AI 落地问题解决场景 - 问题解决模式

前面我们聊了如何定义问题、如何探索工具。 现在，让我们看看这套方法在实际场景中是怎么运作的。

理论够了，该上实战了

在前两篇文章中，我们明确了两件事。

第一，在向 AI 要答案之前，先要学会提问。第二，工具不局限于软件，需要快速探索、轻量验证。

然而在实际工作中，我们总会听到这样的反馈：

"说了半天，具体该怎么做？"

没错。框架只有在实战中跑通了才有意义。所以这一篇，我们将通过三个真实场景，从问题定义 → 工具探索 → AI/AX 落地，完整走一遍全过程。

场景一："做一份报价单要花一整天"

常见做法

销售团队叫苦连天，说报价单太耗时间了。大多数人的第一反应就是去搜索"报价自动化方案"。

先回到问题定义

"谁，在什么情况下，因为什么原因，产生了什么后果？"

销售人员收到客户需求后，需要分别从 ERP、电子表格和历史邮件中查找产品规格、单价、折扣率和交期信息，然后手动填入报价单模板。整个过程平均耗时 6 小时，40% 的紧急需求当天无法响应。

现在问题清晰了。不是"报价单做得慢"，而是信息分散在多个系统中，手动汇总才是真正的瓶颈。

工具探索：四个关键问题

① 能不能直接去掉？ 报价单本身不能省，但可以区分客户真正关注的信息和内部惯例性填写的信息，说不定能把模板精简一半。

② 核心是判断还是重复执行？ 折扣率的确定需要判断，但收集产品规格、单价和交期信息纯粹是重复劳动。问题的 80% 出在重复执行上。

③ 有没有现成可用的方案？ 如果 ERP 提供 API，与电子表格的对接甚至不需要开发。另外，如果有足够的历史报价数据积累，光是检索相似案例就能省下不少时间。

④ 验证成本有多高？ 最快的实验是这样的——分析最近 50 份报价单的规律，然后测试用生成式 AI 根据"客户需求邮件自动生成报价初稿"。一天就能完成。

AI/AX 落地

第 1 天: 将历史报价模板和产品目录输入生成式 AI（Claude、GPT 等），搭建一个工作流：输入客户需求邮件，输出报价初稿。销售人员只需审核初稿并决定折扣率。

第 1 周: 接入 ERP 数据自动查询。输入产品编码，最新单价和交期自动填充。

第 1 个月: 基于积累的数据分析出"给这个客户这样的折扣，中标概率更高"的规律。AI 开始辅助判断决策。

结果: 报价时间从 6 小时缩短到 40 分钟。人没换，流程变了，AI 在优化后的流程上发挥作用。

场景二："新人入职要花一个月才能上手"

常见做法

HR 提议做一个 AI 聊天机器人，自动回答新员工的常见问题。听起来挺靠谱的。

先回到问题定义

新员工入职后的第一个月里，为了搞清楚业务系统怎么用、公司规章制度是什么、各部门流程怎么走，平均需要向 12 位同事逐一请教。这导致老员工每培养一名新人要投入约 40 小时，新人自己也要 4 周才能真正开始干活。

问题的核心很明显：知识都装在人脑子里，没有被系统化地整理出来。

工具探索

① 能不能直接去掉？ 入职培训本身不能省，但"挨个问 12 个人"这种模式可以消除。如果问题是重复的，把答案集中到一个地方就行了。

② 判断还是重复？ 新人问的绝大多数问题都是事实性的。"年假怎么申请？""代码评审流程是什么？"这些不是判断题，是信息检索题。

③ 有没有现成可用的方案？ 最快的工具不是 AI，而是找一位即将离职的同事或最近入职的新人，让他们列出"入职头一个月问得最多的 20 个问题"。这份清单是后续所有工具的基础。

④ 验证成本有多高？ 把这 20 个问答整理成一份文档，需要两天。用下一位新员工来验证效果，需要一个月。

AI/AX 落地

即刻: 整理高频问题清单，将各部门流程汇总为一份统一文档。这不是 AI 的工作，是人的工作，是流程层面的优化。

第 2 周: 基于整合好的文档搭建内部 AI 助手。在 Notion、Confluence 或公司内部 Wiki 上部署 RAG（检索增强生成）聊天机器人，新人用自然语言提问，系统从相关文档中找出答案。

