Enterprise AI · 2026

Cover · 01

智能体企业系统落地大师班

从AI场景到数字员工

两天课程，不追求讲完所有 AI 技术，而是帮你掌握从识别场景、完成成果、沉淀专家到形成数字员工的完整路径

场景 → 成果 → 专家 → 数字员工

WorkBuddy 企业 AI 应用培训

— 2026 —

Module 0 · Opening

02 / 67

Takeaways

两天后，你将带走什么

01 · 判断方法

🎯

一套场景判断方法：高频·高耗时·高规则·高资料·高价值·风险可控

02 · 共创方法

🤝

一套 AI 共创方法：目标→资料→反问→结构→方案→质检

03 · 共创成果

📦

一个共创成果：报告·方案·报价书·决策备忘录

04 · 专家原型

🧠

一个专家原型：理解如何把经验沉淀为可复用能力

05 · 数字员工

🤖

一个数字员工设计方案：角色·流程·自动化

06 · 行动计划

📋

一份 30 天行动计划：从场景跑通到流程闭环

不是听听就结束的课，是带着结果走的课

Module 0

Course Mainline

03 / 67

Three Steps

课程主线：三个台阶

台阶一 · AI 共创基于资料，产出成果

台阶二 · 业务专家沉淀经验，稳定复用

台阶三 · 数字员工长期共生，进入流程

三层递进：从一次成果到稳定复用，再到长期流程

台阶一 → 模块2 · 台阶二 → 模块3 · 台阶三 → 模块4

— · —

Five Modules

04 / 67

Course Structure

五个模块，一条路径

模块1全局认知 — 为什么做、做什么场景60–90 min

模块2AI 共创 — 怎么做出一份成果120+45 min

模块3业务专家 — 怎么让成果可复用120+45 min

模块4数字员工 — 怎么让 AI 持续工作120+45 min

模块5落地路线 — 30 天怎么启动60+30 min

五个模块不是独立章节，而是一条完整的落地路径

Course Map

Schedule

05 / 67

Two-Day Schedule

两天课程节奏

Day 1

上午导入 · 工具准备 · 全局认知

下午老板&销售场景 · AI共创成果

Day 2

上午Skill/专家搭建 · 专家原型

下午数字员工设计 · 30天行动计划

节奏：业务问题导入 → 方法讲解 → 讲师演示 → 学员实操 → 成果点评 → 方法沉淀

Day 1 认知+共创 · Day 2 专家+数字员工+落地

— · —

Learning Method

06 / 67

How We Learn

少听概念，多做结果

从业务问题开始 >> 用真实资料实操 >> 追问、修改、质检、复盘

每个成果回答三个问题:
能不能进入真实工作？
如何进入流程？
下次如何复用？

不是来听讲座的，是来做结果的

— · —

Platform

07 / 67

Why WorkBuddy

为什么选择 WorkBuddy

不只是聊天处理文件、生成成果、组织空间，更接近真实工作执行

不只是单次Skill · 专家 · Agent · 自动化，覆盖完整能力谱系

统一入口从共创到数字员工，一个平台完成，降低学习负担

请确认 WorkBuddy 已安装、可登录、有足够积分

Platform

Ground Rules

08 / 67

Safety First

