一个看起来很重的AI项目,拆开之后其实很轻

这家企业的报价并不是简单查个价格。客户发来询价资料后，报价人员要看需求、看图纸、判断BOM，再去查库存、材料成本、历史订单、产能和生产排期，有些信息还要找采购、生产或者销售确认。所有信息基本凑齐以后，才能按照公司的报价规则给出价格和交期。

目前一份报价通常要三天左右，也有几个人专门负责这件事。

从表面上看，这是一个很典型的AI提效场景。里面有大量查资料、找数据、整理信息和生成文档的工作。但真正聊到怎么落地时，企业最担心的反而不是AI能力，而是另外两个问题。

一个是系统太多。ERP、库存、生产、图纸、文件、Excel，加起来十几个系统和数据来源，本来就没有完全打通。如果为了做AI报价，又要重新做一套数据平台，把所有系统全部接一遍，这件事很快就会变成一个大型信息化项目。

另一个问题更现实：员工不愿意再多用一个工具。

现在一线人员本来就在多个系统之间切换。如果AI落地以后，变成先登录ERP系统导出数据，再登录一个AI平台、上传资料、跟AI对话，那么员工感受到的并不是提效，而是“又多了一个系统”。

一开始听下来，这个项目似乎很重。

但详细讨论并把报价流程真正拆开以后，我反而觉得，它比想象中简单很多。

不是打通十几个系统，而是一次报价只取几个数据

企业一说“十几个系统”，很容易马上想到系统集成、数据治理、主数据、知识中台，甚至多Agent协同。

但报价人员其实根本不关心这些。

他真正需要的只是几个答案：

这个产品以前做过没有？图纸对应什么BOM？库存够不够？材料成本是多少？生产什么时候能排？最快什么时候能交？按照现有规则最终应该报多少钱？

换句话说，业务并不需要“把十几个系统全部打通”，而只是需要在一次具体报价任务里，从几个现有系统中把需要的数据拿出来。

两者的复杂度完全不同。

现在的流程，本质上更像这样：

客户询价
   ↓
邮件 / Excel / PDF / 图纸
   ↓
报价人员理解需求
   ↓
看图纸、判断BOM
   ↓
去ERP查库存和成本
   ↓
问生产排期、问采购价格
   ↓
整理Excel、计算报价
   ↓
生成报价单

这里真正消耗大量时间的，并不是最后那一步“算价格”，而是报价人员一直在不同系统、文件和人员之间搬运信息。

所以这个场景首先应该解决的，不是“让AI学会报价”，而是尽量把人的信息搬运工作拿掉。

AI也没必要做成一个新的系统

进一步拆，会发现这个场景真正需要AI做的事情其实不多。

客户发来的邮件、PDF、Excel格式不统一，AI可以负责理解这些非结构化资料，把客户、产品、数量、规格、交期和特殊要求整理成标准字段，同时发现有哪些信息还缺失。

图纸和BOM也可以让AI辅助处理。这里不需要追求“AI自动看懂所有图纸并生成最终BOM”，更现实的方式是让AI先结合图纸、历史产品和物料库给出一个BOM候选，能确定的自动匹配，不能确定的单独标出来让人确认。

但查库存，不需要AI。

查历史采购价格，不需要AI。

查当前生产排期，也不需要AI。

这些确定性数据，本来就在ERP和生产系统里，直接通过接口读取就行。

成本计算同样不应该交给大模型自由发挥。企业原来材料成本、加工成本、损耗、管理费用、毛利率怎么算，现在继续怎么算。AI只负责把计算所需要的数据准备好，最终价格仍然由企业自己的规则算出来。

这时候整个项目的边界其实已经很清楚了：

AI负责理解，现有系统负责提供事实，现有规则负责计算，人负责最终判断。

最小架构其实很轻

如果按照这个思路来做，系统完全没必要很复杂。

客户询价资料
邮件 / Excel / PDF / 图纸
        ↓
   轻量报价入口
        ↓
        AI
需求提取 / BOM辅助识别
历史相似案例 / 缺失信息发现
        ↓
   企业现有系统
ERP / 库存 / 生产排期
        ↓
   企业现有报价规则
        ↓
      报价草稿
        ↓
     人工确认

员工甚至不需要感知背后用了什么AI。

他只需要把询价资料放进去，最后看到一份已经准备好的报价草稿：客户要多少、BOM是什么、哪些有库存、哪些需要采购、当前排期怎么样、历史上有没有类似订单、建议报价是多少，还有哪些地方需要人工确认。

以前报价员要自己去“找、查、抄、填”的东西，尽量提前准备好。人的时间主要用来处理异常和做最终商务判断。

这反而可能是企业AI更合理的产品形态：不是让员工再学习如何使用AI，而是让AI藏在原有流程后面。

不要为了AI，把一个小场景重新做成大工程

这个案例让我比较有感触的一点，是企业AI项目很容易被做重。

业务部门最初只是想解决一个报价效率问题，往后推几步，就可能变成先做数据治理、再建AI中台、再做知识库、再做多Agent，最后原本一个很具体的场景，变成一个半年甚至更久的平台项目。

但这家企业真正需要的，并不是重新建设一遍企业的信息系统。

ERP能用，就继续用ERP。

生产系统里有排期，就直接读排期。

原来的报价公式可靠，就继续使用原来的报价公式。

哪怕某个环节暂时没有系统化，也没必要为了追求100%自动化先补齐所有基础设施。比如排期主要掌握在生产经理手里，那么第一阶段完全可以让系统自动完成前面的资料整理、库存查询和成本计算，最后让生产经理只确认一个交期。

只要一份报价原来需要大量人工查找和整理，现在大部分准备工作能够自动完成，这个项目就已经产生价值。并且我始终坚持：这才是海量的中小企业真正应该考虑的AI落地方向。工具最重要的一点是能够创造价值。

所以这次聊完以后，我反而觉得，这类企业AI项目最重要的并不是模型有多强，也不是架构有多先进，而是能不能克制住“什么都想一起解决”的冲动。

很多看起来很复杂的AI场景，真正拆到业务动作以后，也许只需要一个很薄的入口、几个现有系统接口、一套原来的业务规则，再加上一点AI对非结构化信息的理解能力。

真正好的AI落地，不一定让员工明显感觉到“公司上线了一套很厉害的AI系统”。

更可能是有一天他们发现：

以前需要自己到处找的数据，现在已经准备好了。

以前需要手工整理的资料，现在已经整理好了。

原来要在几个系统和几个人之间来回跑的工作，现在少了很多。

不是再增加一个AI工具，而是让原来复杂的工作变简单。