握。

结果就是同一个客户问同一个问题，不同客服可能得到完全不同的答案。

所以医美在线咨询场景，第一阶段甚至不需要追求“无人客服”。

更加现实的方案，是先建设一个AI咨询助手 + 人工客服协同体系。

客户提出问题之后，系统先识别问题类型。

如果是机构地址、营业时间、停车、预约流程、医生排班、基础项目介绍这类确定性问题，可以由AI直接回答。

如果涉及价格，则从当前有效的价格和活动知识库中调用。

如果涉及具体医疗适应性，例如“我这种皮肤到底适不适合做某项目”“我之前做过某治疗现在还能不能做”“我有某种基础情况能不能注射”，系统不能替代医生做医学判断，而应该完成信息收集，并引导至医生或机构规定的专业人员进一步判断。

这一步非常重要。

一个真正能用于生产环境的医美AI客服，必须拥有明确的“回答边界”。

哪些问题AI可以直接回答。

哪些问题只能引用机构已经审核的标准材料。

哪些问题需要咨询师接管。

哪些问题必须升级给医生。

哪些关键词出现时应该停止自动回答。

如果没有这套边界，即便模型回答能力非常强，也很难真正进入医疗服务场景。

因此我们给医美机构做咨询类方案时，通常会把AI客服拆成“知识回答、需求采集、风险识别、转人工、会话摘要”几个能力，而不是追求一个机器人从头聊到尾。

这也是第一个非常适合两周PoC验证的场景。

只需要选取一部分高频问题，整理300—500条机构自己的真实问答、项目资料和规则，再建立明确的转人工机制，就已经可以验证AI能否降低大量重复咨询工作。

二、AI需求识别：客户问的可能是“价格”，真正关心的却未必是价格

医美咨询里面非常典型的一种情况是：

客户上来直接问价格。

“超声炮多少钱？”

“光子多少钱？”

“玻尿酸怎么收费？”

如果客服只回答价格，这次沟通可能很快就结束。

因为客户说出来的问题和真正需要解决的问题之间，经常存在一层距离。

一个客户咨询某个项目，背后可能关注的是轮廓、肤色、痘印、松弛、皱纹、面部比例、恢复期、疼痛感、预算、隐私或者时间安排。

专业咨询师的能力，很大一部分就体现在能够通过几轮交流逐步理解客户真正关心什么。

这件事情AI很适合作为辅助工具。

例如，当客户说：

“我想问一下你们光子多少钱。”

