2026-11-10 · 19 min read

多行业看下来,AI 落地只有一个共同动作

一份关于多行业 AI 转型案例的课程文稿整理,也是「人机协同」系列的收尾。零售、IT 服务、金融、医药、美妆五个行业的做法差别很大,但作者给了三个带着听案例的问题:AI 到底做了什么、是提效还是进了流程、搬回自己业务要改什么。文中按行业逐个拆:沃尔玛的购物入口与门店经营卡片、IT 服务从卖人天到卖可复用能力、金融为什么不敢交出核心工作、诺和诺德的受控生成。最后收敛到三条共性,其中一条最容易被忽略——规模越大,治理越要提前。

本文整理自课程文稿《05-多行业案例深度解读》。与前几篇一样,文稿末尾自注「内容由 AI 生成」,属整理稿而非逐字记录。

文中的企业案例与数字沿用文稿原述,未做外部核验。

前四讲讲了一套通用的组织逻辑:协同方式变了,最小单元从岗位走向能力节点,节点跑起来后人、流程、文化还要跟着调。

于是很自然会问一句:这些放到我的行业,该怎么落地?

答案是——每个行业长出来的样子都不一样。

带着三个问题听案例

他先给了一个观察:同样是 AI 进入组织,各行业的敏感点完全不同。

行业最在意什么
零售现场响应、消费者变化
金融可追溯、可审核
医药合规与质量
专业服务知识工作怎么被重新组织

所以看案例不能只看「他们用了什么工具」。他给了三个问题,我觉得这是全篇最实用的框架。

  1. AI 在这个案例里到底做了什么
  2. 它改变的是一个人的效率,还是进入了业务流程
  3. 搬回自己的业务,真正需要改的是什么

下面每个案例都可以用这三问过一遍。

零售:决策在往现场移动

入口变了

过去二十年的电商体验大家都熟悉:打开 APP,输关键词,返回一大串商品,自己筛选、自己对比、自己下单。

现在这个入口开始变。

沃尔玛在公开讨论一种新方式:消费者可以在对话式 AI 里直接完成商品发现和购买。他们自己的购物助手也在往这个方向长——理解完整需求,综合商品信息和评价,帮用户比较、规划,甚至完成交易。

他给了一个很具体的场面,对比感很强。

以前:你说要买意面,平台给你一整页意面让你挑。

以后:你说周末家里来几个朋友,想做一顿意大利餐,预算两百,把缺的东西配齐。

这时候发起决策的不是搜索词,是一个闭环任务。

AI 先理解任务,再找商品,比较价格,组织清单,最后把行动带回到交易里。

品牌面前出现了两个消费者

这对零售企业意味着什么,他讲得很准。

过去品牌争的是搜索位置:标签、关键词、广告位。

**接下来多了一层:商品信息能不能被 AI 读懂。**Agent 能不能读到你的库存、价格、规格、评价,然后把这些信息组织进它的推荐里。

所以有了那句判断:品牌同时要面对人和 Agent 两个消费群体。

它的意思很具体——消费者依然需要品牌故事和体验,但 Agent 可能成为人和商品之间的那个买手或中介。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    U["消费者<br/>一个闭环任务"] --> A["Agent<br/>理解 · 比较 · 组织"]
    A --> P["商品信息<br/>库存 · 价格 · 规格 · 评价"]
    P --> A
    A --> T["完成交易"]

上图是新的链路。注意中间那一格:商品信息必须对 Agent 可读,否则它进不了这个链路。

对内:从「带 AI 购物」到「带 AI 经营」

沃尔玛内部同步在做另一件事:把 AI 放进员工的工作里。

给商家团队做生成式助手,用业务数据帮员工更快分析问题;门店运营里用于辅助任务安排,把大量手工规划工作提前整理出来。

他的概括很工整:对外是消费者带着 AI 购物,对内是员工带着 AI 经营。

然后是一句判断:

零售企业的竞争,会从「总部有没有 AI 团队」,走到「每一个经营节点能不能实时调用 AI」。

中心化 AI 与节点化 AI

他专门用一页讲这件事,因为本质上是个管理问题:决策应该从哪里发生。

传统连锁的逻辑是总部集中看数据、做规则、做活动、做系统,一层层下发。

好处是标准统一。问题也很天然:反应速度慢。

突发大雨、本地活动、某个单品突然爆了、附近竞品降价——**最早感知的一定是门店。**但门店上报回来的时候,这种临时的机会或处理,在传统结构里往往搞不定。

AI 进来之后,新的可能性是总部把数据能力、知识库、skill、治理规则准备好,门店拿到这些能力,自己完成一部分快速判断。

他举了一个很具体的画面:

