~ / cases
INDUSTRY PLAYBOOKS · 行业作战手册

五个行业,把打法拆到环节级的做法

以下是我们对五个行业的打法拆解:这类企业真实长什么样、最痛的三个问题是什么、业务底图怎么建、每个环节 AI 做什么人做什么、能推演出多少收益,以及——哪些不值得做。问题真实、方案真实,数字是推演目标,不是实测承诺。

数字说明:来自行业报告 / 官方来源的数字可作参考区间;标「案例」的数字来自公开案例、非行业普遍值;所有收益是推演口径,最终以你的真实业务基线为准。

PLAYBOOK 01 · 制造业

中小离散 / 轻工制造(3C · 五金 · 注塑 · 纺织 · 食品包装)

多品种、小批量、季节性订单,产线换型频繁;信息化普遍偏低——排产用 Excel、进度靠电话、工单纸质、质检大量靠肉眼。产线上堆着看不完的质检图像、翻不动的纸质工艺单,老板每天在「招不到质检工」和「客户又退货了」之间救火。视觉缺陷检测是这个行业需求最强、最成熟的 AI 场景。

视觉缺陷检测示意节拍 0.8s/件
今日全检 3200 件NG 18
允收等级商务裁量 — 人拍板
界面示意 · 非真实数据
最痛的三个问题
01

人工目检——又贵、又慢、又不稳

外观 / 表面缺陷检测长期靠肉眼。人眼会疲劳、受经验和情绪影响,速度还追不上产线节拍。传统规则机器视觉一换型、一换光照就失效,缺陷库一增长就编程维护不动。

量化口径 · 案例:质检员连续工作 6 小时后,缺陷检出准确率从 85% 跌到 61%;高速产线人工漏检普遍 > 20%;仅 3C 检测岗就近 300 万人。

02

漏检 → 客诉 / 批量退货 / 索赔

目检漏检往往流到客户手里才爆炸:批量退货、索赔、罚款、丢单。缺陷数据不沉淀,同类缺陷反复发生,没有「缺陷—工序—根因」的闭环,无法从「检出」走向「预防」。

量化口径 · 行业口径:不良质量成本里,事后补救(内 + 外故障)占约 70%,预防仅约 5%。

03

经营侧全靠人脑 + Excel + 纸

报价靠老师傅拍脑袋、订单进度靠电话催、工艺单 / 质检报告纸质或散落 Excel,数据进不了系统,成本核算做不到订单 / 产品级。

量化口径 · 案例:标准设备报一次价 3–4 小时;询价响应超 24 小时,客户流失率上升。

业务底图(本体诊断)
01 · 核心对象

产品、工序、缺陷类型、判定标准、根因、处置、订单。

02 · 关系

产品 →经过→ 工序 →可能产生→ 缺陷类型 →关联→ 根因 / 处置。

03 · 底座知识

把老师傅口头的「这个划痕算不算 NG」固化成可复用的判定规则 + 图像样例;唤醒沉睡的质检图像、设备记录、工程图纸,作为视觉模型的燃料。

AI 场景方案
AI 自动化 · 高频 / 有标准答案
人拍板 · 判断 / 担责 / 信任

AI 做视觉模型:产线相机 / 监控实时读图,缺陷检出、类型分类、允收等级判定,全检替代抽检、节拍内出结果;多模态 AI 读懂图纸 + 质检标准,把判定标准对齐。

人拍板判定标准最终确认、边缘模糊样本复判、允收等级的商务裁量。

AI 做经营侧:单据 / 质检报告多模态结构化入库;报价 / 订单智能体基于 BOM 与历史成交价生成报价草稿、自动归集订单进度。

人拍板最终报价、非标商务条款、客户关系——留给人。

推演收益
  • 全检替代抽检,质检人力减配,跨班次一致性拉平(机器无疲劳)
  • 漏检下降,客诉 / 退货成本从「事后赔」挪到「事前防」
  • 报价从数小时压到分钟级,抢回响应窗口

案例数字来自公开厂商案例、非行业普遍值;量化以你的产线实测基线为准。

我们会明说:这些不值得做
  • 极小样本 / 缺陷率极低的产线——缺陷样本天然稀缺,需先做数据积累期,不承诺开箱即用
  • 复杂柔性缺陷(形态多变、跨场景多 SKU、弱小目标)——慎接,需分阶段验证
  • 关键允收判定不留人工复判通道——深度学习是黑箱,高风险判定要保留人的最终确认

图纸与质检数据是工厂机密,支持本地 / 专属环境部署,数据不出域。

PLAYBOOK 02 · 电商

中小电商卖家

「老板 + 十几个人」的实操型卖家,天猫 / 拼多多 / 抖音多平台起步,毛利被平台佣金、投流、退货吞掉,净利常在 3–8%。订单在 ERP、咨询在各平台 IM、数据靠生意参谋 + Excel——没有一张统一的业务底图。营收每增长一档就要线性加人,人效卡死了利润。