传统机器人可能直接给出价格。

一个更成熟的系统则应该理解，这只是一个进入咨询的入口，可以进一步询问：

客户之前是否做过相关项目。

目前主要希望改善什么问题。

近期有没有重要活动或时间要求。

是否已经在其他机构咨询过。

更关心价格、效果、医生还是恢复周期。

但是这里又必须特别注意医美的边界。

AI可以帮助机构完成需求信息收集，可以围绕机构服务进行解释，可以帮助咨询师形成信息摘要，却不能把这种沟通包装成自动化诊断，更不应该自行给出个人化的医疗治疗结论。

医疗美容项目的实施本身受诊疗范围、主诊医师资格、医疗告知等规范约束。

所以我们做这类场景时，更倾向于把它定义为：

AI需求采集助手。

它的任务是帮助机构获得更加完整的客户上下文。

最终输出给咨询师的信息可以变成：

客户主要诉求是什么。

客户主动询问了哪些项目。

客户最关注哪个问题。

预算敏感程度如何。

是否有明确到店时间。

是否已经咨询其他机构。

目前有哪些需要专业人员进一步确认的信息。

这样，当人工咨询师真正进入会话的时候，就不需要重新问十遍“您想改善什么”。

客户体验会明显改善，咨询师的时间也会被重新释放出来。

三、AI线索评分：医美机构真正缺的，往往不是更多线索，而是识别高价值线索的能力

流量越来越贵，是几乎所有医美老板都能够感受到的变化。

机构做投放以后，一个常见的问题是：

线索很多，咨询很多，真正到院的人却有限。

客服团队每天忙着回大量消息，但是管理层很难知道，哪些线索应该重点跟进，哪些只是询价，哪些客户已经接近到院决策。

所以我认为医美非常值得做的第三个AI场景，是Lead Scoring，也就是线索智能分级。

过去很多CRM的客户分层主要依靠固定标签。

例如：

A类客户。

B类客户。

重点客户。

意向客户。

待跟进。

这种方式的问题在于，它高度依赖咨询师手动填写。

一旦团队规模变大，标签的标准很快就会失控。

有的人认为加了微信就是高意向。

有的人认为已经问价格才算高意向。

还有的人可能几乎从不更新标签。

AI可以重新设计这个过程。

系统不只看一个人工标签，而是综合整段沟通内容、互动频率、咨询项目、客户主动程度、预约行为、历史到院记录、内容点击等信息形成动态判断。

例如一个客户虽然没有直接说“我要预约”，但是连续三天询问医生、地址、停车、恢复时间和术前注意事项，这种行为本身可能已经代表非常高的到院意愿。

另一个客户虽然第一句话就问“最近有什么活动”，但之后再没有任何互动，它的实际优先级可能反而更低。

AI可以每天给咨询团队输出一组建议：

今天最值得重点跟进的客户是谁。

为什么判断这个客户优先级高。

最近一次沟通停在哪里。

下一步比较适合推进什么。

哪些客户已经超过合理跟进时间。

哪些客户正在出现流失信号。

这种系统真正解决的是咨询师的注意力分配。

医美咨询团队最宝贵的资源之一，并不是企微好友数量，而是优秀咨询师每天能够投入到高价值客户上的有效时间。

四、AI咨询师Copilot：把“金牌咨询师”的能力逐渐变成组织能力

医美行业非常依赖优秀咨询师。

一个优秀咨询师除了熟悉项目，还需要具备沟通能力、需求判断能力、客户关系能力、项目理解能力和成交能力。

于是很多机构都会遇到一个非常现实的问题：

老咨询师和新人之间的能力差距太大。

同样一批客户交给不同的人，结果可能完全不同。

培训当然可以解决一部分问题，但大量真正有价值的经验存在于日常会话里。

比如一个优秀咨询师知道：

面对极度价格敏感的客户应该如何沟通。

面对第一次接触医美、明显紧张的客户如何降低陌生感。

已经咨询多家机构的客户，更关心哪些信息。

老客户再次咨询时，不应该再按照新客话术重新沟通。

客户突然不回复时，什么时间和方式重新触达比较自然。

这些东西很难通过一本SOP完全教会新人。

AI咨询师Copilot的价值，就在这里。

我们已经接触和推进过类似的医美咨询辅助需求。实际设计时，我们不会让AI代替咨询师“自动成交”，而是让它站在咨询师旁边。

例如咨询师正在与顾客通过企微沟通。

右侧的AI工作台可以实时提供：

客户历史摘要。

客户过去咨询过的项目。

之前有哪些顾虑。

最近一次沟通发生在什么时候。

过去到院和消费情况。

本轮对话目前处于哪个阶段。

机构知识库中有哪些相关内容可以引用。

是否存在需要专业人员进一步确认的问题。

下一步建议咨询师补充了解什么信息。

当新人面对自己不熟悉的项目时，可以直接在内部助手里问：

“客户问XX项目和XX项目区别，机构标准怎么解释？”

AI从机构审核过的知识库中调取内容。

这和让员工直接打开通用大模型问问题，有本质差别。

通用模型知道“行业的一般知识”。

企业需要的是：

我们这家机构应该怎么回答。

我们的医生有哪些专业方向。

我们有哪些设备。

目前开展哪些项目。

各项目内部标准介绍是什么。

什么内容可以对外表达。

什么内容只能内部使用。

什么时候必须转医生。

这就是企业知识库真正的价值。

五、AI医生面诊前助手：把碎片信息先整理好，让医生把时间用在真正需要专业判断的地方

医美行业里另一个非常值得关注的场景，是医生面诊之前的信息整理。

一个顾客从公域进入机构以后，可能已经和客服聊过十几分钟，加了企微以后又和咨询师聊过几轮，到院以后又填写过信息。

但是医生真正见到客户的时候，这些信息未必能够完整、结构化地传递过去。

结果可能出现一种很低效的情况：

客户已经解释过三次自己的诉求，到医生这里又需要从头说一遍。

AI可以帮助解决这个信息交接问题。

系统把前面的会话、客户主动填写的信息、既往机构服务记录等内容进行汇总，形成一份面诊前摘要。

例如可以整理：

客户本次主要关注的问题。

客户自己提到过哪些项目。

最关注的是效果、恢复、预算还是时间。

过去在本机构有哪些服务记录。

此前咨询过程中已经确认了哪些信息。

还有哪些问题需要医生进一步了解。

这里最关键的一点，是必须把“整理信息”和“做医疗判断”区分开。

AI可以总结：

“顾客表示三个月前曾接受过某类项目。”

但是不应该自行得出：

“因此适合/不适合接受某项治疗。”

