我在企业落地AI这一年，全流程案例拆解

推荐语

AI落地实战经验分享：从电商客服到部门提效，看如何用AI重构业务逻辑。

核心内容：
1. 电商AI客服的落地路径与关键避坑指南
2. 企业微信AI客服的定制化开发策略
3. 跨部门工作流的AI化改造实践

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

从高价值业务切入

电商AI客服 - 售前为主

刚入职时，我就想好了落地路径。公司主营电商，在拼多多、京东、淘宝都有店铺。虽然平台自带机器人，但往往有点笨，更像能力较弱的小模型，远不如顶尖大模型智能，当然，国内平台估计也不让用国外的模型。所以当时想着还是自建。

自建的好处很明显：成本低、灵活、可定制。比如我们可以跟自己的内部业务系统进行打通。比如硬件的话，可以让AI客服根据硬件的实时数据进行回复；还有一些比如预约某个时间点上门维修等等。不过自建有个点要注意，各个电商平台没有开放API，只能通过其他方式进行实现。具体做的细节就不讲了，这里有几个坑要注意

1. 必须考虑大数据量并发的情况。

2. 做好模型响应失败的容灾预案。

3. 不同平台有违禁词限制，需通过关键词过滤系统进行二次替换。

4. 建议先在夜间上线（本就是人工空白区，属于增量价值），验证后再推广。

5. AI解决不了的自动转人工，前期宁可保守一点，给知识库优化留出时间。

我们最先落地的就是电商AI客服，当然落地之后效果怎样呢？这其实也是AI负责人在落地之前就要考虑到的情况。就是一个工具落地后，实际产生了什么价值，你得有数据支撑，不能光说，AI客服+人工肯定比纯人工要更高效，能接待更多的客户咨询。这是价值，但没有量化。作为AI负责人，必须用数据说话：接待了多少咨询、回复了多少次、卖了多少商品，带来了多少转化等等。数据会给你真实的反馈，指引你前进的方向。下面是几家不同行业店铺AI客服（晚上）与人工（白天）转化数据。

企业微信AI客服 -售后为主

对我们公司而言，电商AI客服只是售前。我们售后又是统一的另一套，用的企业微信客服。因为我们的用户主要是在微信体系，所以用企微更方便，并且对于我公司来说，企业微信的售后咨询量更大。本来一开始是准备找成熟产品用的，但基本都是按坐席收费，且需要改变客服的原有操作习惯，成本高、上手难。所以还是决定自己做。

市面上有很多一键接入微信客服的工具，像元宝，coze。但那种就是纯平台接入，看起来好像很好用，但不灵活。而且也无法配合人工进行操作。我们企业需求更希望保持原有客服的操作习惯所以还是得自建。

以前做这样一套系统，至少得一个小团队做个把月时间，但在AI时代，一个人也能把活干得又快又好。

部门提效

企业里有很多部门，每个部门其实都有一些低效的工作，以前都是靠人力去做的。现在有了AI后，有些工作可以用程序自动化，有些工作流通过AI重构后，有些工作就不需要人再做了。当然，这里面很多都是企业定制化需求，我这里只是提供一些案例思路给大家参考。

研发部

程序员使用 Vibe Coding（氛围编程）就不用说了，就现在，不会用AI编码的人出来找工作就很难了。但实际上很多程序员还没用起来，或者用得很浅。这块我也不知道怎么说，反正没有深入使用的。建议先自我分析下，到底是什么原因没用起来。

产品经理很多都是并入研发部部门的，如果产品经理不使用AI，那以后就业只比不会AI的程序员还要难。我认为产品经理是AI时代最受益的岗位之一。产品调研，产品需求整理可以借助AI提效；产品原型，可以借助AI直接生成；因为产品经理懂业务，可以借助AI编写各种业务功能的工具，实现价值最大化。

如果公司里要选择谁来深入学习AI，负责AI落地，产品经理是最适合的角色。

财务部

财务同事跟钱打交道。经常要对账，核对订单，还有整理发票。

对账工具：根据传入的表，自动核算表单金额，去掉重复订单，去掉状态变更的订单。支持一键导出有效订单数据，简化操作步骤，兼容异常数据，支持后期更新。原来这个工作需要运营做一遍，然后财务再核对一遍。现在两个部门都不需要做了。

快递签收工具：批量查询快递订单的轨迹，并获取物流信息里最后签收人信息。

发票整理：自动整理发票，根据不同主体，进销项，普票专票，然后给发票命名。

这些需求虽然小，但经常需要人工每天或者每周消耗几个小时时间来整理，既低效又容易出错，所以用AI做一些小工具就很适合。

客服部

除了跟用户沟通的客服外，客服部还负责退货相关事宜。比如，要把微信群里的退单信息整理到Excel表上。

需求：自动统计微信群里发送的拦截，退回的快递单号（有个相对复杂的规则，支持多个快递公司），并汇总到Excel表里。支持撤回，支持导出拦截成功和失败的数据等等。在有了这个工具之前，每天客服每天都有1-2个人做一下午的统计工作，低效且容易出错。