第 1 个月: 收集聊天机器人回答不了的问题日志。这些日志就是"尚未文档化的隐性知识"清单，再把它们补充进文档，整个组织的知识体系就逐步完善了。

结果: 入职周期从 4 周缩短到 2 周，老员工的投入时间从 40 小时降到 10 小时。但真正的收获不止于此——这个过程中沉淀下来的知识库，不仅对新人有用，对老员工同样有价值。解决的是入职问题，提升的是整个组织的信息获取效率。

场景三："搞不清楚营销效果"

常见做法

市场团队提议引入 AI 分析看板，弄一个炫酷的数据可视化界面。然后开始约供应商。

先回到问题定义

市场团队同时运营 5 个以上渠道（搜索广告、社交媒体、邮件、内容营销、线下活动），各渠道的数据分散在不同平台上，每月整合成一份统一报告需要 3 天，等报告出来的时候，决策窗口早就过了，洞察根本来不及用到下一轮投放中。

核心问题不是"分析能力不够"，而是数据整合太慢，导致洞察过了保质期。

工具探索

① 能不能直接去掉？ 5 个渠道真的都需要吗？砍掉效果不好的渠道，需要整合的数据量自然就少了。把渠道从 5 个精简到 3 个，报告制作时间就可能减少 40%。

② 判断还是重复？ 从各平台导出数据、统一格式、合并汇总，这些纯粹是重复劳动。但分析"本月搜索广告转化率为什么下降"，这需要判断。把重复劳动自动化了，人就能专注于判断。

③ 有没有现成可用的方案？ Google Ads、Meta、GA4 等主流广告平台都已经提供 API。用 Looker Studio 或电子表格做个对接，就能消除手动下载的步骤。这不是 AI，是把现有工具用对了。

④ 验证成本有多高？ 用电子表格对接 API，一天搞定。和手动报告做交叉比对，一周就够。

AI/AX 落地

第 1 天: 将各广告平台的数据自动归集到一张电子表格或数据仓库中。这是数据工程，不是 AI。但跳过这一步直接上 AI，等于让 AI 坐在一堆乱数据上面。

第 1 周: 在整合好的数据之上接入生成式 AI。"帮我总结一下本周搜索广告的表现"、"转化率最高的三个素材是哪些"——这些自然语言查询变得可行了。"做报告"的时间消失了，只剩下"看报告"的时间。

第 1 个月: AI 开始自动识别异常信号。"昨天 CPC 较平时上涨了 35%，可能原因：①竞品加大竞价投入 ②关键词质量得分下降。"不用人去问，AI 主动预警。

结果: 报告从 3 天手工制作变成实时自动生成，决策频率从每月一次提升到每周一次以上。市场团队的角色从"整理数据的人"转变为"用洞察做决策的人"。

三个场景揭示的共同模式

回过头看，三个案例遵循的是同一套逻辑。

第一步 — 把问题定义清楚。 不要停留在"太慢了"、"搞不清楚"、"太难了"，而是拆解成：谁、什么情况、什么原因、什么后果。

第二步 — 先找 AI 之外的解法。 梳理流程、去掉多余步骤、用好现有系统——光是这些就能消除大部分问题。

第三步 — 在精简后的问题上叠加 AI。 AI 在整洁的数据和清晰的流程上才能发挥最大威力。在混乱之上叠加 AI，只会更快地制造混乱。

第四步 — 从小处着手，用结果指导下一步。 一天的实验 → 一周的试点 → 一个月的验证。保持这个节奏，失败了成本也很低，成功了就能有信心地扩大规模。

AI 转型不是技术项目

这三篇文章要传达的核心信息只有一个：

AI 转型（AX）不是引入一项技术，而是转变解决问题的方式。

定义问题的能力、以开放视角探索工具的习惯、通过小实验快速验证的执行力——具备这三点的组织，无论什么新技术出现都能从容应对。AI 不过是叠加在这个基础之上的加速器。

技术会不断迭代，但精准定义问题、找到合适工具、快速付诸行动的能力——在任何时代都不会过时。