国企 AI 落地，先梳理流程再做 Agent

一家省属国企一级子公司已经有 OA、ERP、数据中台和信息化部门，业务覆盖服装、美妆、3C 等十多个电商业务线。管理层提出“能不能再往 AI 走一步”，听起来像技术升级，现场却暴露出更具体的问题：业务在增长，人员不能无限增加；法务、财务、纪检等专业岗位承接压力越来越大；大量判断依赖个人经验，没有沉淀为组织能力。

项目早期先搭知识库、模型和 Agent，但系统做出来后，员工没有真正使用，业务也没有变化。团队因此改变路径：先判断场景价值和可行性，再通过“知识萃取师”把企业自己的知识挖出来，先梳理流程，再做 Agent，并把 AI 作为员工助手而不是替代者。

落地场景：承接增长和专业岗位压力#

客户拥有较扎实的数字化基础，但业务扩张受到编制和人才供给限制。一个只有两人的法务团队，要面对不同业务线和合作伙伴的大量合同；法务、财务和纪检等内控岗位无法简单通过增加人员来解决压力。

管理层说“拥抱 AI”，背后可能对应业务提效、专业岗位承接更多工作，以及把个人经验变成可复用能力。FDE 的场景判断任务，就是把这句模糊目标继续追问成具体流程、具体责任和具体结果。

落地难点：有系统和数据，不等于有可用的业务知识#

隐性经验没有被记录#

法务过去审核过许多合同，但系统里往往只留下修改后的版本，为什么改、哪些条款关键、什么情况必须人工判断，可能都留在法务脑中。流程也一样，员工做久后觉得步骤“理所当然”，却没有明确表达出来。

技术底座先行容易做成没人用的玩具#

知识库、RAG、Agent 都能搭出来，但如果业务人员没有参与、流程没有被讲清楚，系统就无法准确处理企业自己的业务世界，最后变成“有系统、没使用”。

员工可能把 AI 理解成替代信号#

如果员工认为把自己的知识交出来，最终会被 AI 取代，就不会主动参与知识萃取。法务、财务等岗位还涉及责任问题，AI 不能代替人签字和承担最终判断。

组织牵头方式也会改变#

项目第一年由 IT 部门牵头，技术底座完成后进入瓶颈；真正深入业务后，问题变成员工怎么用、流程怎么改、组织怎么配合。因此后续改由人事部门牵头，从培训和组织协同重新推进。

如何落地：把企业自己的知识变成 AI 能理解的业务世界#

第一步，先评估价值和可行性#

团队不再看到问题就直接做 Agent，而是同时判断业务价值与技术可行性。技术暂时做不到的不要硬做，能做但价值太低的也不投入，避免做出无人使用的玩具。

第二步，引入知识萃取师#

知识萃取师的任务不是把通用行业模板搬进来，而是把这家企业自己的经验挖出来：原来怎么做、为什么这么做、哪些情况是例外、什么时候必须人工判断。企业内部人员是业务世界的主要来源。

第三步，先梳理流程，再做 Agent#

团队对知识做加工、管理和沉淀，把岗位原来依赖经验的工作拆成明确流程，再考虑知识库、RAG、Agent 和工作流。通用模型的概率生成不能替代企业自己的流程定义。

第四步，把 AI 放在助手位置#

AI 负责大量重复工作和初步筛查，员工仍然确认、签字并承担责任。这样既控制法务和财务等严肃业务风险，也降低员工对“交出知识就被替代”的抵触。

第五步，用培训让员工具备协作能力#

项目发现，业务骨干甚至可能不知道提示词是什么，也不知道应该如何提供知识。团队因此增加 AI 通识培训，让业务人员具备基本认知，能够参与知识萃取、试用和反馈。技术项目和组织转型需要同时推进。

落地成果：专业岗位获得助手，员工开始自己发现 AI 场景#

在法务场景，AI 可以先基于历史合同和业务信息识别关键条款、筛查风险，再交给法务最终确认；案例提到，这帮助企业避免了至少新增一个法务编制的需要，但这不是“法务被替代”，而是把初筛和重复阅读交给 AI。

更具象的组织变化来自行政办公用品自助柜。行政人员通过 AI 平台和数据中台 MCP 能力做了一个简单 Agent：员工在 IM 中询问电池库存，系统查询库存，不足时提醒行政补货，补货后再通知员工。过去需要找 IT、排期和开发，现在这位原本不懂技术的行政人员已经可以主动思考“这个问题能不能用 AI 解决”。

变化前	落地后的变化
企业知识散落在人员经验和修改后的文档里	通过知识萃取和流程梳理进入可管理资产
先搭技术底座，员工不一定使用	先判断价值，再让业务参与培训和试用
专业岗位靠增加人员承接增长	AI 先做初筛和重复工作，人保留责任和判断
小需求需要找 IT 排期	行政人员开始用 AI 平台自己做简单工具

这个案例的成果不仅是某个 Agent 上线，而是组织内部开始出现新的 AI 使用者。FDE 如果让员工能够主动发现问题、拆流程并尝试解决，交付的就是组织能力而不是一次性功能。

这个案例给 FDE 的四个提醒#

第一，先判断问题和价值，再选择 AI。Agent 不是默认答案。

第二，先把业务流程讲清楚，再谈知识库、RAG 和 Agent。企业自己的例外和责任边界不能由模型自行生成。

第三，AI 落地难度通常先是人，再是组织、数据，最后才是技术。员工愿不愿意参与，直接决定知识能否进入系统。

第四，中大型企业的 AI 落地是一号位和组织工程，IT、人事、业务负责人和专业岗位需要共同承担结果。

来源与边界#

• 原始资料：Datawhale《FDE案例100.pdf》，案例十四“从技术项目到组织能力：FDE推动国企AI转型”，案例访谈正文位于 PDF 第 139–147 页。
• 案例事实：客户为省属国企一级子公司，覆盖十多个电商业务线；有 OA、ERP 和数据中台；法务团队两人面对大量合同；引入知识萃取师、流程梳理和 AI 通识培训；法务场景帮助避免至少新增一个法务编制；行政人员通过 AI 平台和 MCP 做出办公用品库存 Agent。
• 结果边界：法务编制是案例中的折算和业务判断，不等同于实际裁撤人员；行政 Agent 是组织能力示例，不代表所有部门都已完成规模化部署。
• 产品化解读：关于“先梳理流程再做 Agent”、助手定位和人事部门牵头的总结，是基于案例事实的产品化分析。

---