通信与数字服务：2 个真实落地案例

原来的样子

痛点：日常问题是"现在哪个基站坏了、为什么坏、影响多大"，过去靠分析师与数据科学家写 SQL、建模型、整理报告；新需求要两三个人讨论半天，上百行 SQL 容易取错数据；静态仪表盘无法回答连续追问。

过去的做法：人工分析 + 仪表盘自动报告；客户甚至自己搭过一个 Agent，给模型一句"你是数据分析师"就开始跑，结果不符合业务要求。

AI 怎么切进去

• 把目标定成"业务真正敢用、愿意持续用"的东西，而不是"能不能做出 Agent"
• 解决模型随机性带来的不可重复问题：数据没变时，同一个问题必须给同一个答案
• 把数据分析做成可围绕数据持续追问的交互式形态，而不是预设问题的报表

可迁移的做法

• "能跑起来"和"可以生产使用"是完全两件事
• 不要用"大模型本来就不确定"来解释业务系统的不稳定——那正是要工程化解决的部分
• 技术门槛在下降，真正难的是把人的经验转成 AI 可执行的流程

落地之后

原本需要数人讨论与写 SQL 的分析需求，变成分钟级、可重复的交互式分析。

原来的样子

痛点：好内容靠有经验的运营，但能力无法规模化复制；商户差异极大（高端酒店、连锁餐厅、独立小店），通用模板生成的内容照顾不到差异；曾尝试本地部署模型直接写文案，效果不达预期。

过去的做法：文案、拍摄、剪辑分工协作，团队负责人协调与审核；经验留在个人脑子里，没有沉淀成标准化文档。

AI 怎么切进去

• 判断真正影响结果的是流程怎么拆、哪些经验交给 AI、哪些判断必须留给人
• 把内容标准与商户差异显性化，让输出稳定贴近团队自己的标准，而不是追求模型更强
• 把人的经验转化成可执行的流程与素材规范

可迁移的做法

• 规模化生产的瓶颈不是创意，而是经验没有被拆成流程
• 不要一上来把成本放在模型与本地部署上，先解决流程与标准
• 让客户从"用 AI 写文案"走向"自己发现问题、拆流程、用 AI 解决"

落地之后

高峰日内两三百条文案的产出从依赖少数写手，转向可稳定量产的流程。