课堂规则与风险边界

🔒 脱敏数据涉及客户、员工、财务、合同时，尽量使用脱敏或模拟数据

⚠️ AI 做草稿AI 生成草稿、分析、提醒，人不替代最终责任判断

🚫 不替代责任价格、交期、合同、客户承诺、薪酬绩效须保留人工确认

先从低风险、高价值、可验证的场景开始尝试

课堂 Demo 目标是验证方法和形成原型

Safety

Interaction

09 / 67

Warm-up

你最想交给 AI 的一件事？

企业 AI 落地，要从一个真实、具体、可验证的业务场景开始

高频 · 高耗时 · 高规则 · 高资料 · 高价值 · 风险可控

请每位学员快速思考，2 分钟后分享

Interaction

Module 1

10 / 67

模块1

企业 AI 应用全局认知

AI 已经进化到足以支撑企业真实业务应用

为什么做 · 做什么场景

Module 1

AI Evolution

11 / 67

Six Stages

AI 发展的六个阶段

阶段	大致时间	代表产品 / 技术 / 事件	普通用户理解
规则和专家系统	1950s–1990s	1956年达特茅斯会议提出AI概念；1980s专家系统、规则引擎；1997年IBM Deep Blue战胜卡斯帕罗夫	AI像一本写好规则的电子手册，主要靠规则、搜索和计算能力解决封闭问题
从数据学习	1990s–2010前后	Google搜索排序、推荐算法、垃圾邮件识别、广告推荐、风控模型	AI开始从大量数据中学习规律，悄悄进入搜索、电商、广告、金融风控等产品后台
深度学习突破识别能力	2010–2017前后	2012年AlexNet图像识别突破；深度神经网络、图像/语音识别、强化学习；2016年AlphaGo战胜李世石	AI在看图、听音、识别复杂模式和策略判断上取得突破，公众开始感受到AI能力跃迁
生成式AI	2017–2022	2017年Transformer论文；大语言模型、GPT系列、文生图、代码生成；2015年OpenAI成立；2022年11月ChatGPT发布出圈	AI不只是识别和判断，开始能写文章、写代码、做总结、生成图片，普通用户可以直接用自然语言调用AI
多模态AI	2023–2025	GPT-4V、Gemini、Claude、文档理解、图片理解、语音对话、视频理解	AI不只会处理文字，还能看图片、读PDF、听语音、分析表格和理解视频，开始成为资料处理助手
Agent和企业应用	2024以后	AI Agent、Copilot、企业知识库、RAG、自动化工作流、企业数字员工	AI从回答问题走向连续完成任务，开始进入销售、客服、HR、财务、管理等具体业务流程

Deep Blue 代表“机器靠规则和计算赢人”，AlphaGo 代表“机器靠学习复杂策略赢人”，ChatGPT 代表“AI 开始进入普通人的语言和工作场景”，Agent 则代表“AI 开始从聊天走向执行任务”。

Deep Blue → AlphaGo → ChatGPT → Agent

Evolution

Capability Layers

12 / 67

Five Layers

企业 AI 五个能力层次

L1会回答问答助手

L2会生成内容助手

L3会读资料知识助手

L4会执行任务助手

L5会协同数字员工

关键变化不仅仅是模型越来越聪明，而是企业可调用的应用能力越来越完整

从问答工具到企业数字员工 · 五层递进

— · —

The Gap

13 / 67

Why No Gain?