后者属于真正的医疗判断，应交由具备相应资质的专业人员完成。

如果一家机构能够把这个流程做好，医生接收到的就不再是一张简单客户卡片，而是一份高质量的客户上下文。

对于医生来说，它减少了重复询问和无效信息处理。

对于顾客来说，则会感觉机构内部信息是连续的。

而对于咨询师来说，也能减少自己在医生与客户之间反复传递信息的工作。

这类场景看起来没有“全自动Agent”那么炫，但在实际交付中往往非常有价值。

因为AI落地最终看的是它减少了多少摩擦。

六、医美企业知识库：真正的底座不是聊天机器人，而是机构自己的“业务大脑”

如果让我选择一家医美机构最值得优先建设的一项AI基础设施，我会高度重视知识库。

原因很简单。

医美机构内部的信息太散了。

医生介绍一份。

仪器设备资料一份。

项目SOP一份。

价格体系一份。

活动政策一份。

咨询话术一份。

护理注意事项一份。

品牌资料一份。

培训课件一份。

投诉处理流程又是另一份。

总部有总部的版本，门店有门店自己的版本，咨询师手机里还保存着一套自己的资料。

最终就会出现一个非常典型的问题：

企业有知识，但是组织并不能快速调用知识。

这也是我们在企业知识库项目里反复遇到的问题。

所以给医美做知识库，第一步往往不是安装一个RAG系统。

真正重要的是先梳理知识结构。

我们通常会把医美机构知识至少拆成几个不同权限层级。

第一类是面向顾客可以公开使用的品牌和服务信息。

第二类是面向客服、前台和咨询师的内部业务知识。

第三类是医生和医护人员使用的专业材料。

第四类是机构内部经营、培训和管理资料。

第五类是价格、活动以及具有时效性的经营政策。

不同知识的有效期、使用角色和调用权限完全不同。

比如活动价格明显具有时效性，如果把去年活动资料和今年资料全部丢进知识库，模型很可能产生冲突。

医生专业资料与普通客服知识也不应该拥有完全相同的权限。

病历信息更不能被当成普通企业资料随意进入通用知识库。

2025年国家卫生健康委进一步强调，医疗机构对于电子病历信息使用承担主体责任，应当实施分级分类访问控制，遵循最小可用原则，并确保相关操作可追溯；外部信息系统和数据服务商访问病历系统也应明确访问范围、目的和期限。

