《FDE案例100》方法论特辑 · No.19｜方法可复用，场景无边界：24 个案例的六个场景类型学

一、审核 / 识别类：把”看”和”读”交给机器#

代表案例：NO.02 车管所材料审核、NO.19 消费品包装审核、NO.21 建筑消防施工图。

共同点是大量重复的”看图、读文、找错、判合规”。

车管所最典型。群众上传身份证、营业执照、合同、发票，全是图片，工作人员一张张点开肉眼核对，单件业务审核要 15 分钟。改造后 OCR 加视觉加 RPA，15 分钟压到 3-5 分钟，日均办件从七八百件提到 1100 件。难点却不在算法，在数据不标准：9 类材料，复印件、小字体、只拍了一个国徽的身份证都有，识别率是一点点从 70% 多磨到 98% 的。

包装审核也一样。一个包装要过设计师、法律法规、渠道、产品经理四道关。拆开之后发现，错别字、法规标准这类确定性问题可以交给 AI，渠道反馈可以随历史沉淀逐步标准化，而产品经理和设计师的审美判断留给人。

消防施工图则是 AI 理解 CAD 图纸、再套上规范规则引擎，大型项目从数天变成约 30 分钟生成初稿，设计人员从”执行者”变成”审核者与决策者”。

这一类的方法论可以概括成一句话：把规则和事实交给机器，把责任和判断留给人——确定性问题自动化，模糊问题靠历史沉淀，复杂判断留给人。

二、匹配 / 调度 / 优化类：在组合空间里找最优解#

代表案例：NO.05 达人建联、NO.06 智能装车、NO.04 城市规划调度。

这一类的答案都是”把 A 和 B 怎么配”。

达人建联，是上万商品乘上不同内容标签的达人，本质是匹配问题。AI 先把匹配度高的达人筛出来，人再去做商务沟通，履约周期从一个月缩到约 18 天。

智能装车更硬核。一辆约 110 方的车，98 方是保本线，每超过 1 方就多赚 100 美元。AI 做三维空间计算，实测稳定装到约 99 方，装车时间从 5 小时压到约 2 小时。这个案例里有个关键细节：算法一开始输出三维可视化方案，现场工人根本不用；最后改成一张带编号、截面和顺序的装车指导图，才真正落地。

城市规划则是 10 个部门、空间数据、专业工具交织，AI 调度 GIS 工具做分析和计算，跨部门报告从 3-5 天变成 10-20 分钟。

共同方法论：大模型负责理解和调度，专业算法负责精确计算，人负责最终决策；能求最优解的问题，传统算法可能比大模型更准。

三、知识检索与问答类：把隐性经验变成可检索资产#

代表案例：NO.01 师徒带教、NO.08 ERP 物料查找、NO.11 外贸礼品文件检索、NO.03 律师案件工作台。

知识散在文档里、个人脑子里、各台电脑里，人找不到、用不上——这是这一类共同的痛点。

师徒带教要沉淀老师傅的经验，验收标准很具体：文档解析率约 95%、问题召回准确率 80% 以上，才认为技术路径初步跑通。

ERP 物料查找最生动。一线员工说”我明明知道数据库里有，我上次还用过，现在就是找不到”。找不到就重复录入，数据越来越脏，最后买错、买重、库存积压甚至报废。语义检索只是手段，真正要解决的是财务损失。

外贸礼品那家公司的老板，只想”说一句话，AI 就把某个客户用过的模板找出来”。可真正难的不是搜索，是先把散落各处的文件之间的关系建起来。

律师事务所则把入口从聊天框改成了案件工作台——先建案，再交互。

共同方法论：知识库不是把文档丢进去，关键是把隐性经验结构化；验收要回到真实高频问题，而不是技术指标漂不漂亮。

四、生成 / 量产类：把个人手艺变成稳定产能#

代表案例：NO.15 短视频文案量产、NO.12 电商商品内容生产、NO.21 消防图纸生成。

这一类最直白的矛盾是：好内容靠人，规模化离不开人，而人本身就是瓶颈。

本地生活短视频文案，高峰时一天要产两三百条，不同商户差异又大，通用模板一用就”AI 味”。解决方式是把优秀运营的判断拆成业务字段——客户是谁、门店什么类型、主推什么菜品、有什么活动、突出什么卖点——再把提示词、Skill、业务参数、校验和审计组合成一条生产流程。它真正解决的，是”削峰填谷”。