为什么用了 AI，绩效没提升？

停留个人层面员工会用，但好经验没沉淀

停留单点工具局部效率 ≠ 组织效率

缺少流程级规划流程不变，效率难质变

管理机制没跟上组织、流程、文化未调整

缺安全边界不敢用或乱用

AI 只进入了任务，没有进入流程；只服务了个人，没有沉淀为组织能力

AI 时代企业需要新的管理模式，不只是新的工具

Diagnosis

Depth Levels

14 / 67

L1 → L4

企业 AI 应用深度

L1 个人效率员工自发用 · 快但难复制

L2 岗位助手岗位专用AI · 标准化但局部

L3 流程协同跨岗位跨部门 · 需重设计

L4 数字员工长期角色+流程 · 需制度支持

不能只看有没有员工在用，而要看 AI 是否进入岗位、流程和长期经营机制

从个人自发到组织能力 · 逐级递进

— · —

Organization

15 / 67

Structural Shift

AI 时代，组织在变

金字塔 → 纺锤形

核心人才 + 数字员工 + 一线业务触点

中层价值转型

传话·催进度·汇总 → 定目标·判结果·设计机制·管理 AI

四叶草型组织：全职员工 + 数字员工 + 外部员工 + 用户共创

不是去掉中层，而是低价值传递型减少，高价值机制设计型增加

Organization

Path

16 / 67

Right Approach

正确路径：从具体场景入手

01选场景小

02做成果实

03沉淀模板可复用

04接入流程进业务

05持续运行自动化

一个场景跑通后，可以沉淀方法、模板、资料和组织经验，再复制到更多场景

渐进式五步 · 不能一上来做大而全的 AI 转型

Path

Scene Scoring

17 / 67

Six Dimensions

场景识别：六个维度

🔁 每天

高频

经常发生、每周每日

⏱️ 人工

耗时多

大量整理、搜索、撰写

📏 标准

规则清晰

有制度、模板、标准、口径

📚 文档

资料多

已有可用的文档、表格、案例

💰 影响

价值高

收入、成本、风险、效率

🛡️ 安全

风险可控

先做草稿、提醒、检查、建议

每个维度 1-5 分，优先选择六项总分高的场景

Scoring

Examples

18 / 67

How to Choose

三个场景，怎么取舍？

A. AI 自动回复客诉高风险，不适合一步全自动❌ 先做分类+草稿+升级

B. AI 回答销售 FAQ资料齐、风险可控✅ 优先做

C. AI 自动审批打款极高风险❌ 先做票据识别+合规检查

核心原则：不是高价值就先做，第一批优先选择价值明显、资料齐全、风险可控、结果可验收的场景

第一批场景要能做成、能验证、能复制

Selection

Prerequisites

19 / 67

Foundation

企业 AI 基础条件

📄 资料制度、SOP、模板、案例、数据

📊 数据Excel、CRM、ERP、工单系统

🔄 流程知道从哪开始、经过谁、到哪去

🔐 安全哪些可看、哪些脱敏、哪些人工确认

👥 组织业务负责人 + 资料负责人 + 验收人

不需要完美，但要有起点。AI 应用不是 IT 单独完成，需要业务人员深度参与

五个基础条件 · 不是必须完美但必须有

Foundation

Exercise

20 / 67

Practice

练习：识别你的第一个 AI 场景

Step 1列出 5 个高频任务

Step 2六维度打分（1-5）

Step 3选出 1 个最佳场景

Step 4判断属于哪个层次（L1-L4）

Step 5带入后续模块打磨

说清楚：业务问题是什么 · 输入资料是什么 · AI 输出什么 · 谁来确认

Exercise

Module 1 · Recap

21 / 67

Summary

模块1 小结

AI First 思维先问「AI 能不能先做？」

人机分工AI 做资料+草稿+检查，人做判断+决策+确认

评价标准省时·提质·减漏·可复用·进流程

找到第一个值得做、能做成、可复制的场景从Prompt到工作系统

Module 2

22 / 67

模块2

与 AI 共创

AI 不是答案机器，而是共创伙伴

用 AI 十倍速工作 · 第一台阶

Module 2

Why 10x

23 / 67

Performance

为什么 AI 能十倍放大绩效？

人的瓶颈

信息散 · 背景不清 · 维度不全 · 方案单一 · 临场发挥 · 无行动闭环

AI 的价值

补信息 · 问问题 · 建结构 · 出选项 · 找风险 · 生成果

AI 输出质量取决于输入质量、问题结构和质检标准

不要把 AI 当成答案机器，要把 AI 当成共创伙伴

10x Performance

Six-Step Method

24 / 67

Core Framework

共创六步法

01目标与背景要解决什么、为什么重要、给谁看

02喂资料公司介绍、数据、文档、记录、样本

03AI 反问暴露目标、资料、约束的缺口

04建结构先出大纲，不急着写正文

05出方案多选项，各有优劣和风险

06做质检多视角检查，标注人工确认项 ★

从目标到质检的完整闭环：不是线性执行，而是根据情况灵活组合

Case 1 · Market Intel

25 / 67

Case Study

案例一：竞品低价，跟不跟？

华辰智服 × 竞品维保服务包

问题要不要降价？不降价怎么证明价值？

输入内部资料 + 外部信息源（官网·新闻·企查查·客户评价）

输出竞争策略报告 + 三档服务包设计 + 销售应对话术

不是简单生成一份调研报告，
而是围绕经营问题组织外部信息、内部资料，
并共创出用于决策的策略选项

老板 AI 共创案例一 · 市场情报研究

Case 1

Research Method

26 / 67

Define First

寻求答案，从定义问题开始

❌ 错误做法

"帮我研究一下竞品"