因此，真正的医美知识库项目一定会涉及：

数据分类。

用户身份。

角色权限。

知识有效期。

版本管理。

敏感信息过滤。

日志追踪。

内容审核。

RAG只是中间的一项技术。

当这套底座建立起来以后，前面的客服助手、咨询师Copilot、培训助手、门店助手、运营助手都可以共用同一个知识基础。

这时候知识库才真正从一个“问答机器人”升级成企业AI基础设施。

七、AI私域跟进：医美真正巨大的价值，可能藏在“没有成交的客户”里面

很多医美机构获客能力并不差。

真正的问题经常出现在获客以后。

一批客户从小红书、抖音或者投放进入企微。

刚开始咨询很积极。

后来因为价格、时间、距离、恢复期或者还在比较其他机构，没有立即成交。

然后就沉在了企微联系人列表里面。

三个月以后，这批客户还在。

六个月以后还在。

但是没有任何系统知道什么时候应该重新联系他们。

这实际上是医美行业非常大的数据浪费。

一个没有立即成交的医美客户，不等于没有需求。

很多需求都有明显的时间窗口。

有人等发工资。

有人等假期。

有人等婚礼、旅行或者重要活动。

有人只是还没有足够信任。

有人需要多看几个案例。

有人当时预算不合适，但是半年以后完全可能再次产生需求。

所以AI进入私域以后，我认为最有价值的方向之一就是：

沉默客户再激活。

系统根据历史会话，自动识别客户过去关注的项目、顾虑、预算、最后一次沟通时间以及没有继续推进的大致原因。

然后形成不同的客户池。

比如：

价格敏感型。

暂时没有时间型。

需要继续教育型。

对医生专业度高度关注型。

曾预约但未到院型。

曾到院但未成交型。

项目完成后进入维护周期型。

再激活不能简单变成每天群发优惠券。

这也是很多传统SCRM失效的原因。

真正有效的AI私域运营，需要知道“为什么现在应该联系这个人”。

例如一个顾客三个月前主要担心恢复期，而机构最近刚好发布了相关科普内容，那么系统可以建议咨询师进行一次低压力的内容触达。

一个老客按照内部服务周期已经进入适合进行正常回访的时间点，系统可以提醒客服进行满意度和需求回访。

一个曾经预约但未到院的客户，可以根据之前未到院原因选择不同的跟进策略。

这时候AI承担的是客户经营系统的“记忆层”。

销售和咨询师最容易遗忘的东西，AI可以记住。

八、AI预约、到院与未到院管理：医美很多收入损失，发生在成交之前

在医美行业，预约不等于到院。

这是一个非常关键的经营环节。

客户已经明确表示愿意来，客服也已经帮助预约，但是当天临时取消、忘记时间、交通不便、犹豫，最终没有出现。

如果只看CRM里的“已预约”数据，机构会高估自己的真实线索转化能力。

所以另一个非常值得做的AI场景，就是围绕预约—提醒—到院—未到院召回建立自动化流程。

系统可以在预约完成以后，根据机构规则自动触发服务提醒。

例如：

预约确认。

到院时间提醒。

地址和交通信息。

停车信息。

需要提前准备或携带的资料。

如果客户主动提出改期，系统更新预约信息。

如果出现未到院，则自动进入新的跟进流程，而不是简单把客户标记为“爽约”。

这时候应该进一步理解：

为什么没有到院？

是时间冲突。

距离问题。

临时犹豫。

已经选择其他机构。

对价格还有疑问。

对项目风险仍然担忧。

这些原因决定了下一步完全不同的处理方式。

从FDE角度看，这一场景尤其适合Workflow。

它并不一定需要一个高度自主的Agent。

预约以后第几个时间节点做什么，什么情况停止提醒，什么情况交给人工，什么状态写回CRM，都可以被设计成非常明确的业务流程。

企业AI项目有一个常见误区：

什么都想做Agent。

但现实中大量企业场景，Workflow + LLM + 人工节点反而更加稳定。

FDE的价值就在于知道什么时候应该让模型思考，什么时候应该让系统严格执行规则。

九、AI治疗后随访：从“销售式回访”升级成标准化服务流程

医美行业的客户关系并不会在支付以后结束。

对于不同类型项目，机构通常还会涉及治疗后或术后注意事项、恢复情况沟通、正常服务回访以及后续复诊安排等。

传统方式高度依赖护士、咨询师或客服人工执行。

机构规模小的时候问题不明显。

一旦客户数量和门店数量增加，就很容易出现执行标准不一致。

有人当天回访。

有人第二天回访。

有人忘记。

有人只问一句“恢复得怎么样”。

AI可以帮助机构把随访流程变成结构化工作流。

需要特别强调：

在这个场景里面，AI不能成为“自动医生”。

它更加适合承担的是流程和信息工作。

例如按照机构审核后的标准进行服务提醒。

收集客户反馈。

询问预设问题。

识别特定关键词。

一旦出现机构预设的风险信号，立即升级到人工医护人员。

把客户反馈形成结构化摘要。

提醒对应人员处理。

真正需要医学判断的情况，则必须交给相应专业人员。

这套机制非常重要。

医疗美容服务本身涉及医疗风险告知和专业人员责任，相关诊疗活动也受医疗服务管理规范约束。

AI在这里最合适的定位，是一个“流程守门员”和“信息整理助手”。

它确保该问的问题没有遗漏。

该提醒的人能够及时收到提醒。

该升级人工的时候不会继续自动聊天。

对连锁医美来说，这个场景还有一个额外价值：

总部终于可以看到门店的随访到底有没有执行。

过去总部制定了十条SOP，但真正执行到什么程度很难知道。

如果整个随访进入系统，就可以形成流程完成率、人工接管记录和异常处理记录。

这才真正具有管理意义。

十、AI内容与合规审核：医美最值得做AI的营销场景，也可能是最容易出问题的场景

医美是一个高度依赖内容的行业。

医生IP。

案例内容。

科普文章。

短视频。

小红书。

朋友圈。

直播。

机构每天都需要大量内容。

于是很多老板看到生成式AI以后，第一反应是：

终于可以批量生成内容了。

这确实是一个巨大机会。

但医美内容和普通电商内容最大的不同之一，就是它处于更加严格的监管环境。

医疗美容广告属于医疗广告。市场监管总局的相关指南明确要求医疗美容广告依法进行审查，并对制造“容貌焦虑”、违法宣传未经审批或备案的药品医疗器械、宣传未经审批备案的诊疗科目和服务项目等问题进行重点监管。2025年发布的《医疗广告监管工作指南》又进一步细化了医疗广告监管规则。