一家门店每天早上拿到一张 AI 生成的经营卡片——昨天哪些商品异常、今天库存哪里有风险、本地天气活动可能有什么影响、哪些会员值得重点触达。

店长不需要再从一堆报表里找答案,他先看 AI 整理过的信号,再快速决策。

所有事情仍然由人决定,AI 只是把需要快速决策的信息整理出来、跑一遍,再交给负责人拍板。

总部的角色变了

过去总部很大一部分价值是收集信息、制定动作、统一下发。

以后总部重要的工作会变成三件:维护一套好的数据接口、提供可复用的 skill、设定统一的治理边界。

节点在门店上就能自己运转。

他的总结是:AI 越接近现场,组织就越需要把能力下沉,同时把规则做得清楚。

IT 服务:人天这个单位要失效了

过去客户买项目,通常是在买一支团队:多少开发、多少顾问、多少项目经理,做几个月交付。

所以这个行业有一个很熟悉的计量单位——人天。

AI 进来之后,这个逻辑开始松动了。

他引了两类变化。一类是原来要做的事情变快了:写代码、查资料、改 bug,机械工作被接走。另一类更值得注意:以前因为时间不够、能力不够、成本太高而做不了的事情,现在又可以做了。

而客户的态度也变了。他会问:现在有 Agent 辅助编码和调试,为什么还需要这么多人?哪些事 AI 能做?**你有没有已经验证过的 Agent 和 skill?**我为什么要为重复的人力工作付费?

这几问其实很难反驳。因为人天卖的是投入量,而客户真正想买的是结果。

服务公司真正要积累的东西变了

他把两家公司的动作放在一起看:一家在自己的内部研究里发现大量工程工作已有 AI 参与;另一家做企业级 Agent 平台,强调企业不必每次从零做 Agent,而是从已验证的案例库里选能力,再结合数据治理和环境去部署。

合起来就是一句话:

IT 服务公司真正要积累的资产,会越来越像一套可以重复交付的能力。

具体到项目上就变成三问:分析的方法有没有变成公司的 skill?常见任务有没有 agent 模板?数据字段有没有标准?

**交付经理的角色也变了。**以前管人、管排期、管需求;现在还要调度 AI 的能力。

于是这个行业最现实的问题浮出来:

当专业能力越来越可以被封装、复制、调用之后,这家公司到底还是卖人,还是需要构建一套持续生产能力的系统。

金融:门槛从来不是模型聪不聪明

他把金融的案例收成一个问题:为什么金融企业明明很需要 AI,却不敢随便把核心工作交出去。

原因很直接:任务错误的成本非常高。

写一段文案,一般还能改;给一个合同建议,也能调整。但金融要回答的是另一组问题:

  • AI 看了什么资料
  • 做了什么判断
  • 最后谁确认
  • 出了问题能不能追溯
  • 必要的时候能不能暂停

而且涉及账户授权、交易的动作,回滚成本很高。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart TB
    Q["AI 给出的结论"] --> A["依据了什么资料"]
    Q --> B["做了什么判断"]
    Q --> C["谁确认的"]
    Q --> D["能否追溯 · 能否暂停 · 能否回滚"]
    A --> G["可治理"]
    B --> G
    C --> G
    D --> G