AI 客服智能体示意在线 · 7×24
我的订单到哪了?
您的订单 #8821 已发货(顺丰 SF1234),预计明天 18:00 前送达。▸ 已读取真实订单上下文
想申请退款,金额有点大
大额退款 · 已转人工客服 — 人拍板
界面示意 · 非真实数据
最痛的三个问题
01

客服重复咨询 + 夜间 / 大促漏单

每笔订单前后都伴随「发货了吗 / 怎么用券 / 怎么退」,约 70% 是重复问题。客服按咨询量线性配置,还得三班倒覆盖夜间和大促峰值。

量化口径 · 日均上千咨询需 15–20 名客服;客服年流失率 25–40%;响应慢直接掉转化、掉体验分。

02

商品图文批量生产,美工成瓶颈

上新、活动换图、多平台尺寸适配,每款 SKU 都要拍摄→精修→排版→写文案。批量上几十款,光出图就要数天,错过流量窗口就是少赚。

量化口径 · 美工 1–3 人是标配;出图周期直接约束活动响应速度。

03

多平台数据搬运与对账

运营每天在各平台后台之间登录、下载、合并、算表,手工拼日报;财务再反复导表对账。数据复盘滞后一天,投流该加该减、哪款该补该清就判断慢一天。

量化口径 · 运营每天 2–3 小时耗在搬数据;单报表约 3 小时。

业务底图(本体诊断)
01 · 核心对象

客户、订单、商品 SKU、咨询会话、退换单、投流计划。

02 · 关系

客户 →下单→ 订单 →包含→ SKU;咨询与退换都挂在「订单 + SKU」上。

03 · 底座知识

发货时效、退换政策、优惠券规则、各平台差异、品牌视觉与文案规范——今天散在老板脑子和客服话术里,没结构化,所以 AI 用不上。

AI 场景方案
AI 自动化 · 高频 / 有标准答案
人拍板 · 判断 / 担责 / 信任

AI 做客服智能体:7×24 自动应答那 70% 重复问题,带真实订单上下文;夜间 / 大促零漏单;给人工客服草拟回复。

人拍板投诉、情绪、大额退款转人工;所有退款 / 改价 / 补发等写操作,人点确认。

AI 做图文流水线:喂入 SKU 卖点 + 品牌规范,批量生成多平台主图 / 详情页 / 文案初稿,基于真实产品图保证货板一致。

人拍板上架终审(合规、货不对板、调性),高转化款主图定稿。

AI 做数据 Agent:自动抓各平台数据、统一口径、生成日报周报、对账并标异常(投流超标 / 库存异动 / 退货突增)。

人拍板看异常告警后的经营决策——加减投流、补货清仓。

推演收益
  • 客服首轮自动解决约 70% 重复问题,人工从多人降到覆盖复杂 30%
  • 单批上新出图周期从「数天」压到「按小时」
  • 运营每天省 2–3 小时,报表分钟级出

推演口径:以行业重复问题占比、搬数据耗时为依据,实际以驻场首月 A/B 实测为准。

我们会明说:这些不值得做
  • 全自动无人客服——情绪、纠纷、大额售后必须留人工,硬上会砸体验分
  • 一键自动生成并上架商品——货不对板 / 审核 / 调性风险由人兜底
  • 只有单平台、数据量小的卖家硬造多平台 BI——生意参谋够用即可

客户与订单数据敏感,支持私有化部署、权限隔离、数据不出域。

PLAYBOOK 03 · 销售 · 营销获客

中小 B2B / B2C 销售与获客团队

老板背着营收 KPI,销售 + 市场 + 私域运营一堆人,客户 / 线索 / 话术 / 成交规则却散在人脑、聊天记录和多个后台里。获客越来越贵,接不住就是烧钱——本质是缺一张结构化的客户与线索底图,导致每天的高频动作全靠人肉判断和记录。

线索分级 · 跟进台示意今日新线索 12
高意向 · 张总 · 官网表单首响 02:11
中意向 · 李经理 · 沉默 3 天自动唤醒
低意向 · 抖音私信 · 待孵化培育中
大客户方案 / 报价 — 人拍板
界面示意 · 非真实数据
最痛的三个问题
01