所以医美内容AI不能只建设“生成能力”。

我反而认为更应该首先建设：

AI内容合规审查能力。

内容团队写完一篇笔记、一条朋友圈或者一个短视频脚本以后，可以先经过机构内部AI审核。

系统根据已经建立的合规规则，标记可能存在风险的表达。

例如：

是否存在明显绝对化语言。

是否容易形成效果保证。

是否出现未经内部审核的项目介绍。

是否使用了可能引发容貌焦虑的表达。

涉及医生、药械、治疗项目的描述是否来自机构允许使用的材料。

是否混用了生活美容和医疗美容概念。

是否涉及当前机构并未开展的项目。

然后交由人工进行最终审核。

这类系统非常适合结合Rule Engine和LLM共同工作。

一部分明确禁止词可以通过规则处理。

复杂语义则由大模型判断。

最终保留人工审核。

这比单纯使用ChatGPT批量写一百篇医美文案，更符合企业真正的生产环境。

进一步，还可以建立机构自己的“内容资产库”。

医生已经审核的科普内容。

项目基础资料。

品牌标准介绍。

高质量历史内容。

允许公开使用的FAQ。

经过合规确认的表达方式。

让AI优先基于这些内容进行创作。

内容生产速度提高的同时，品牌口径也更加统一。

十一、AI老客经营与复购：很多医美机构最大的资产，其实已经在CRM里面

医美行业谈增长，很多时候第一反应依然是买流量。

投抖音。

做小红书。

投信息流。

做大众点评。

但是如果一家机构已经运营了三年、五年甚至更久，它真正最有价值的一批数据往往已经存在于CRM里面。

做过什么项目。

什么时候到院。

历史消费。

曾经咨询过什么。

最后一次沟通什么时候。

对什么内容感兴趣。

是否有过投诉。

是否曾经转介绍。

过去为什么流失。

传统CRM能够存这些数据，却很难真正“理解这些数据”。

AI进入以后，可以让老客运营第一次变得更加精细。

例如，一个客户过去两年有比较稳定的到院记录，但最近突然明显下降。

系统可以识别出来。

另一个客户过去经常咨询某一类需求，最近又主动点击了相关内容。

系统可以提醒咨询师。

再比如，一个客户过去与某位医生建立了较强关系，后续运营就不应该按照普通群发活动的方式进行。

这里真正重要的是：

从“项目营销”转向“客户经营”。

传统医美营销往往围绕项目展开。

今天推A。

下个月推B。

周年庆推C。

所有客户收到类似信息。

AI则有机会把每个客户过去的关系、需求和互动历史放回运营逻辑里面。

机构最终形成的可能是一套Customer 360，也就是顾客360度视图。

系统里看到的不再只是：

张女士，手机号138XXXX。

而是能够理解：

这位客户是怎么来的。

第一次为什么到院。

过去与哪些人员沟通过。

关注过什么。

已经接受过哪些本机构服务。

沟通中有哪些长期偏好。

什么时候最近一次互动。

目前处于什么生命周期阶段。

下一步是否需要人工关注。

当这些信息真正能够被系统理解以后，CRM才从数据库变成客户经营系统。

十二、多门店AI运营：连锁医美真正需要解决的是“总部标准如何进入每一家店”

对于单店来说，很多问题可以靠老板或者核心团队盯住。

到了连锁阶段，问题会完全不同。

总部有标准。

门店有执行。

医生有自己的习惯。

咨询师有自己的经验。

城市市场又存在差异。

最后往往出现一种典型状态：

总部以为全国都在执行同一套SOP。

实际每一家店都发展出了自己的版本。

AI在连锁医美中的一个巨大机会，就是把总部的知识、制度和最佳实践真正下沉到门店。

例如总部建立统一知识库以后，新活动发布时，不需要再依靠几十个微信群传文件。

总部更新一次。

所有门店AI助手同步获得最新版本。

前台可以问：

“这个活动的适用规则是什么？”

咨询师可以问：

“这个项目总部标准介绍是什么？”

店长可以问：

“本月新政策有什么变化？”

新员工可以直接进入培训助手进行学习和测试。

总部则可以看到：

门店最常问哪些问题。

哪些知识频繁被搜索但没有答案。

哪些政策最容易被理解错误。

哪些门店在使用过程中出现异常。

这已经不只是AI知识库。

它逐渐变成了“组织知识操作系统”。

我们在设计这类系统时，会非常强调知识版本。

因为连锁机构最危险的一件事情就是旧知识继续流通。

比如价格政策已经更新。

活动已经结束。

医生排班已经变化。

门店员工依然引用旧版本。

所以知识库必须具备：

发布时间。

生效时间。

失效时间。

适用门店。

适用角色。

版本号。

审核人。

来源文件。

只有这样，AI回答出来的东西才能真正成为企业生产资料。

十三个场景？不，我们最终还是要回到10个“业务闭环”