✅ 正确做法

"帮我设计这次竞争调研的问题框架"

→ 核心问题？需要哪些外部信息？需要哪些内部资料？形成什么决策成果？

深度调研不能从「帮我研究一下」开始

Research

Case 2 · Meeting

29 / 67

Case Study

案例二：回款卡住了，怎么开会？

华北食品 · 100万逾期14天

销售说审批慢

财务说没推动

交付说售后没确认

老板说钱没回来

目标：45分钟专项会 → 澄清事实 → 达成共识 → 拆出行动

AI 帮老板把混乱信息拆成事实、观点、推测和行动

Case 2

Pre-meeting

30 / 67

AI Preparation

会前准备：AI 做什么

事实

📋 三栏表

区分事实/观点/推测

跨部门

🗺️ 矛盾地图

明确卡点

45min

📅 议程

时间安排

3min

🎤 开场稿

坚定但不指责

每人5问

❓ 追问清单

每角色五个问题

模板

✅ 行动清单

事项·责任人·截止

老板最贵的时间不是反复听解释，而是推动形成共识和行动

Preparation

Case 3 · Decision

31 / 67

Case Study

案例三：大项目 vs 维保服务？

必须由老板做出的决策：华辰智服下半年业务战略选择题

设备大项目 📉

收入连降3月 · 毛利下降 · 回款压力大

维保服务包 📈

连续增长 · 毛利更高 · 回款稳定

→ 押注哪边？

两难选择：继续押注大项目还是转向维保服务包

Case 3

AI Boundary

32 / 67

Role Clarity

AI 不能替老板拍板，但能让决策更清楚

AI 做的事 ✅

读资料 → 找信号 → 反问缺口
建框架 → 8维度对比
出3方案 → 各有优劣
写备忘录 → 标不确定性

AI 不做的事 ❌

替老板做决定

老板的决策不能交给 AI，但 AI 可以让决策前的信息更完整、选项更清楚、风险更可见

重大经营判断必须标注依据和不确定性

Boundary

Sales Day

33 / 67

Workflow

销售的一天 × AI

🌅 日常情报收集 — 行业·客户·竞品

📋 拜访前客户洞察 — 画像·需求·策略

📝 拜访后沟通复盘 — 纪要·承诺·行动

💰 报价时报价书生成 — 需求·配置·质检★ 重点

AI 共创不仅适合老板，也适合销售等一线岗位

— · —

Key Case · Quotation

34 / 67

Star Case

重点案例：销售报价书

输入

📋 客户需求说明书
📦 产品清单+手册
💰 价格表+报价规则
📄 标准模板+历史优秀报价书
📝 服务条款+交付边界

输出

📋 需求与约束清单
📑 报价书大纲
📄 客户版报价书初稿
✅ 质检清单
⚠️ 人工确认清单

价格、交期、合同条款、客户承诺必须人工确认

同时需要客户需求、产品资料、价格规则、服务边界、历史样本和风险控制

Quotation

QA · Three Roles

35 / 67

Quality Check

报价书质检：三角色审视

👔 销售总监客户需求是否遗漏？是否过度承诺？

🏗️ 交付负责人交付周期有依据吗？服务边界清楚吗？

💰 财务负责人价格符合规则吗？回款条件合理吗？

输出：问题清单 + 风险等级 + 修改建议 + 发送前确认清单

没有质检的报价书只是初稿，三角色审视才能把风险降到最低

QA

Prompt Tips

36 / 67

10 Skills

提示词十技巧

① 先看资料，再干活