上图是金融看 AI 的四个方向。注意它们全都不在「模型准不准」这条轴上。

一个保险平台的做法

他讲了 Newfront,一家海外的现代保险平台。

保险业务里有大量琐碎、高度依赖专业信息的工作:员工反复问自己的福利计划到底报什么;法务一份一份看合同;经纪人从各种格式的 PDF 里提取数据再录入系统。

他们把模型放进这些具体流程:福利助手 Agent 化之后,能根据具体计划回答各种问题;合同审查也找到了对应方案。

处理方式是同一句话:常规繁琐的部分交给 AI,经纪人的时间留下来做复杂的策略建议。

一个知识工作的样本

他还补了一家做企业软件的公司,给约三万名员工部署了 AI。

在销售支持场景里,把实时网络信息和内部客户数据放在一起,让 AI 先合成客户背景、账户上下文,再辅助销售做备会准备。

这个案例的价值不在规模,在于它说明高复杂度的知识工作也能被拆出可托付的部分。

医药:受控生成

诺和诺德的案例他讲得很简短,但数字最有冲击力。

他们做了一个生成式 AI 系统,按公开资料的说法,原来需要十周以上的文档,可以压缩到大约十分钟产出初稿,审核周期也明显缩短。

**变化发生在哪?**原来用于找资料、组织内容、套结构的时间被压缩了。而 AI 仍然需要人审核,对关键结论负责。

所以他用了一个词来概括医药行业的 AI:受控生成。

在监管和审核条件满足的前提下进行输出。这个行业的核心是治理。

几个跨行业样本

  • 全球美妆品牌 + 微软:趋势变化快、全球市场差异大,同一产品在不同国家关注的成分、场景、表达方式都不同。他们的做法是让内部 AI 助手调用企业自己的产品和宣称数据,帮市场团队找到可用信息、做本地化内容;研发侧用生成式 AI 更快响应成分趋势。
  • 广告集团:明确往智能营销平台方向走,很多素材和流程可以交给 Agent 完成闭环任务。
  • 汽车与零售服务:不同体量的公司都在做不同层面的转型,有的偏业务,有的偏组织。

三条共性

看了这么多案例,他收敛出三点。第三条我认为最容易被忽略。

一、AI 必须落到具体任务

很多企业一上来就采购账号、建平台、做大模型门户,但没人讲得清楚应该在哪个阶段把 AI 接进工作。

结果前面做得很热闹,后面 AI 没有真正进入组织。

而沃尔玛、ServiceNow 这些案例的共同点是:都把 AI 放进了一个非常具体的任务里——购物比较、销售备会、保险问答。

任务拆得越具体,AI 越容易落地。

他顺带解释了一件事:这也是现在这类前置工程师角色为什么值钱。

二、先沉淀 skill,再谈 Agent

他们的做法顺序很固定:先把稳定的方法沉淀成 skill,跑通了、能批量了,再考虑要不要做成 Agent。

顺序反过来的代价,前面几讲已经讲过很多次。

三、规模越大,治理越要提前

这条他说得最重。

一个员工自己用 AI,出错的半径很小。但一百个人、一千个人同时用,错误很快会被复制。

所以金融和医药一直在强调治理,不是因为保守,而是因为规模化会快速放大风险。

落地时最容易踩的三个坑

他点了三个:

  1. 技术选型错配
  2. 组织和文化的调整跟不上
  3. 数据问题

然后给了一条很克制的建议:每个公司有自己的模式,先把思路想清楚,再小步快跑。

不要一上来就做大改造——那样很难真正做好转型。

最后那句,我觉得是这五讲里最诚实的一句:

企业转型没有一个所谓的正确答案。趟一些问题、总结经验,本质上不是失败的表现,而是在这个过程里找到一个和 AI 转型契合的点。

我的三点补充

以下是评注,不是原片内容;我的判断和取舍由我自己负责。

**第一,那个「品牌要面对两个消费群体」的说法,其实改写了营销的一条底层假设。**过去所有投放、内容、详情页都是给人看的。现在多了一个读者:它不读故事,只读结构化字段。**这不意味着品牌故事作废,意味着品牌必须同时准备两套表达。**而多数企业的商品信息还停留在「人看着舒服」的水平,机器读起来一片模糊。

**第二,「人天失效」这件事的真正压力不在报价,在能力沉淀。**如果服务公司不能把顾问的方法变成 skill,那它面对客户那句「为什么还要这么多人」时,唯一能给的答案是降价。而降价是一条没有尽头的路。能救它的只有一件事:把重复劳动换成的能力,变成可重复交付的资产。

**第三,三条共性里第三条最反直觉也最贵。**前两条是效率问题,第三条是风险问题,而风险问题在扩张时才会暴露。**一个员工用错 AI,损失是一次返工;一千个人用错,损失的是一批被复制的错误结论。**所以治理不是给 AI 上枷锁,是给规模上保险——这也是为什么金融和医药看起来最保守,实际上他们的顾虑最专业。


一句话总结:五个行业,五种敏感点,同一个动作——把 AI 放进一个具体到能被验收的任务里,然后才谈规模。

搜索全站

输入关键词,查找项目与实践记录。