如果把前面拆开的能力重新归纳，我认为医美企业最值得优先做的10个AI场景，可以形成这样一张业务地图：

场景一：AI在线咨询与第一响应。

解决高频重复问题、7×24基础接待、统一机构口径和转人工。

场景二：AI需求采集与意向识别。

解决客服只回答表层问题、客户信息采集不完整、咨询师反复询问的问题。

场景三：AI线索评分与高价值客户识别。

帮助团队把有限的人力投入到更值得跟进的客户上。

场景四：咨询师Copilot。

让客户历史、知识库、沟通建议和机构SOP进入咨询师工作界面。

场景五：医生面诊前信息助手。

将多轮客服和咨询信息整理成结构化摘要，减少信息断层，但保留医生的专业判断权。

场景六：医美企业知识库。

把医生资料、项目资料、设备、SOP、培训、客服知识、政策和门店知识形成统一AI底座。

场景七：AI私域跟进与沉默客户再激活。

对未成交、未到院、沉默客户进行分层和长期运营。

场景八：AI预约、到院和未到院管理。

通过Workflow管理预约确认、提醒、改期和未到院召回。

场景九：AI治疗后服务、随访与异常升级。

让标准随访流程可执行、可追踪，并把需要专业判断的问题及时交给医护人员。

场景十：AI内容、老客经营和连锁运营中台。

把内容合规、客户生命周期和总部知识管理逐步汇入统一AI运营体系。

真正到了企业内部，十个场景并不一定需要建设十套系统。

很多时候，它们应该共用同一个AI基础设施。

一家医美机构真正需要的，可能是一套“AI客户经营中台”

如果我们把前面的业务重新连起来，会发现一个更有意思的问题：

为什么要做十个独立AI工具？

一个客户从抖音进入机构。

AI先完成基础接待。

系统识别主要需求。

形成客户标签。

进入企微以后，继续保留前面的上下文。

咨询师打开客户的时候，AI已经生成摘要。

预约以后自动进入到院Workflow。

到院以后，医生可以看到前面的需求摘要。

完成服务以后进入后续服务流程。

几个月以后，客户再次咨询，系统仍然能够知道过去发生过什么。

这才是真正值得做的东西。

我们暂且可以把它叫：

医美AI客户经营中台。

底层是客户数据。

再上面是企业知识库。

再往上是工作流和Agent。

最上层分别服务于客服、咨询师、医生、护士、运营和管理者。

从技术架构看，可以被拆成五层。

第一层是数据和系统连接，包括CRM、SCRM、企微、客服系统、预约系统、门店系统以及经过授权可以使用的数据。

第二层是知识层，把机构各种资料经过清洗、分类、权限控制以后形成企业知识库。

第三层是AI基础设施，包括模型网关、RAG、Prompt、Context、Workflow、Agent、Evaluation。

第四层是具体应用，包括客服Agent、咨询师Copilot、知识助手、运营助手、培训助手、店长助手。

第五层是安全和治理，包括权限、日志、脱敏、敏感信息识别、模型调用记录、人工接管以及效果评估。

这也是为什么企业真正做AI以后，最后往往会发现：

最大的工作量并不在“调用一个大模型API”。

最大的工作量发生在业务流程、知识结构、系统连接、数据治理和组织变革上。

这恰好也是FDE真正有价值的地方。

医美AI还有一个必须提前解决的问题：客户数据不能随便进入模型

医美行业AI项目有一个经常被严重低估的问题。

数据。

一个客户的姓名和手机号已经属于个人信息。

如果进一步包含面部照片、医疗健康情况、既往记录、病历、治疗记录等内容，敏感程度会明显提高。

中央网信办关于个人信息保护的政策问答明确列出了医疗健康、生物识别等敏感个人信息类别。

医疗机构病历管理规范同时要求保护患者隐私，限制未经授权的病历查阅和使用。

所以企业在做AI的时候不能出现一种非常危险的习惯：

员工把大量真实客户信息直接复制到各种公共AI工具里面。

方便是方便了。

但这已经不仅是AI工具使用问题。

它变成了企业的数据治理问题。

所以我们现在给企业设计AI底座的时候，会越来越强调AI Gateway，也就是企业自己的模型调用网关。

哪些部门可以调用什么模型。

哪些数据允许发送。

哪些字段必须脱敏。

哪些场景只能调用私有部署能力。

调用过程有没有日志。

谁查看过什么。

出现问题以后能不能追溯。

这些基础设施平时看起来没有“智能客服”那么直观，但企业真正规模化使用AI以后，一定会遇到。

尤其是医疗相关场景。

做过医美场景以后，我最大的一个感受：不要把咨询师简单理解成“销售”