② 定义清楚问题：给角色+说目的+任务+边界

③ 让 AI 反问

④ 区分事实·判断·假设·建议

⑤ 先出结构，再写正文

⑥ 一次只改一个部分

⑦ 给示例比抽象要求更有效

⑧ 多视角质检

⑨ 把成功变成模板

⑩ 要求标注人工确认边界

好提示词 = 角色 + 任务 + 资料 + 目标 + 输出格式 + 边界

— · —

Exercise

37 / 67

Practice

实操：完成一个共创成果

📊 竞品策略研究

📋 客户回款共识会

📦 新产品机会分析

💰 销售报价书生成与质检

👥 团队绩效面谈

🎯 下半年增长方向决策

流程：选问题 → 定问题 → 备资料 → AI反问 → 建结构 → 出初稿 → 多视角质检 → 展示

至少完成一个可展示的 AI 共创成果

Exercise

Module 3

38 / 67

模块3

Skill / 专家搭建与管理

一次输出是效率提升，持续复用才是组织能力

让 AI 成为可复用的业务专家 · 第二台阶

Module 3

Work Modes

39 / 67

Four Modes

四种 AI 工作形态

对话像临时请教
一次性提问、探索

Skill/技能像作业指导书
固定任务的标准动作

专家像领域经验包
一类专业判断和输出

Agent/智能体像能干活的同事
连续执行、推动流程

对话解决一次问题 · Skill/技能解决固定动作 · 专家解决一类判断 · Agent/智能体解决一段流程

Expert Cases

40 / 67

Five Experts

专家案例一览

🔍 市场情报专家政策·竞品·客户动态 → 关注建议

🎯 战略决策专家事实·假设·方案·风险 → 决策支持

📊 经营复盘专家目标→拆解→跟踪→复盘 → 管理闭环

💰 销售报价专家需求→配置→报价→质检 → 报价书

📚 知识库问答专家基于资料回答 → 不编造

每个专家 = 业务经验 + 资料要求 + 工作步骤 + 输出模板 + 质检标准 + 风险边界

— · —

Market Intel Expert

41 / 67

Expert Deep Dive

市场情报专家

①定义范围情报边界

②收集信息多层检索

③区分事实判断/假设

④判断相关与业务关系

⑤输出建议行动方向

输入

行业政策 · 竞品动态 · 客户新闻 · 公司产品线

输出

每周情报简报 + 竞品追踪表 + 客户动态提醒 + 行动建议

每条建议必须说明与公司业务的关系，信息不足时标注需核实

Expert · Intel

Strategy Expert

42 / 67

Expert Deep Dive

战略决策专家

📋 复述问题梳理决策背景

📊 梳理事实区分事实/假设/判断

❓ 找数据缺口标注不确定性

🔀 3个方案各有优劣和风险

⚖️ 利弊风险资源要求+前提

🗺️ 30天试点可执行的路径

核心原则：不替老板拍板，不把假设当事实

适合重要、复杂、信息不完整但必须推进的决策事项

— · —

OKR Expert

43 / 67

Expert Deep Dive

目标管理与经营复盘专家

战略目标年度目标

目标拆解部门指标

经营会议问题识别

任务跟踪过程指标

经营复盘偏差+原因

管理改进下一轮动作

核心是区分结果复盘和责任追问，帮助团队形成下一轮管理动作

从战略目标到管理改进的完整闭环

OKR Loop

KB Expert

44 / 67

Expert Deep Dive

知识库问答专家

有依据基于资料回答 + 标注来源

无依据"不确定，资料中未找到"

