做了三年ToB AI产品经理，我想说这门生意最难的不是技术-环球搭子

我是一个AI产品经理，2022年校招拿到了一家AI独角兽的offer，提前去实习。实习还没结束，ChatGPT就爆了。我亲眼看着公司的重心在几个月内从传统AI产品转向大模型ToB，然后2023年毕业正式入职，开始全力做企业大模型产品。

这三年，我主要服务的是大型的国企和政府部门，尤其是金融行业的头部客户，银行、券商、基金都做过。经手的百万级项目十几个，我负责的产品线年收入在千万级别。

今年刚刚加入生财，看到亦仁发了企业AI服务的超级标，作为业内人士对这个判断我是非常认同的，现在企业AI市场的入局窗口确实打开了。但我也想给大家讲一件我做了三年才真正想清楚的事：

企业AI转型这门生意，技术是最简单的部分。

当然我不是在贬低技术的价值，也不是在说技术不重要。我是想给圈友们强调一下，在真实的项目里，真正卡住你的、拖慢周期的、让客户不满意的，大多数时候根本不是技术问题。

这篇帖子，我想把这三年经历的东西和大家讲一下：我怎么走进这个行业的，做过哪些项目，踩过哪些坑，以及我对现在这个时间点入局企业AI的真实判断。

先和大家声明一下：我自己的副业刚起步，目前没有副业营收，所以不是来分享赚钱经验的。我更擅长产品侧和方案判断，交付侧经验相对弱——这也是我今年准备补的课吧，也是我开始做副业的原因之一。今天讲这些，是希望生财圈子里想做这个方向的朋友少走一些弯路。

一、我是怎么走进这行的

2022年，我还是一个准毕业生，在找工作。

当时做了一个在很多人看来有点奇怪的选择：拒掉了几个大厂的offer，选了一家做AI的独角兽，提前去实习。

那时候整个AI行业不是现在这个状态。大部分AI公司在亏损，资本市场对这个方向已经开始冷淡，行业里的人自己都不太确定下一个爆发点在哪。我周围不少人觉得我选错了——稳定的大厂不去，跑去一家前途未卜的AI公司。

我当时的判断很简单：AI这个方向长期一定会爆发出巨大的价值，这件事我没有太多怀疑。然后我选了ToB而不是ToC，逻辑也直接——AI能力在企业场景里出效果更快，价值更明确，企业愿意为解决实际问题付钱。

然后实习还没结束，ChatGPT就出来了。

我很清楚记得那段时间公司内部的变化速度。几乎在一夜之间，公司的重心全面转向大模型ToB，原来的产品路线图被推倒重来，所有人都在讨论大模型能做什么、怎么卖给企业客户。我作为一个实习生，就这么被推着跑进了这个赛道。

2023年正式毕业入职，开始全力做企业大模型产品。

最开始接触的是金融行业，后来陆续做了政府、能源、制造。但主阵地一直是金融——银行、券商、基金，这几个细分领域的头部企业基本上都打过交道。这个行业有意思的地方是：他们有钱、有需求、有数据，但同时有合规要求、有采购门槛、有决策链，做起来不容易，但做成了就是大单子。

三年下来，我经手了十几个百万级的项目，也踩了很多坑。

接下来我分享两个真实的案例，都是同一个坑，但当时我们踩得都不轻。

二、两个真实项目，同一个坑

案例一：制造业国企的知识库，2023年

这是我做过的让我印象最深的项目之一，不是因为它有多成功，而是因为它让我第一次真正意识到，企业AI项目的难点在哪里。

客户是一家制造业的头部国企。需求听起来很清晰：把企业内部积累的各类资料汇总起来，做一个企业级知识库，然后基于这个知识库做各种问答场景——员工问操作规程、问设备参数、问项目文档，AI直接给答案。

客户当时的期待，我用一句话概括：他们希望AI像一个经验丰富的老师傅，把所有材料丢进去，它就能回答任何问题。

这个期待听起来合理，但实际上它隐含了两个我们当时没有及时拆清楚的假设。

第一个坑：材料是现成的、数字化的、可以直接入库的。

在当时做企业知识库，完整的RAG链路是这样的：先做文档解析，把PDF、Office、图片等各种格式的文档提取成结构化内容；然后做文档切分，把长文档切成语义完整的chunk；再做离线知识扩充，通过QA生成等方式扩展知识覆盖；之后构建向量索引，支持语义召回；上线之后再通过多路召回和Reranking做结果优化；最后才是大模型做内容生成和回答。