很多外部技术团队第一次做医美，很容易犯一个错误。

觉得医美就是高客单销售。

于是系统设计变成：

怎么让AI自动聊客户。

怎么自动发优惠。

怎么自动追单。

怎么提高成交率。

做进去以后就会发现，这个理解太简单。

医美咨询是一个复杂角色。

它处在客户需求、服务体验、医生专业判断和机构经营之间。

客户第一次咨询时可能非常谨慎。

有人担心效果。

有人担心安全。

有人对于医美完全不了解。

有人已经做过很多项目，非常专业。

有人只是想获取价格。

有人非常在意医生。

有人对恢复时间非常敏感。

所以AI真正需要帮助咨询师的，是让咨询师更完整地理解客户。

好的Copilot应该提供信息。

提供知识。

减少重复工作。

提醒遗漏。

帮助组织表达。

把关键医学判断留给具备资质的专业人员。

把最终的人际关系交给人。

这才是“人机协作”真正适合医美的形态。

同样，我们也不建议一上来做“AI自动诊断医美方案”

市场上有很多项目会展示一个很吸引人的Demo：

客户上传一张脸。

AI分析哪里需要改善。

然后自动推荐医美项目。

从产品演示角度，这确实非常直观。

但如果是一家真正准备长期经营的医美机构，我反而会非常谨慎。

因为一旦从“美容内容分析”跨越到具体的医疗诊疗判断，问题的性质已经发生变化。

谁为结果负责？

输入照片是否足够支持判断？

客户既往医疗信息是否掌握？

适应证和禁忌证谁判断？

推荐是否会被客户理解成医疗建议？

后续如何进入真正的专业诊疗流程？

所以我们的思路会更加克制。

AI可以帮助整理照片。

可以做资料归档。

可以帮助顾客表达关注点。

可以做术前信息采集。

可以进行机构标准项目的知识介绍。

可以帮助医生快速查看历史信息。

但真正涉及适应性、治疗方案和医疗风险判断的环节，要留给专业人员。

企业AI真正成熟的标志之一，其实就是知道：

哪些事情不应该自动化。

医美机构到底应该先做哪个AI场景？

如果今天一家医美机构找到我，说：

“我们也想做AI，第一步应该做什么？”