多版本冲突指出冲突 + 建议人工确认

允许说"不知道"。过时知识比没有知识更危险。

不要编造产品参数、价格、交期、售后政策或合同条款

KB Expert

9-Step Method

45 / 67

Build Process

搭建专家的九步法

① 选场景高频·专业·规则明确·资料齐

② 定边界解决什么？不解决什么？

③ 整资料必须输入·可选输入·缺资料反问

④ 访骨干好结果长什么样？常见错误？

⑤ 设步骤读资料→反问→建结构→出稿→质检

⑥ 定模板固定栏目·字段·结论格式

⑦ 设质检是否基于资料？是否过度承诺？

⑧ 备样本普通·优秀·边界·错误样本

⑨ 上线管收反馈·记失败·更新资料·优化

专家 = 业务经验 + 资料要求 + 工作步骤 + 输出模板 + 质检标准 + 风险边界

九步法贯穿专家搭建全过程 · 从场景选择到持续运营

— · —

7 Pitfalls

46 / 67

Common Mistakes

专家搭建最容易踩的七个坑

❌ 长提示词→ ✅ 拆成角色·场景·步骤·输出·质检·边界

❌ 边界过大→ ✅ 一个专家先做好一类任务

❌ 没输入要求→ ✅ 写清必须提供什么，缺资料先反问

❌ 没企业经验→ ✅ 访谈骨干，把隐性经验整理出来

❌ 输出不能用→ ✅ 加入固定输出模板和使用场景

❌ 没质检标准→ ✅ 自检证据·风险·遗漏·过度承诺

❌ 没维护机制→ ✅ 每月复盘，更新资料和样本

从四个方面入手：高频岗位任务 · 优秀员工经验 · 已有资料资产 · 管理闭环

Pitfalls

Exercise

47 / 67

Practice

实操：搭建你的专家原型

👥 员工培训专家

📝 JD撰写专家

📋 简历分析专家

🎤 个性化面试专家

八步产出：选方向 → 定场景 → 列资料 → 设步骤 → 定模板 → 设质检 → 做测试 → 优化

重点不是多装几个专家，而是理解专家的本质

Exercise

Module 4

48 / 67

模块4

数字员工

普通工具帮你完成一个动作，数字员工帮你承担一段流程

与 AI 长期共生 · 第三台阶

Module 4

6 Building Blocks

49 / 67

Anatomy

数字员工的六块拼图

🧑‍💼 角色

Who

长期扮演谁，负责什么

📁 工作空间

Where

项目、资料、对话、复盘

📚 资料

What

持续读取制度、表格、文档

🔧 Skill

How

固定任务的标准动作

🧠 记忆

Rules

记住确认过的规则、偏好、口径

🔄 反馈

Grow

人不断检查修改，让它更准

数字员工不是凭空变聪明，而是靠六类东西持续变懂业务

Anatomy

Tool vs Agent

50 / 67

Comparison

普通工具 vs 数字员工

使用方式打开→输入→得到围绕角色长期工作

上下文每次从零开始在工作空间中延续

方法靠用户描述通过Skill沉淀

记忆通常不记记住规则和偏好

主动性等用户操作定时检查、提醒

输出一次性回答持续报告、看板、复盘

普通工具追求这次快一点，数字员工追求下次更懂你

— · —

Growing Smarter

51 / 67

How It Works

WorkBuddy 为什么越来越懂你？

工作空间 → 沉淀上下文不再每次从零开始

Skill → 沉淀方法固定任务稳定产出

Agent → 沉淀角色不必每次重新解释

记忆 → 沉淀规则和偏好下次更准确

自动化 → 沉淀节奏不等你想起来才工作

数字员工变聪明的过程 = 企业工作方法被结构化 + 资料被资产化 + 流程被显性化

Growth

Before & After

52 / 67

Finance Transformation

财务数字员工：使用前后

过去

月底集中整理报表

老板追问后临时分析

财务靠经验筛异常

催办靠人工反复发消息

报表只展示数据

每月问题重复出现

现在

→ 每天/每周观察关键数据

→ 固定输出经营摘要和风险提醒

