一个真正的行业 AI 场景至少要回答四层问题：处理的行业对象是什么，涉及哪些专业流程和岗位，用到哪些系统和数据，责任和监管边界在哪里。识别时可以问五个问题：工作对象是什么、流程涉及哪些岗位和系统、哪些口径必须一致、出错的后果和责任归谁、哪一步最适合先试点。重复、耗时、容易人工验收的步骤最适合作为第一批试点。
行业化不是换个名字
市面上很多“行业 AI 方案”，内容其实和通用方案差不多：写文案、做总结、整理表格，只是标题换成了“制造业 AI”“医疗 AI”。这样的方案落到企业里，往往发现和实际业务对不上。
真正的行业场景，要落到这个行业特有的对象、流程、数据和规则上。
四层框架
第一层：行业对象。 这个场景处理的是什么？制造业是工单、物料、质检报告和设备记录；跨境电商是商品、订单、评价和多语言客服；教育培训是课程、学员和学习记录。对象决定了 AI 需要理解哪些专业概念。
第二层：专业流程。 这些对象在哪些岗位之间流转，经过哪些步骤？比如一份质量投诉从客服到质量部门再到生产车间，每一步做什么、交给谁。
第三层：系统与数据。 流程中用到哪些系统，数据在哪里、格式怎样、口径是否统一？很多行业场景卡住，不是因为 AI 能力不够，而是数据分散在不同系统里，口径各不相同。
第四层：责任与监管边界。 哪些判断有法规要求、需要资质人员负责？出错的后果是什么？医疗不能做诊断建议，金融的投资判断和税务申报要由人负责，制造业的质量放行不能交给 AI。
五个识别问题
在和业务部门讨论具体场景时，可以逐个问：
- 工作对象是什么？ 具体到单据、记录、文件的类型。
- 流程涉及哪些岗位和系统？ 画出简单的流转图。
- 哪些字段或口径必须一致？ 比如班次、物料编码、币种、统计周期。口径不统一，AI 的分析就没有意义。
- 出错的后果是什么，最终责任归谁？ 这决定了哪里必须保留人工确认。
- 哪一步最适合先试点？ 通常是最重复、最耗时、结果最容易人工验收的那一步。
大多数流程的共同结构
不同行业的流程看起来差别很大，但拆开后，多数可以归为同一个结构：
输入 → 归集与校验 → 分析 → 交付 → 人工确认
例如制造业的生产日报：从各系统和班组收集数据，检查口径和缺失，分析良率和停机原因，生成日报，由生产负责人确认。文化传媒的内容生产：收集选题素材，核对事实来源，生成脚本和分镜，交付初稿，由编辑审核发布。
用这个结构去看行业流程，更容易找到 AI 能参与的环节，以及必须留给人的环节。
先沉淀可复用的行业资产
在行业场景中，比单次任务更有价值的是沉淀下来的资产：统一的字段口径表、行业术语表、禁用词表、事实来源库、评分标准、经过验证的任务模板。这些资产让后续的场景越做越快，也是企业自己的行业能力。
远行者科技的做法
我们在场景诊断中会用这四层框架和五个问题，与业务部门一起拆解候选场景，重点确认数据口径和责任边界，再从最容易验收的环节开始试点。每个行业场景结束后，我们会把口径表、术语表和模板整理为企业可以继续使用的资产。
常见问题
我们行业比较特殊，通用的 AI 工具能用吗？
通用能力（理解文字、整理资料、生成文档）在各行业都能用，差别在于要给 AI 提供行业的资料、口径和规则，并在流程中设定符合行业要求的人工确认点。
数据口径不统一，是不是要先做数据治理？
不一定要全面治理，但试点场景涉及的字段和口径必须先统一。可以从试点场景开始，逐步整理口径表，不必等全部数据准备好。
怎样判断一个场景有没有监管风险？
先看场景是否涉及行业法规要求由资质人员做出的判断，例如诊断、投资建议、税务申报、质量放行。涉及的环节应由人负责，AI 只提供辅助材料。不确定时请咨询企业的法务或合规部门。
参考资料
把方法放进一项具体工作。
远行者科技围绕企业岗位任务提供 WorkBuddy 场景诊断与解决方案，明确任务流程、产品条件、试点安排、人工复核和培训推广方式。