这是一条正常状态下的链路。但正常状态的前提是：你的材料已经是电子版的、可解析的。

我们进场之后发现，这家制造业国企的资料，有相当一部分还是纸质的。不是说有一些边缘材料是纸质，是核心的操作手册、设备档案、历史记录，大量都是纸质文件，压根没有数字化过。

这意味着在上面那条RAG链路开始之前，还要先走一条前置链路：纸质文件扫描→OCR识别成电子版→人工校对识别错误→清洗格式→才能进入正常的文档解析流程。

光这个前置工作，就把整个项目周期拉长了将近一倍。而且OCR识别的准确率不是100%，涉及专业术语、表格、公式的部分错误率更高，每一处错误流入知识库都会影响最终的问答质量。

第二个坑：材料进库之后，AI就能像老师傅一样回答问题。

这个更难处理。老师傅的价值不只是记住了所有材料，更是在复杂场景下能做判断、能举一反三、能结合上下文给出合理建议。当时的大模型，在RAG框架下，对“材料里有明确答案”的问题表现还不错，但一碰到需要跨文档推理、需要结合实际场景判断的问题，效果就很难看。

客户拿到第一版demo，第一反应不是“不错”，而是“怎么这么多问题它答不上来，这和我理解的AI不一样”。

然后就是漫长的预期管理过程。我们要解释的不是技术方案，而是：为什么AI不是老师傅，AI的边界在哪里，以及要达到更好的效果，知识库本身还需要持续的运营和优化。

这个项目最后落地了，但周期远超预期，效果也没有达到客户最初的设想。

如果放到今天做，文档解析有更强的OCR模型和多模态模型可以处理复杂格式，纸质文件也可以用agent辅助处理，模型能力也完全不是一个量级。但有一件事是没变的：客户对AI能做什么、不能做什么，以及数据基础工作有多重要，依然没有清晰的认知。这一关还是得在实施项目的时候一点点扣。

案例二：头部券商的自动化报送，2026年初

这个案例是今年初做的。背景是国产开源模型和Agent类产品在2025年底到2026年初有一波明显的能力跃迁，Claude Code、OpenClaw这类让模型真正”动手操作”的产品开始在企业侧产生需求。这家券商的自动化报送项目，是我们接到的第一批典型场景之一。

业务背景是这样的：这家头部券商需要帮客户做交易变更的定期报送。每到月初，需要变更的客户积压，业务员要连续好几天干同一件事——从各种表格里收集客户变更信息，逐条录入内部系统，系统里有一堆复杂的字段逻辑和依赖关系，填完之后还要发邮件通知对应的客户经理。高度重复，高度消耗人力，但是必须要求准确，不然不符合监管要求。

这个场景放到现在，技术上是完全可以做的：agent读取表格信息，做逻辑判断，操作系统完成填报，自动发送邮件。

但落地过程里，我们遇到了三个坑，每一个都不是技术问题。

第一个坑：操作系统的方式选错了。

客户一开始的想法是让AI直接操作他们的本地客户端软件——打开程序、点击按钮、填写字段、提交。

这条路走不通。本地客户端的界面元素识别、异常处理、弹窗应对，在当前的agent能力下依然稳定性极差，在金融这种严肃的生产环境里根本不可用。

但如果走API接口或RPA的方式，又涉及到企业内部系统的改造和接口暴露，对于大型金融公司来说，这个流程漫长且复杂。

最后我们找到了一个可行路径：这套业务系统有功能相近的浏览器版本。Agent操作浏览器网页是现阶段相对可靠的方案——模型可以识别页面元素、做表单填写、处理逻辑判断。这个方案既不需要动系统底层，稳定性也达到了生产可用的水平。

第二个坑：模型和算力没有提前对齐。

Agentic任务消耗的token量，是普通问答的很多倍，但是客户对大模型的认知还停留在对话问答的阶段，随便一个任务就是百万token的消耗，他们完全想象不到。同时这个任务需要模型读表格、做多步逻辑判断、生成填报内容、处理异常分支，一个完整流程跑下来，对模型能力和推理算力的要求都很高。

但客户现场部署的是什么？一个老版本的千问模型，算力资源也有限。在开始做技术方案之前，得先解决：换不换模型，换哪个，预算谁出，算力怎么补。每一个问题都要跨部门协调。