→ Agent按规则筛选+人工确认

→ Agent生成跟进清单和话术草稿

→ Agent解释数据、提假设、给动作

→ 复盘结果沉淀为规则和流程

财务数字员工不是自动做账，而是从事后核算走向日常监控和主动提醒

— · —

4 Layers

53 / 67

Capability Levels

财务数字员工的四层能力

L1 资料处理读懂报表、解释字段和口径

L2 规则判断账期规则、预算口径、风险分级

L3 经营分析生成报告、解释异常、提出建议

L4 长期运行定期提醒、更新看板、沉淀复盘

L1看懂资料 → L2按规则判断 → L3形成分析建议 → L4长期监控提醒复盘

4 Layers

Case 1 · AR Risk

54 / 67

Agent Case

案例一：应收与现金流风险提醒

🎯 角色：应收与现金流风险助理

📅 每周一自动运行读取应收表 → 风险分级 → 生成报告 → 人工确认 → 分发

🟡 到期前7天

🟠 逾期1-15天

🔴 逾期>15天+>5万

应收 Agent 的价值不是替你催款，而是让风险提前出现、责任提前明确、动作提前发生

AI 只做提醒、分析、草稿和建议，不直接催款、不暂停发货

Case · AR

Case 2 · Monthly Report

55 / 67

Agent Case

案例二：月度经营分析报告

①输入报表

②识别变化

③生成初稿

④三角色质检

⑤沉淀口径

好的经营分析不是把数据讲一遍，而是把数据变成问题、假设、动作和复盘

报告结构：摘要→指标完成→收入毛利→费用预算→应收现金流→异常假设→下月动作

— · —

Case 3 · Dashboard

56 / 67

Agent Case

案例三：老板经营驾驶舱

📊 收入

Rev

趋势+对比

💰 毛利

GP

率+变化

💸 费用

Exp

预算偏差

📋 应收

AR

风险分级

💵 现金流

CF

预警线

✅ 本周行动

Act

谁处理·截止

经营驾驶舱不是把图表做漂亮，而是让老板更早看见问题、更快追问原因、更清楚推动动作

每个指标 = 数字 + AI异常解释 + 谁处理 + 截止时间

Dashboard

3 Methods

57 / 67

Implementation

数字员工落地三方法

方法一输出沉淀为管理改进发现异常 → 找原因 → 分证据/猜测 → 定责任人 → 设复盘

方法二 AI编程生成看板分析数据 → 定指标 → 描述结构 → 生成原型 → 测试迭代

方法三自动化循序渐进只读分析 → 生成提醒 → 人工确认 → 半自动分发 → 沉淀复盘

自动化的第一步不是自动决策，而是自动把该看的问题摆到人面前

沉淀四类资产：规则 · 数据 · 经验 · 流程

— · —

Exercise

58 / 67

Practice

实操：设计你的财务数字员工

应收风险提醒

月度经营报告

经营驾驶舱

预算执行预警

费用异常分析

设计卡字段：名称·角色·职责·不做事项·工作空间·数据入口·必备字段·Skill·固定输出·自动化触发·人工确认边界·记忆·复盘

成果重点：角色清楚、资料清楚、流程清楚、输出清楚、边界清楚

Exercise

Module 5

59 / 67

模块5

30天落地路线

30天内不求做大，但必须做真

从场景到流程 · 结课模块

Module 5

Integration

60 / 67

Full Picture

四个模块串成一条路径

模块1

识别场景
场景清单
评分标准
候选池

模块2

共创成果
共创流程
提示词模板
质检清单

模块3

沉淀专家
专家说明
测试样本
维护机制

模块4

数字员工
工作空间
自动化规则
看板原型

一次输出只是效率提升，持续复用才是组织能力。AI 落地不是多几个员工会用，而是多了一套可复制的工作方式。

模块1→2→3→4 = 识别→共创→沉淀→共生

Integration

6 Steps

61 / 67

Implementation

企业 AI 落地六步骤

