一、中小企业数字化的三个现实约束
谈 AI 之前，先认清约束，否则很容易被“平台化”“中台化”的方案带偏：
- 预算有限：一次性投入几十万、回报周期两年的项目，很难通过决策这一关；
- 人才有限：没有算法团队，甚至没有专职 IT，系统上线后没人维护就会烂尾；
- 数据有限：订单在进销存里，沟通在微信里，客户在业务员手机里，数据既散又脏。
结论很朴素：不要做“大而全的平台”，要做“小而闭环的工具”。先让一条业务流跑通，再谈数据资产。
二、四个高性价比的切入点
结合格达软件服务中小企业的经验，下面四类项目投入产出比最高：
| 业务诉求 | 推荐形态 | 典型周期 | 价值点 |
|---|---|---|---|
| 客户触达与复购 | 微信小程序 | 4~8 周 | 免安装、易传播，承载会员、预约、商城 |
| 内勤外勤协同 | 移动 APP | 6~12 周 | 派单、巡检、审批，支持离线与拍照取证 |
| 流程与报表补位 | PC 软件 / Web 后台 | 4~10 周 | 对接现有 ERP、进销存，补齐管理与看板 |
| 方向不明确 | 开发咨询 | 1~3 周 | 先做技术选型与 PoC，避免盲目投入 |
选择顺序建议是：先做“每天都要用”的场景，而不是“看起来很酷”的场景。
三、把 AI 嵌进现有业务，而不是另起一套系统
AI 是能力，不是产品。中小企业最忌讳为了“用 AI”再建一个 App。更划算的做法，是把它嵌进已有流程：
- 单据识别：送货单、发票拍照上传，自动转成结构化数据入库；
- 工单分类与摘要：售后工单自动打标、定级、派单；
- 知识库问答：把产品手册与历史工单做成检索增强问答，一线人员用自然语言提问；
- 报表解读：在 PC 后台里对经营数据做自然语言查询与异常提醒。
下面是一个最小的工单分类示例，可直接嵌入现有 Web 后台或小程序服务端：
# 把新工单交给大模型做分类与摘要
import os, json, requests
API_KEY = os.environ['LLM_API_KEY']
PROMPT = '你是工单分类助手。只输出 JSON，字段为 category(报修/咨询/投诉/其它)、summary(30字以内)、urgent(布尔值)。'
def classify(ticket_text):
resp = requests.post(
'https://api.example.com/v1/chat/completions',
headers={'Authorization': 'Bearer ' + API_KEY},
json={
'model': 'gpt-4o-mini',
'temperature': 0,
'messages': [
{'role': 'system', 'content': PROMPT},
{'role': 'user', 'content': ticket_text},
],
},
timeout=20,
)
resp.raise_for_status()
return json.loads(resp.json()['choices'][0]['message']['content'])
上线前请务必处理三件事：
- 超时与降级：模型 20 秒无响应就转人工队列，绝不让主流程被 AI 拖死；
- 输出校验：对返回 JSON 做字段与枚举校验，失败则重试一次或落人工；
- 数据合规：手机号、身份证等敏感字段先脱敏再送 API；核心数据建议改为私有化部署小模型。
四、上线只是开始：运维与推进节奏
- 分期上线：第一期只做一个部门的小闭环，4~8 周交付，跑通再扩展；
- 服务器与数据：每日自动备份、可一键回滚、日志留存至少 6 个月，操作系统与中间件安全补丁按季度更新——这正是服务器维护中最容易被省掉、也最容易出事故的部分；
- 成本可控：AI 调用按量付费，设置单日费用与令牌上限，高频重复问题用缓存或小模型兜底，成本常可下降一个数量级；
- 组织配套：指定一名业务负责人 + 一名 IT 对接人，比买什么软件都重要。
如果团队对技术选型没有把握，建议先用 1~3 周的开发咨询做需求梳理与原型验证：确认数据拿不拿得到、模型准不准、一线人员愿不愿意用，再决定自研、采购还是定制开发。
数字化的目的不是“看起来先进”，而是让每一张单子、每一次沟通、每一个决策都更快更准。AI 只是这个过程中一个便宜好用的新工具。