第三个坑，也是我觉得最值得单独说的一个：决策人和实际使用人的需求没有对齐。

我们第一轮沟通谈的是整个业务部门的老大，掌握预算的人。聊下来，他对方案很满意，觉得可以推进。

但实际上，这套系统的使用方、具体流程改造的承接方，是下面一个负责交易报送的业务小组。而那个小组的负责人，第一轮沟通的时候请假没到场。

等方案落到具体业务部门，那个小组负责人第一次看到的时候，直接说：这和我们实际的操作流程对不上。

于是整个方案重新梳理了一遍，才真正开始落地。

讲这件事是想提醒大家：在企业项目里，预算方和使用方有时不是同一个人。老大觉得好不够，真正用这套系统的人也要认可。两边的诉求大多数时候方向一致，但细节上的gap如果不提前聊清楚的话，到了落地阶段可能会原地翻车。

两个项目，相差将近三年，行业不同，技术方案完全不同。但回头看，项目花时间最多的地方，都不是在写代码、调模型、搭架构。

而是在跟客户对齐：AI能做什么、不能做什么、要做成之前需要先准备什么、决策链上每一个人的诉求是什么。

三、为什么技术是最简单的部分

这件事我想再强调一下，因为它和大多数人入局时的直觉是反的。

大部分想做企业AI交付的人，第一反应是：我得先把技术学会。RAG怎么做，agent怎么搭，Claude Code怎么用，Openclaw怎么部署。技术学会了，才能接单。

这个逻辑肯定不是错的，但它忽略了一件事：技术难题是有解法路径的，而认知gap没有。

Agent效果不好？换模型、优化skill、换个工具，这些都是有解法路径的问题。算力不够？买算力、换方案，还是有路径的问题。但客户对AI的认知是错的，这件事没有标准解法，每一个客户都不一样，每一次都要重新来过。

我自己观察下来，企业客户对AI的认知，大概会经历两个阶段。

先是觉得AI没用。要么觉得AI是噱头，要么不知道AI能用在哪，可能自己试用过某个工具，效果不好，就把整个AI打了一个大叉。这个阶段你要做的事只有一件：找到一个能让他们感受到价值的真实场景，把它做出来给他们看。不是讲PPT，不是说案例，是真的给他们演示：找一个具体的、他们每天都在做的事情，AI可以帮他们这样处理。比如那个制造业国企的项目，我们当时花了很长时间找到一个操作规程查询的场景，先做出来一个能跑的小demo，才让客户从「这东西没用」变成「可以聊聊」。这一步的核心是展示，是建立信任。

信任建立之后，往往会走向另一个极端——觉得AI什么都行，「你们把我们所有的问题都给AI处理掉吧」。这个阶段反而更难。因为客户的期待已经被拉得很高，而现实是AI有明确的能力边界。长程任务里的复杂推理、开放问题的创造性判断、需要大量上下文积累的专家经验——这些事AI现在有时还做不好，或者做不稳定。

更麻烦的是，让AI真正发挥价值，企业本身要做很多配合工作，而企业能投入的资源和精力也是有限的。数据要整理，流程要梳理，人要接受培训，系统要做适配。就像培训一个新员工，你不能把一个人扔进来就指望他立刻顶用——AI也一样，它需要时间被「训练」进你的业务场景里。

这个道理讲起来容易，但客户接受它是需要过程的。而这个过程，是做每一个项目都绕不开的必经之路。

技术会进步，工具会迭代，今天做不了的事明天可能就能做了。但企业客户对AI的认知gap，不会因为技术进步而自动消失。真正值钱的能力，是帮客户穿越这两个阶段：先让他们相信AI，再让他们对AI有合理的预期，然后一起把事情做成。

AI肯定会越来越强，但是怎么引导客户穿越这两个阶段，还得靠我们自己。

四、现在入局，机会在哪

说完了坑，再讲一下我为什么觉得现在是真实的入局窗口。

成本变了，门槛也变了。

2023年，一个企业级知识库项目，从数据治理、文档解析、RAG搭建到上线调优，没有一支有经验的团队、没有几个月的周期、没有百万量级的预算，基本别想做。这也是为什么那个时候这类项目只有大公司能接——小团队根本撑不住那个交付成本。

现在不一样了。文档解析有更成熟的OCR模型或者多模态模型，知识库也有开箱即用的框架，Agent搭建有Openclaw、Opencode这类开源产品可以直接用。一个几个人的小团队，用现在的工具，一周时间可以交付一个效果过得去的、在三年前需要一个团队做一个月的知识库方案。

自动化流程也是一样。之前帮头部券商做的那套交易报送自动化，放到三年前，光稳定调用接口都很难做，稳定操作浏览器更是难上加难。现在这套能力基本成熟了，只要场景选对，中小企业完全可以用上。