线索初筛慢 + 高潜跟进不及时

SDR 大量时间耗在信息整合上,高潜线索因响应慢凉掉;线索到商机的衰减,是漏斗里最显著的流失环节。CRM 只记录不判断,销售还抵触录入、数据源头就脏。

量化口径 · 有效线索成本已达数百元 / 条;首次响应超 30 分钟,客户就忘了加过谁。

02

私域运营靠人肉

大量沉睡客户没人系统性唤醒、跨渠道流失;人工打标签、想跟进话术每天耗掉数小时。SCRM 只给「工具位」,决策仍全留给人。

量化口径 · 行业口径:多数企业沉睡客户过半;人工打标签约 3 小时 / 天。

03

话术 / 内容生产 + 新人经验难复制

内容投产比低;销冠的判断力沉淀在个人手感里,新人独立上岗普遍要半年以上,一离职就带走一批客户。

量化口径 · 新人独立上岗周期常 > 6 个月;销冠经验难以规模化复制。

业务底图(本体诊断)
01 · 核心对象

线索、客户、意向、跟进记录、话术、成交规则。

02 · 关系

线索 →转化→ 客户;跟进记录挂在「客户 + 意向阶段」上。

03 · 底座知识

客户分级标准、跟进话术、成交与报价规则、销冠的判断逻辑——先把这些从人脑和聊天记录里结构化成底图,AI 才能做分级、提醒、话术。

AI 场景方案
AI 自动化 · 高频 / 有标准答案
人拍板 · 判断 / 担责 / 信任

AI 做线索自动分级(按意向 / 来源 / 行为)、首响不超时兜底、沉默线索按规则自动唤醒;跟进记录自动整理成日报。

人拍板高潜客户的深度沟通、方案定制、报价拍板。

AI 做私域自动分层打标签、按标签推个性化触达草稿;话术 / 内容按模板批量生成初稿。

人拍板内容与话术终审、品牌调性把关。

AI 做把销冠的成交逻辑固化成可复用的话术与判断模板,新人调用。

人拍板大客户谈判、信任关系——明确留给人,不做。

推演收益
  • 线索首响从「超 30 分钟」压到秒级兜底,沉默线索系统性唤醒
  • 私域打标签 / 分层从人肉变自动,人力平移到高价值沟通
  • 销冠经验沉淀成模板,新人上手周期缩短

推演口径:需按你的真实线索基线校准;厂商宣称的转化提升数字仅作上限参照,不作承诺。

我们会明说:这些不值得做
  • 让 AI 假扮销售、替人和大客户谈判建立信任——右上象限,硬上砸信任
  • 客户还只存在个人微信、数据全在人脑的团队——先归集数据,本体无根别硬上
  • 为了「用上 AI」硬造一堆没人看的自动化报表

客户与线索是你的核心资产,支持私有化部署、权限隔离、数据不出域。

PLAYBOOK 04 · 教培

中小教培 / 培训机构

双减后以素质教育、成人考证、职业与语言培训为主的中小机构。营收命脉是「转化率 × 续费率」,两端全卡在人(课程顾问 / 教务 / 社群运营)身上。客户常存在顾问个人微信里,学员数据和跟进记录散在人脑和聊天记录中,没有统一底图——顾问一离职就带走一批学员。

学员运营台示意在读 128
3 名学员课时将到期(<7 天)· 已派对应班主任
王同学 · 剩 2 课时 · 到期 5 天流失风险
7×24 答疑 · 课程 / 流程 / 政策已答复 86
试听后临门一脚成交 — 人拍板
界面示意 · 非真实数据
最痛的三个问题
01

线索跟进漏水,获客贵却接不住

有效线索越来越贵,但线索来了跟不住:首响超 30 分钟家长就忘了加过谁;沉默 / 未成交线索无人系统性唤醒,白白流失。招生 CRM 只记录不判断,顾问抵触录入。

量化口径 · 有效线索成本已达数百元 / 条;线索是花钱买来的,接不住直接烧钱。

02

试听转化 + 续费靠顾问手工记忆

很多机构试听转化不到三成;消课进度、到期时间、学习反馈散在教务系统和班主任手里,续费预警滞后——发现学员快到期不续,已经晚了。

量化口径 · 续费是教培的生命线,预警滞后直接掉续费。

03

重复答疑 + 社群运营吞人力,且触合规红线

课程时间、报名流程、退费政策反复答;社群 / 朋友圈靠人肉刷。过度营销易触「未成年人保护 / 虚假宣传」合规红线。

量化口径 · 行业已出现:离职顾问带走大批私人客户、家长因骚扰拉黑。

业务底图(本体诊断)
01 · 核心对象

线索、学员、课包(课时 / 到期 / 续费)、课程、排课、试听、跟进记录、学习反馈。

02 · 关系

学员 →报名→ 课包;跟进记录挂在「线索 / 学员 + 阶段」上。

03 · 底座知识

退费政策、报名流程、课程 FAQ、续费规则、合规话术边界——先结构化成底图,AI 才能做分级、预警、答疑。

AI 场景方案
AI 自动化 · 高频 / 有标准答案
人拍板 · 判断 / 担责 / 信任

AI 做线索自动分级、首响不超时、沉默线索自动唤醒;7×24 答疑(课程 / 流程 / 政策);消课到期与流失风险自动预警并派给对应班主任。

人拍板家长深度沟通、试听后的临门一脚成交、投诉与危机处理。

推演收益
  • 线索首响从「超 30 分钟」压到秒级兜底,减少浪费
  • 续费预警从「靠记忆滞后」变「按到期 / 风险自动提醒
  • 重复答疑自动兜底,顾问时间还给高价值沟通