我不会先问它想用DeepSeek、GPT还是其他模型。

我会先看它的业务。

如果每天线上咨询量很大，客服大量时间都在重复回答问题，可以先做AI在线咨询和知识库。

如果线索很多但到院率不理想，可以优先分析线索分层、咨询流程和预约到院Workflow。

如果门店已经积累了大量企微好友，可以优先做私域客户分层、沉默客户召回和咨询师Copilot。

如果是一家快速扩张的连锁机构，可以优先考虑总部知识库、员工培训和门店标准化。

如果新媒体团队人员很多、内容产量巨大，可以优先从内容知识库和合规审核切入。

如果已经有成熟CRM，则可以进一步做客户360、客户生命周期和经营分析。

所以AI转型第一步永远不应该从“AI能做什么”开始。

应该从：

企业现在最大的业务摩擦在哪里？

开始。

我们怎么判断一个医美AI场景值不值得做？

在实际做企业AI场景诊断时，我们通常会重点看几个维度。

第一个是频率。

这个任务是不是每天都在发生。

第二个是人工成本。

有多少人花多少时间在这件事情上。

第三个是标准化程度。

优秀员工到底有没有一套相对稳定的方法。

第四个是数据基础。

过去有没有会话、文档、客户记录和业务结果可以用于构建知识和评价体系。

第五个是业务价值。

它影响的是获客、到院、成交、服务、复购还是风险。

第六个是风险等级。

AI错一次的代价有多大。

这六个问题一问，项目优先级通常就会变得非常清楚。

比如：

在线重复FAQ通常频率高、风险可控、数据丰富，非常适合第一阶段。

咨询师Copilot同样非常适合，因为AI提供辅助，不直接替代人的最终判断。

医疗诊疗自动化则完全不同，它的风险等级要高得多。

所以我们一直强调：

企业做AI不能只看“能不能做”。

还要看“应不应该做”。

医美AI PoC应该怎么做？我更推荐14天验证一个真实闭环

医美企业第一次做AI，完全没有必要一上来投入几个月重做整个系统。

我们现在更倾向于快速PoC。

假设选择“AI咨询助手”。

第一阶段先抽取机构过去真实的高频咨询。

不要一开始导入十万份资料。

先整理最常见的100个问题。

再扩展到300个、500个。

把医生、项目、设备、流程、地址、排班以及客服标准资料整理清楚。

然后定义AI能够回答和不能回答的边界。

下一步接入真实测试环境。

找三到五个客服一起测试。

测试时不能只问：

回答得像不像人。

还要建立Eval。

比如：

答案是否引用正确知识。

是否出现知识库中不存在的信息。

价格是否正确。

医生信息是否正确。

遇到高风险问题有没有正确转人工。

回答风格是否符合机构品牌。

同一个问题重复测试结果是否稳定。

最后再看业务指标。

平均回复时间有没有降低。

客服每天能够处理的会话数量有没有变化。

重复问题人工处理比例有没有下降。

人工接管是否合理。

客户体验有没有明显问题。

只要这一套跑通，企业就完成了第一次真正意义上的AI闭环。

之后再复制到咨询师Copilot、客户运营和其他场景。

FDE进入医美企业，第一件事不应该是打开电脑写代码

如果我是一个FDE进入一家医美机构，我第一周最想做的事情，可能是坐在客服旁边。

看两天客服怎么回复。

再坐在咨询师旁边。

看看客户为什么约了又不来。

看看医生每天被问最多的问题是什么。

看看新媒体每天怎么找素材。

看看店长每天统计什么数据。

看看老板最关心哪些数字。

然后把整个链路画出来：

流量从哪里来。

线索进入哪里。

谁先接待。

什么时候加企微。

谁负责跟进。

什么时候预约。

预约以后怎么提醒。

到院以后信息怎么传递。

医生面诊以后结果进入哪个系统。

项目结束以后谁负责跟进。

三个月以后还有没有人记得这个客户。

只有这些问题搞清楚以后，才开始谈Agent。

因为企业AI项目最终改造的对象是流程。

模型只是工具。

最终，医美行业真正会出现的不是一个“AI客服”，而是一批AI数字岗位

如果继续往后看三到五年，我认为医美企业里面会逐渐出现一批非常明确的AI角色。

AI前台。

AI客服。

AI咨询助理。

AI客户研究员。

AI私域运营助手。

AI内容助手。

AI合规助手。

AI培训教练。

AI店长助手。

AI经营分析助手。

这些角色并不意味着企业会把所有人替换掉。

更可能发生的是：

一个优秀咨询师拥有三个AI助手。

一个新媒体运营拥有自己的选题、资料和审核Agent。

一个店长每天早上直接收到AI整理的经营异常。

一个总部培训负责人不再每天重复回答几十家门店相同的问题。

于是人员的工作内容开始改变。

过去大量时间消耗在搜索、整理、复制、重复沟通。

未来更多时间用于判断、关系、创意和真正需要人的工作。

这才是企业AI转型真正值得期待的地方。

写在最后：医美真正的AI机会，在客户生命周期，不在某一个机器人

做过一些医美场景以后，我越来越确定一个判断：

如果把医美AI理解成“机器人回复顾客”，这个市场会非常小。

如果把它理解成“重新设计医美客户全生命周期”，空间就完全不同。

从第一条广告。

到第一次咨询。

到添加企微。

到预约。

到到院。

到面诊。

到成交。

到治疗或手术。

到后续服务。

到老客运营。

到复购。

到转介绍。

每一步都有信息。

每一步都有知识。

每一步都有需要执行的流程。

每一步也都有可能产生断点。

AI真正应该做的，是把这些断点连接起来。

而FDE真正应该做的，是进入企业业务现场，找到这些断点，然后把AI能力嵌进去。

这也是我们发起「100个企业AI转型需求」征集计划的原因。

目前我们已经累计接触和交付30+企业AI转型需求，覆盖电商、跨境、出海、外贸、医美、连锁等多个场景。

接下来，我们希望进一步寻找更多真实业务。

如果你是一家医美机构、医美连锁、医疗美容门诊部，或者正在负责医美行业的数字化、运营、客服、咨询和私域体系建设，你可以把现在最真实的问题提交给我们。

不需要先整理成AI需求。

你甚至可以只告诉我们：

“我们每天有大量咨询，但是到院率一直不高。”

“我们企微里有几万个客户，不知道怎么运营。”

“我们咨询师水平差异非常大。”

“我们有很多内部资料，新人还是天天问老员工。”

“我们有几十家门店，总部SOP落不下去。”

“我们每天要生产大量医美内容，审核成本很高。”

这些都已经足够。

因为企业AI转型真正需要回答的问题，并不是：

你想做一个什么AI？

而是：

你现在最想解决哪一个经营问题？

我们可以从这里开始。

目前，FDE前线正在征集：

100个企业AI转型真实需求。

针对符合条件的企业，我们可以先进行一次免费的AI场景诊断，帮助梳理业务流程、判断AI场景优先级，并针对适合验证的需求，以两周左右为一个PoC周期，先把第一个真实闭环跑起来。

我有方案，你有场景吗？

如果你正在医美行业，也欢迎把场景交给我们。