大企业的方案，中小企业现在能用了。

今年这个感受特别明显，这三年我在大企业积累的那些方案——知识库的搭建方式、业务流程的自动化路径、需求拆解的框架等等，放到中小企业身上，很多逻辑是完全成立的。区别只是规模和预算，不是方法本身。

甚至某种意义上，中小企业比大企业更好做。决策链短，能拍板的人就在面前；没有那么多合规审批流程；愿意试错，只要能看到效果就敢推进。大企业的采购流程、供应商准入、合规审查，个人和小团队根本进不去，但中小企业完全没有这道墙。

但这个窗口不会永远开着。随着越来越多人入局，方案会商品化，价格会下来，门槛会重新抬高。现在入场的意义，是在窗口还开着的时候，把自己的真实案例先积累起来。

五、普通人想入局，从哪里开始

说完机会，说说门槛。

首先要明确一件事：大企业的单子，就先忘掉吧。

不是做不了，是进不去。大型金融机构、央国企，有严格的供应商准入流程，要资质、要背调、要合规审查，个人和小团队根本过不了这道门。这类客户是大公司的战场，不是我们现在要想的事。

中小企业才是真正的机会。

决策链短，老板直接拍板；没有繁琐的采购审批；只要能看到效果，愿意快速推进。而且中小企业的数字化水平参差不齐，有大量低垂的果子可以摘——用AI帮他们做一个内部知识库、自动化一个重复的业务流程，就已经能让他们感受到实实在在的价值。

具体怎么入局，我觉得有两条路，适合不同状态的人。

路径一：从培训切入。

你只需要比客户更懂现在的AI工具，不需要会搭系统，不需要懂RAG。帮企业员工上手Claude Code、Cursor这类工具，把Openclaw的用法演示出来，找一两个小场景带着他们动手跑一遍，让他们亲眼感受到AI能省多少时间——这就够了。客单价不高，但启动成本极低，见效快，还能在过程中接触真实的企业场景，积累对不同行业需求的理解，这是后面做交付的基础。

路径二：直接做落地交付，门槛更高，回报也更高。

这条路要求你真正深入到客户的业务里：听懂他们的流程，判断哪个环节适合用AI，把需求拆解成可执行的方案，然后交付一套真正跑起来的系统。技术侧反而不是第一门槛——现在的工具链已经很成熟了。真正稀缺的是「听懂客户在说什么、判断AI能不能做、做成什么样」的能力。

具体来说，现在有三个方向最值得做：

方向一：企业知识库。这是目前最成熟、适用面最广的切入点。几乎任何企业都有类似的需求——把散落在各处的资料、文档、经验沉淀下来，变成一套可查询、可应用的知识资产。交付的不只是一个问答机器人，而是一整套从知识库搭建、内容生产、知识问答到相关技能构建的系统。随着模型能力提升和各种知识库方案的成熟，现在小团队完全做得起来。

方向二：AI自动化流程。凡是能落到SOP的重复性操作，都是潜在场景：浏览器上的表单填报、本地文件的批量处理、邮件的收发和分类、多系统之间的数据搬运。前面讲的券商报送案例就是一个典型。核心是找到那些员工每天重复做、流程明确、规则可描述的环节，用Agent或脚本把它跑起来。

方向三：Vibe Coding。圈友们应该都对AI编程有不同程度的了解，但可能有些人还没意识到它在企业市场的特殊价值。现在有一批产品——扣子编程、Claude Code、Cursor、OpenCode——已经可以让不懂技术的业务人员通过对话的方式，快速搭建简单的业务工具或内部系统，但大部分企业还不了解，或者不知道怎么上手。如果你能帮企业的业务人员上手这些工具，让他们自己就能用对话写出一个数据看板、一个审批流程、一个小工具，企业释放出的生产力是很可观的。由于这个方向的产品化解决方案比较复杂，所以推荐的交付形式更接近培训+陪跑，教会企业如何在业务场景里面发挥这些vibe coding工具的价值。

最后再强调一下，如果你在某个行业干了好几年，那你的行业经验本身就是最大的竞争壁垒，比任何纯技术背景的人都更快理解客户需求，这是买不来的。一旦你在一个行业里做成了一两个项目，后面的客户大概率会自己找过来。

不管哪条路，有一件事是一样的：先从一个你熟悉的场景做起。

不要上来就想接一个完整的企业转型大项目。先找一个你自己公司的、朋友公司的、或者你最熟悉的行业里的具体小场景，真实做一遍，哪怕不收钱，把这个案例跑通。有了第一个真实案例，后面的一切才有支撑。