How We Read Industries
老布不问“你要不要 AI”，先问“哪件事正在消耗利润”。
先写清楚业务现场
谁在处理、每天多少量、错在哪里、客户在哪里流失。
再确定 AI 进入位置
不是把模型塞进去，而是把知识库、工作流、数字人、系统接口放到正确节点。
最后给出可验收结果
用响应时长、返工率、转化率、库存周转、合规风险等指标证明变化。
Case Directory
按行业看案例，不按概念看热闹。
可以搜索行业、业务问题或场景词。每张卡片都写了一个可想象、可讨论、可拆第一期的行业案例。
Retail 01
3C数码
案例：区域 3C 连锁新品太多，导购和客服总是慢半拍。
每周都有手机、耳机、平板、智能家居新品上架，参数表来自品牌方、平台和供应商，客服回答“兼不兼容、怎么保修、和上一代差在哪”经常翻资料。
- AI 介入
- 把参数、卖点、兼容清单、保修规则整理成商品知识库，生成对比表、短视频口播、客服快捷答案。
- 首个闭环
- 先选 50 个高频 SKU 做“新品上架内容包 + 导购问答包”，让人工只做审核和微调。
- 验收指标
- 上新内容制作时长、客服首次响应时间、兼容性问题转人工比例、爆品缺货预警命中率。
参数清洗对比生成问答上线补货预警
Retail 02
美妆护肤
案例：新品牌功效卖点很多，但客服不敢说、内容团队说不准。
精华、面霜、防晒上新时，成分、肤质、使用顺序、搭配禁忌都要讲清楚，同时又要避开夸大功效和敏感词，内容产能被合规反复拖慢。
- AI 介入
- 建立成分与功效知识表，输出小红书种草稿、直播提纲、客服肤质推荐话术，并自动标记高风险表述。
- 首个闭环
- 先把 20 个核心 SKU 做成“功效说明 + 肤质问答 + 合规校验”流水线。
- 验收指标
- 内容返修次数、客服推荐准确率、合规审核通过率、套装连带转化。
成分库肤质分层话术校验连带推荐
Retail 03
服饰鞋靴
案例：鞋服店最怕尺码说不清，转化低，退换货还高。
同一款鞋有偏大偏小、脚背高低、脚宽、通勤或运动场景差异；服装又有版型、面料、洗护和搭配问题，客服新人很难稳定给建议。
- AI 介入
- 用历史退换货原因、尺码表、试穿反馈生成尺码问答助手，同时把搭配、洗护、场景卖点自动写入商品页。
- 首个闭环
- 选 30 个高退货款，建立“尺码建议 + 退换原因分析 + 搭配推荐”看板。
- 验收指标
- 尺码咨询转人工率、退换货率、加购率、断码提醒及时性。
尺码画像试穿反馈搭配文案退换分析
Retail 04
母婴玩具
案例：母婴玩具不是卖“可爱”，是卖安全、适龄和陪伴方法。
家长会问材质安全、适合几岁、怎么清洗、怎么陪孩子玩、是否有小零件风险。客服回答如果只是复制商品详情，信任感很难建立。
- AI 介入
- 把年龄段、材质、认证、玩法、清洁方式整理成家长问答库，生成亲子玩法卡、复购组合和风险提示。
- 首个闭环
- 先做“0-3 岁热卖玩具安全问答 + 场景化推荐”，接入客服和私域社群。
- 验收指标
- 安全问题响应时长、套装客单价、复购提醒触达率、差评风险词下降。
适龄规则安全问答玩法生成复购提醒
Commerce
零售与电商
案例：多平台电商每天都在上新，却没人知道哪条链路最浪费人。
商品资料在 Excel、ERP、供应商群和平台后台之间来回流转，主图文案、客服问答、投放素材、库存提醒各做各的，经营复盘也滞后。
- AI 介入
- 把商品资料、订单、客服、投放和库存数据连成轻量经营台，自动生成商品内容、客服知识和动销提醒。
- 首个闭环
- 先选一个类目搭建“上新资料入库 → 内容生成 → 客服问答 → 销售复盘”的标准流程。
- 验收指标