电商商品内容生产的坑也类似：从”人做图”变成”人盯着 AI 做图”，还是不稳定。于是重新定义问题——把依赖个人能力的内容生产，变成公司级、可复用、可管理的生产能力。验收标准也从”好看”升级成”能商用”，加上人物、服饰、场景三个一致性。

共同方法论：先把人的经验拆成字段和流程，再让 AI 承接标准化部分，人负责最后判断；产出要沉淀成企业资产，而不是一次性工具。

五、流程自动化与对账类：把”判断 + 执行”拆开接力#

代表案例：NO.09 财务流程、NO.10 零售对账、NO.24 跨境数据核对、NO.14 法务合同。

这一类的共同点是高频、规则明确、跨系统、大量人工搬运。

财务流程把链路拆得很漂亮：业务信息获取，到 AI 判断，到 AI 监督，到风险识别，再到 RPA 执行。原来要半个月甚至一个月，现在一两天跑完，落地了 10 个场景。

零售对账用 OCR 加视觉做第一轮核对，人只看真正需要判断的差异。一两个人天压到几小时。但更重要的发现是：过去总部给门店设了”容忍区间”，差异在一定比例内就不再追；机器把差异找出来后，原来被忽略的钱重新被识别——节点上省的是人工，业务上多的是收入。

跨境数据则把流程从”人为校验”变成”机器辅助校验加人工决策”，市场费用的问题发现率从不到 10% 提到约 30%。

共同方法论：AI 判断加自动化执行加人工兜底。不要一上来就替代人，先接管最标准、最重复的那一轮。

六、经营透明化类：让老板第一次”看清”#

代表案例：NO.20 订单透明、NO.18 销售经营、NO.24 跨境动销、NO.16 网络数据洞察。

这一类最典型——数据都有，但串不成”经营视角”。

订单透明里有个细节特别真实：供应商发来 5000 个扳手，实际只到 4980 个。按 ERP 的标准逻辑，数量没达标，这笔订单可能就无法入库；可现实业务不会因为少 20 个就把货退回去。AI 在这里像个”数据关系处理器”，把异常从”人去找”变成”系统主动提醒”。

销售经营里，客户关系散在销售个人手里，提成靠 Excel，数据延迟一个月。于是先补 CRM、建数仓，再让 AI 和 BI 做经营分析。新人培训周期从接近两个月缩到约 3 周。

网络数据洞察则把 Agent 做成一个可以反复运行的业务系统，把模型的随机性放进可控流程里，分析从按天变成分钟到小时级。

共同方法论：先补数据基础，再谈智能；让不同业务数据能对应起来，让异常能被发现，让决策有据可依。

方法可复用，场景无边界#

看到这里，你应该能感觉到：六大类场景，行业不同、数据不同、工具不同，但方法论几乎是同一套——

先进入现场，找到真问题；先治理数据，再上 Agent；把理解交给大模型、把计算交给专业工具、把责任留给人；嵌进原有流程，顺着用户习惯长；上线才是开始，陪着客户持续迭代。

这就是《FDE案例100》想说的那句底气：方法可复用，场景无边界。

所以如果你还在纠结”我这个行业到底能不能用 AI”，答案很可能是：能。真正要问的从来不是”选哪个行业”，而是”我有没有把这套方法用对”。行业会变，场景会变，但那一套”进现场、找真问题、治数据、嵌流程”的动作，不会变。

这个系列到这里就收官了。从 No.01 的”先进入现场”，到中间把发现、立项、构建、组织、成长五个阶段一层层拆开，再到今天把 24 个案例归成六类——我们其实只讲了一件事：AI 落地，难的从来不是技术，而是把技术放进真实的业务、数据和人的世界里。

这，就是《FDE案例100》留给你的全部底气。愿你带着这套方法，走进自己的现场。