推演口径,非承诺;厂商宣称的续费提升数字仅作上限参照,需按你的真实基线校准。

我们会明说:这些不值得做
  • AI 假扮课程顾问与家长做情感沟通 / 成交——右上象限,砸信任且涉伦理
  • 焦虑营销 / 诱导内容自动化——涉未成年人 / 家长合规红线,一票否决
  • 客户还只存在顾问个人微信、数据全在人脑的机构——本体无根,先别上
  • 教学本身不交给 AI 替代——AI 只做答疑 / 资料 / 批改初筛的辅助

涉及学员与家长信息,支持私有化部署、数据不出域,合规边界前置。

PLAYBOOK 05 · 专业服务

中小律所 / 财税代账 / 精品咨询

文档密集、专业知识密集、按项目或工时计费、数据高度敏感、交付强依赖资深人力。收入天花板 = 资深人力的可复制性——人力堆不上去,规模化就被死死卡住。这类企业业务对象天然结构化、有客观对错,是「业务底图」方法论最好的舞台。

起草智能体 · 尽调结论示意§3.2
“标的公司近三年纳税正常、无重大欠缴。”▸ 溯源:税务申报表 2021–2023
低置信 · 关联交易披露 → 建议人工复核
签字担责在 人拍板
界面示意 · 非真实数据
最痛的三个问题
01

文档初审 / 起草的重复消耗

合同审查、文书起草、凭证录入、尽调整理这些高频、重复、有客观对错的活,占掉资深人力最贵的时间——这些时间本该用于专业判断和获客。

量化口径 · 案例:律师单份合同审查约 3.2 小时;代账会计报税季一人背 10–40 户账套。

02

获客与规模化瓶颈

服务非标、同质化、低价内卷。转化靠「专业能力的可信呈现」(一份像样的初诊报告 / 方案),而这恰恰是最耗资深人力的部分,工具给不了内容力。

量化口径 · 行业口径:法律服务营收多集中在中小区间,低价竞争普遍。

03

AI 可信度缺口:初稿不敢用

通用大模型幻觉频发、引用无溯源,在「错一个就要担责」的场景里,核对成本可能抵消掉省下的时间——这正验证了「批评者 / 合规审查智能体 + 结论溯源 + 人签字担责」的必要。

量化口径 · 案例:全球已记录上千起 AI 法律文书造假、多名律师受惩戒。

业务底图(本体诊断)
01 · 核心对象

客户、案件 / 账套、合同、凭证、申报、合规规则。

02 · 关系

客户 →委托→ 案件 →适用→ 法条 / 记账规则;文书 / 凭证挂在案件上,附时效与利益冲突校验。

03 · 底座知识

把这些结构化成底图后,AI 才有可校验的对象,「批评者智能体」才能拿规则逐条比对,而不是自由发挥。

AI 场景方案
AI 自动化 · 高频 / 有标准答案
人拍板 · 判断 / 担责 / 信任

AI 做采集智能体把票据 / 合同 / 卷宗结构化入底图;起草智能体基于私有底图生成凭证 / 文书 / 尽调初稿,每条结论带溯源;批评者 / 合规审查智能体拿规则逐条比对,低置信内容强制标「建议人工复核」。

人拍板只审被标红的部分,最终风险判断、诉讼策略、报表 / 申报——签字担责在人。

推演收益
  • 初审 / 起草类的重复工时大幅压缩,资深人力转向可计费与获客
  • 代账端单人可承载户数上抬,改善人均产值
  • 口径建议按「每人每周省下的可计费小时 × 单位工时价值」计量

推演口径,非承诺,落地实测为准。

我们会明说:这些不值得做
  • 为「数据安全表态 / 品牌宣传」上一套脱离工作流的本地大模型——真实教训是上线即弃用(脱离工作流 / 离场景太远 / 上线即过时)
  • 追求「全自动无人」——专业判断、签字担责、客户信任 AI 不接管
  • 票据质量差(大量手写 / 模糊)却不先治理源头单据就硬堆 OCR

数据安全是一票否决项:律师保密义务 + 数据分类分级。方案必须支持数据不出域 / 私有化或专属环境 / 权限审计(谁在什么时候看了哪户账、哪个案件),敏感数据不进训练。

你的行业、你的痛点,
值得单独拆一遍。