① 找问题哪些工作最值得用 AI 改造？

② 定场景先做哪一个？做到什么程度算成功？

③ 补资料AI 凭什么做出可靠输出？

④ 做原型能不能先做出一个可用结果？

⑤ 进流程AI 输出如何进入真实工作？

⑥ 复盘扩展继续投入还是调整方向？

30天最小闭环：一个真实场景 + 一个最小资料包 + 一个可用AI输出 + 一个确认节点 + 一次真实使用 + 一次复盘优化

六步从找问题到复盘扩展，形成完整落地路径

— · —

Scene Selection

62 / 67

How to Choose

第一个场景怎么选

✅ 选这样的

问题清楚、输入清楚、输出清楚
使用者明确、风险边界清楚
30天内能验证

❌ 不选这样的

目标太虚、无法验收
资料太散、短期补不齐
流程太长、责任人不清
风险太大、没人敢用

第一个场景不是为了证明 AI 无所不能，而是为了证明企业能把一个 AI 应用闭环跑起来

小场景的价值：问题清楚、输入清楚、输出清楚、使用者清楚、30天能验证

Selection

Into Workflow

63 / 67

Process Integration

从场景走入流程

①Demo证明能做

②试运行真实使用

③流程嵌入固定节点

④自动化辅助按节奏提醒

⑤复盘优化持续变好

五个问题：谁触发？→ 用什么资料？→ AI输出什么？→ 谁确认？→ 进入哪里？

没有进入流程的 AI 只是好用的小工具，没有人确认边界的 AI 流程是风险源

一个场景只有进入流程才算真正落地

— · —

Leadership

64 / 67

Role of Leaders

老板和管理者要做什么

🎯 定方向选最有价值、最可控、最易验证的场景

📦 给资源账号、Token、资料时间、试点负责人

🔄 改流程让 AI 输出进入会议、审批、跟进、看板

🚧 设边界哪些自动、哪些人工确认、哪些绝对不能

📊 看结果用指标验收，不只是看演示效果

老板和管理者不是旁观者。AI 落地只靠员工自发使用，会停留在个人效率层面。

避免五个误区：买工具≠转型完成 · 只让自学≠给资源 · 只降本≠增效增长 · 看热闹≠长期迭代 · 全自动≠有人确认

Leadership

30-Day Plan

65 / 67

Action Plan

30 天行动计划模板

第1周定场景 — 评分、定目标、指定负责人→ 试点场景确认表

第2周补资料 — 整理制度、模板、数据、样本→ 最小资料包

第3周做原型 — 搭建共创/Skill/专家/Agent，3-5样本测试→ 可试用原型

第4周进流程 — 真实用户使用，记录反馈，决定下一步→ 试运行复盘报告

30天内不求做大，但必须做真。从场景开始，把资料、输出、流程、确认和复盘跑成闭环。

行动计划包含：场景·理由·问题·使用者·资料·输出·流程·边界·指标·负责人

30-Day Plan

Exercise

66 / 67

Practice

实操：你的 30 天行动计划

试点场景：___________

选择理由：___________

业务问题：___________

使用者/验收人：___________

输入资料：___________

AI 输出：___________

流程嵌入：___________

人工确认边界：___________

验收指标：___________

负责人：___________

这不是愿景规划，而是回去后可以启动的试点作战图。场景必须具体，30天内必须能启动。

点评标准：场景具体·选择合理·资料可得·输出可用·流程清楚·边界明确·指标可验收

Exercise

Closing

67 / 67

Final Words

企业 AI 落地

不是一次性项目
而是从一个场景开始
把资料、输出、流程、确认和复盘
跑成闭环

30 天内不求做大，但必须做真。
AI 不会替代你的企业，但会用 AI 的企业可能会替代不会用的。

感谢聆听 · 课程结束

从你们今天选定的那个场景开始 · WorkBuddy 数字课代表持续支持

— 2026 —