还有一个企业微信侧边栏应用，也就是在聊天对话框右侧应用栏里显示当前用户和设备的资料。比如之前每次还要打开管理后台去查，方便了不止一点。整体效率起码提高了30%。这种需求以前也是需要一个小团队做的，但现在的AI真的可以干的又快又好。

运营部

电商运营部，能做的事情很多。批量出商品图这个去年就说过了，之前是通过comfyui做的，相对会复杂一点，对电脑要求也高。现在AI生图模型能力强了，可以直接口语化ps了，而且像nano banana pro已经能非常好的输出中文字体了。最近可能由于算力限制，出图效果有点降智。不过相信很快就好的。成本的话还有点高，官方1块钱一张图，国内中转2-3毛一张图。

除了电商这块，还有新媒体运营。这块之前很多公司都做不好，毕竟内容创作对人的要求非常高。但AI出来后，创作门槛降低到极致了。好处是，创作变简单了。坏处是，想要做出成绩更难了。针对这个，我做了个AI自动生成内容，自动发布到各个平台的工具。但我认为，想要把内容做好，关键还是在用的人身上。

某部门负责人

之前某部门负责人有一个很费劲的工作，就是调研竞品商品价格，在结合我们上游渠道价格反向倒推自己的定价。从商品价格获取，到换算，到最后更改我们商品价格。之前都是纯人工Excel表管理。不仅繁琐，而且非常容易出错，尤其是多个上游渠道，我们还需要平衡成本。这个事情就不应该人来做。最简单的方案就是，扔给程序一个或多个商品链接，手动录入一些必要的业务数据，然后程序自动输出产品定价并更新到线上系统。

要遵循最简单的设计原则，完成一件任务，如果一个按钮能解决，就不要让人操作两次。

人事行政部

行政主要负责公司跟事相关的事情，杂事特别多。比如入职资料整理。这块之前因为公司规模不大，都是人工整理，把入职人员的信息手动录入到Excel表里。每次花点时间整理。但如果入职的人员很多的话，人工干起来就觉得很浪费时间。你看，只要有做这事浪费时间的感觉，就应该考虑用新技术来重构。

填写入职资料（表单） —— 自动生成Word文档 —— 打印签名 —— 把Word文件以及社保，公积金卡都一起上传到AI工具做的工具，工具会自动识别所有信息录入到Excel表。

HR负责公司跟人相关的事情，也是非常多非常杂的。招人是一门技术活，之前HR做面试候选人的管理都是人工Excel表，可以用但中间很多费脑的事情。这个候选人简历匹配度怎样，要针对性问哪些问题，面试的结果如何评价等等。其实现在借助飞书多维表格，面试过程中产生的所有数据都能够更好的展示。说实话要是飞书能开放AI模型的接口，让我们用自己接入的模型，那使用效果会更好。

还有一个要分享的就是公司百事通智能体，上面讲了AI制作应用工具 + 多维表格。现在企业落地还有个很好用的工具，那就是各种智能体（Agent)。比如，新员工入职总会有部门负责人带着熟悉公司业务，包括介绍公司的各项规章制度。但一般也就讲个大概，具体细节还是看公司里的员工手册。而具体业务上的事情，一般是集体培训或者老师带徒弟这种。但不管哪种，总有些事情是在遇到了才想到了要询问老员工。如果询问的多了，时间成本耗不起呀。所以我就做了个公司百事通智能体。所有跟公司相关的，包括规章制度，岗位职责，产品介绍，售前政策，售后政策，各平台操作指南等等都在这个智能体里。

智能体

我把智能体分几类，从简单到复杂。

第一类：提示词智能体（Prompt）。  通过内置特定人设提示词实现，如专门给孩子批改作文的语文老师智能体。一般只要你想要约束AI输出的内容，就可以针对性设计提示词做一个智能体。

第二类：提示词 + 知识库（RAG）。  难点在于如何将非结构化文本转化为AI可精准解析的知识。它更垂直，能根据企业私有知识库回答问题，适用于员工手册、产品说明书或法律法规检索。

第三类：提示词 + 知识库 + MCP（Tools）。  引入MCP协议调用外部工具（如查天气、订机票）。此时AI开始从生成内容转向执行动作，拥有的工具越多，能力边界越广。

第四类：特定工作流智能体（Workflow）。  这个就厉害了，只要你不嫌麻烦，什么场景都能做。前面介绍的AI客服就是这样搭建的。

第五类：多智能体协同（Multi-Agent）。  不是一个 AI 在战斗，而是一群 AI齐心协力帮你做事。比如，我用的一个开源项目微舆，多Agent舆情分析助手。当你需要深入调研某件事情的时候，可以用它。一次任务，会调用几百次AI，最后输出一个很不错的调研报告。

以上是一些案例上的思路分享。当然，上面的分享只是AI企业落地的第一步，后面还需要做组织上的进化，企业AI落地并不是一个人或者一个部门的事。它是整个组织的事。