- 上新周期、客服等待时长、爆品缺货率、低动销 SKU 处理效率。
资料入库内容工厂经营看板库存策略
Service
餐饮与连锁服务
案例：连锁餐饮开新店快，但培训、菜单和客诉跟不上。
新店员工要记菜单、出品标准、活动规则、会员权益和外卖话术，店长每天还要处理差评、排班、订货和巡店记录，经验都散在群聊里。
- AI 介入
- 把门店 SOP、菜单知识、培训视频、客诉规则变成门店助手，支持员工问答、巡店记录总结、差评回复建议。
- 首个闭环
- 先从 3 家门店试点“新人训练营 + 菜品问答 + 客诉复盘”，一周一版优化话术。
- 验收指标
- 新人独立上岗天数、差评响应时长、门店标准执行率、会员复购提醒转化。
SOP入库训练问答客诉复盘会员触达
Public
政务与公共服务
案例：窗口每天回答同类问题，群众还是反复补材料。
政策文件更新快，办事材料有地区、身份、事项差异，热线与窗口口径不统一，群众提交后才发现缺证明、填错表、跑错入口。
- AI 介入
- 把政策条款、材料清单、办理流程和常见退件原因做成政务知识库，提供办事预审、材料清单生成和窗口辅助问答。
- 首个闭环
- 先选高频事项做“资格判断 + 材料预审 + 表单提示”，让群众提交前就知道缺什么。
- 验收指标
- 一次办成率、补件率、窗口平均咨询时长、工单重复派发率。
政策拆解材料预审窗口辅助工单督办
Mobility
交通与汽车出行
案例：汽车门店线索很多，但销售跟进不及时，售后问题又压过来。
客户从短视频、广告、私域和官网咨询车型、金融方案、置换、试驾、保养，销售口径不一致，售后工单也缺少优先级。
- AI 介入
- 建立车型知识、金融政策、门店库存和售后规则，自动给线索评分、生成跟进话术、提醒试驾和维保节点。
- 首个闭环
- 先做“新能源车型咨询 → 试驾邀约 → 到店复盘”的线索闭环，接 CRM 和企微。
- 验收指标
- 线索首响时间、试驾到店率、金融方案咨询转化、售后工单超时率。
车型知识线索评分试驾提醒售后分派
Education
教育与科研
案例：老师忙着备课批改，教务忙着回答重复问题，学生学习状态看不清。
课程资料、作业、考试、教务通知和科研文献分散在不同系统，老师花大量时间做重复整理，学生遇到问题也没有及时反馈路径。
- AI 介入
- 搭建课程知识助手、作业初批与错因归类、教务问答、科研文献整理，把老师从低价值重复劳动中解放出来。
- 首个闭环
- 先选择一门课做“课程资料库 + 作业错因分析 + 学情提醒”，每周输出教学复盘。
- 验收指标
- 批改耗时、学生问题响应率、作业完成率、教务重复咨询量。
课程库错因归类学情提醒科研整理
Energy
能源与环保
案例：园区设备告警很多，真正有风险的那几条反而容易被淹没。
巡检记录、传感器告警、能耗报表、环保台账分散在不同系统，值班人员既要判断风险，又要写报告、追整改、对接监管要求。
- AI 介入
- 把告警、巡检、设备履历和能耗数据合并分析，自动聚类异常、生成风险解释、输出整改清单和报表草稿。
- 首个闭环
- 先选择一个站点或车间做“告警降噪 + 巡检报告 + 整改追踪”。
- 验收指标
- 告警误报率、隐患闭环周期、巡检报告生成时间、单位能耗异常发现率。
告警聚类风险解释整改追踪报表生成
Finance
金融与保险
案例：保险理赔资料多、规则多，客户急，审核也怕错。
一笔理赔可能涉及保单条款、票据、病历、事故说明、历史记录和反欺诈规则。人工审核容易慢，客服解释也容易不一致。
- AI 介入
- 建立理赔知识库和资料识别流程，自动检查材料完整性、标记疑点、生成客户解释话术和内部审核摘要。
- 首个闭环
- 先从标准小额理赔开始，做“材料预审 + 风险提示 + 客户进度问答”。
- 验收指标
- 理赔审核时长、材料补交次数、可疑案件召回率、客服解释一致性。
资料识别规则匹配风险提示进度问答
Logistics
物流与供应链
案例：物流异常一多，客服、调度、仓库都在追同一件事。
订单延误、地址异常、冷链温度波动、仓库缺货、车辆等待都会引发客户咨询。信息散在 TMS、WMS、司机群和客服系统里。
- AI 介入
- 把在途状态、仓储库存、车辆位置和客服工单打通，自动识别异常原因、推荐处理动作、生成客户通知。
- 首个闭环
- 先做“重点线路异常识别 + 客户主动通知 + 调度处置看板”。
- 验收指标
- 异常响应时间、准时率、客户催单量、冷链异常闭环率。
在途监测异常归因调度建议客户通知
Industrial
制造与工业
案例：生产线不是缺数据，而是没人把质量、设备、排程连起来看。
质检缺陷、设备报警、工单进度、原料批次和能耗数据分散，产线主管靠经验判断优先级，问题复盘常常滞后到交付之后。
- AI 介入
- 把质检图像、设备日志、工单和供应链数据做成生产洞察台，识别缺陷趋势、预测停机风险、给出排程建议。
- 首个闭环
- 先选一个关键工序做“缺陷分类 + 设备预警 + 工单复盘”。
- 验收指标
- 一次合格率、停机预警提前量、返工率、计划达成率。
质检识别设备日志排程建议良率复盘
Media
文化传媒与娱乐
案例：内容团队每天都要追热点，但好选题、好脚本、好复盘断成三段。
选题来自平台热点、粉丝评论、品牌需求和历史数据；剪完还要切条、写标题、做封面、看舆情。人多时协作成本反而更高。
- AI 介入
- 搭建内容生产助手，完成热点聚类、选题评分、脚本大纲、切条建议、发布文案和评论风险预警。
- 首个闭环
- 先围绕一个 IP 或栏目做“选题池 → 脚本 → 发布 → 舆情复盘”。
- 验收指标
- 出稿速度、爆款选题命中率、剪辑返工率、负面评论响应时间。
热点聚类脚本生成切条建议舆情预警
Healthcare
医疗与健康
案例：随访、病历整理和患者咨询都重要，但医护时间永远不够。
患者复诊提醒、检查注意事项、报告解读、慢病随访、科研病例整理都依赖人工，既要效率，又要严守合规边界和专业审核。
- AI 介入
- 把病种知识、随访规则、检查流程和病历字段结构化，辅助生成随访计划、病历摘要、科研初筛和患者问答草稿。
- 首个闭环
- 先从一个慢病病种做“随访提醒 + 问卷归档 + 异常提示”，由医护确认后触达。
- 验收指标
- 随访完成率、病历结构化率、异常信息发现时长、医护审核耗时。
病历结构随访计划异常提示医护审核
Estate
建筑与地产
案例：地产项目不是缺获客动作，而是线索、签约、交付之间断档。
客户咨询户型、学区、价格、贷款、交付标准；签约阶段资料多，工程阶段问题多，物业阶段又有报修和投诉，前后数据没有沉淀。
- AI 介入
- 建立项目知识库、线索评分、合同资料校验和交付缺陷闭环，帮助销售、签约、工程、物业共用同一套事实。
- 首个闭环
- 先做“项目问答 + 线索分层 + 签约资料预审”，再延伸到工程交付。
- 验收指标
- 线索转化率、签约资料差错率、缺陷闭环周期、业主投诉重复率。
项目知识线索分层资料预审交付闭环
First Sprint
每个行业都先跑一个小闭环，不一上来做大而空的平台。
例如客服重复问、资料预审慢、上新内容多、异常响应慢。
先用现有表格、文档、FAQ、工单、订单或巡检记录，不要求系统一次改造完。
知识库、提示词、审核节点、输出模板和系统入口同时搭起来。
看时长、成本、错误率、转化、复购、满意度，决定扩行业还是扩流程。
