从电力企业 To B 大营销项目，反思 AI 端的赋能

最近参与一个能源制造类行业 To B 大营销项目，我最大的感受是：

企业今天要的，已经不是一个“能用的软件”。

老板要增长。IT 要可控。业务要好用。

而 AI 真正要解决的，不是多生成几段话术，而是把客户、商机、费用、交付、回款和复盘，重新串成一条可经营的增长链路。

01 我在项目里看到的三类人

这次项目中，我更多是以 PM 和 PDE 的角度参与。

一边和企业老板沟通战略诉求，一边和 IT 团队确认数据、权限与系统边界，也和业务负责人一起拆流程、看痛点、找落地路径。

在这个过程中，我能非常明显地感受到：同一个 AI，站在不同角色眼里，完全不是一回事。

老板看 AI：不是提效，而是经营变量

企业老板对 AI 的认知，比很多人想象得更高。

他们不是只想听 AI 怎么写文案、怎么做 PPT、怎么帮员工省时间。

他们真正关心的是：

• AI 能不能带来新的增长？

• 能不能帮企业找到新的机会？

• 能不能降低无效投入？

• 能不能让风险更早暴露？

• 能不能重构流程，甚至重构商业模式？

说得更直白一点：

老板要的优先级，往往是增长大于降本，降本大于提质提效。

提效当然重要，但对老板来说，提效更像是基础项。真正打动老板的，是 AI 能不能成为企业经营中的一个新变量。

尤其在今天的大环境下，很多企业老板是最焦虑、也最认真学习的一群人。他们愿意理解 AI，不是因为赶时髦，而是因为他们知道：未来几年，企业的经营方式一定会变。

所以，如果我们还停留在“AI 能帮员工写东西更快”这个层面，其实已经跟不上老板的问题了。

老板真正问的是：

AI 能不能进入端到端流程，改变企业最终拿到的经营结果？

IT 看 AI：既是机会，也是风险

站在 IT 侧，AI 的意味更复杂。

一方面，AI 确实能帮 IT 团队解决很多实实在在的活，比如：开发辅助、运维排查、文档整理、需求分析、测试用例、日志分析、知识库问答。这些都是立刻能看到效率提升的地方。

对那些原本就熟悉业务流程的 IT 团队来说，AI 反而会放大他们的价值。

因为企业 AI 落地，绝不是单纯接一个模型。

它涉及：

• 数据从哪里来；

• 系统怎么接；

• 权限怎么管；

• 日志怎么留；

• 合规怎么审；

• 出了问题谁负责；

• AI 能不能访问企业内部知识和业务数据。

这些问题都离不开 IT。

但另一方面，AI 也会让一部分 IT 人感到压力。因为 AI 正在降低技术门槛，很多过去只有技术人员能做的事情，现在业务人员借助 AI 也能做一部分。

所以 IT 的关键，不是守住原来的边界，而是向业务更靠近。未来真正有话语权的 IT，不只是懂系统的人，而是懂业务流程、懂数据资产、懂权限治理、懂 AI 落地边界的人。

业务看 AI：压力不显性，但焦虑在心里

业务负责人对 AI 的压力感，有时候没有老板和 IT 那么直接。

他们未必会马上说“AI 会改变我的岗位”。但他们心里其实也知道：

• AI 会让基础知识平权。

• AI 会让很多重复动作自动化。

• AI 会让经验不再只掌握在少数人手里。

• AI 会倒逼业务人员提升综合能力。

他们真正需要的，不是再听一堆宏大的 AI 概念。

他们需要有人告诉他们：

• AI 到底怎么帮我少填一点？

• 怎么帮我更快找到资料？

• 怎么提醒我下一步该干什么？

• 怎么帮我把客户沟通得更专业？

• 怎么帮我看出项目风险？

• 怎么让我在 AI 时代不掉队？

所以我越来越觉得，企业 AI 落地不能只讲技术，也不能只讲战略。它必须同时回答三类人的问题：

老板要价值。IT 要安全和可控。业务要好用和有帮助。

02 项目的分水岭，不在开发，而在蓝图

很多人以为，软件项目成不成，关键在开发。

但做过复杂企业项目就会知道：

一个项目最终有没有价值，往往在蓝图阶段就决定了七成。

如果蓝图阶段只是在堆功能，后面大概率会变成一个“看起来很全，但不知道解决什么问题”的系统。

如果蓝图阶段只问“客户要什么页面”，后面大概率会变成反复改界面、改字段、改流程。

真正应该问的是：

• 企业到底想解决什么经营问题？

• 老板最想先看到什么结果？

• 业务主流程到底怎么跑？

• 哪些节点最容易失控？

• 哪些数据支撑经营判断？

• 哪些动作需要 AI 介入？

• 哪些指标能证明系统有价值？

这次 To B 大营销项目里，我们明显感受到三类诉求：

老板说： 我们不是只想上一套 LTC 系统，而是希望 AI 给企业带来新的变量。

业务说： 我们希望系统更便捷，能反向提醒我们，不要只是多填一套表。

IT 说： 我们要保障数据权限，做好角色、动作和数据边界，所有关键环节都要有日志审计。

你看，同一个项目，三类人要的是不同东西。

如果前期蓝图没有把这些诉求统一起来，后面系统做得越快，可能偏得越快。

03 To B 大营销，本质上是一条很长的漏斗

站在 To B 营销的角度，很多企业其实都知道基本路径：

1. 先找到线索。

2. 再判断线索有没有价值。

3. 再输出专业方案。

4. 再持续跟进关键人。

5. 再解决客户顾虑。

6. 再推进合同和交付。

7. 最后复盘投入产出。

To B 和 To C 看起来差别很大，但底层逻辑并不陌生。消费者买东西也有类似过程：产生需求 → 看到产品 → 比较价格 → 决定购买 → 体验好才复购。

To B 只是链路更长，决策人更多，影响因素更复杂，项目金额更大，交付周期更长。

所以，To B 大营销的核心不是“客户资料管理”，而是一条持续筛选、持续推进、持续经营的增长漏斗：

AI 要真正有价值，就不能只停留在某一个点。

它要进入这条漏斗的每一个关键节点。

04 AI 在 To B 大营销里的五个真正价值点

1. 机会识别：从“人找线索”到“线索找人”

传统销售更多依赖客户经理自己找线索、跑关系、找机会。

但在大型 To B 企业里，很多机会其实早就散落在外部市场、招投标信息、行业动态、区域政策、历史项目、客户行为和产品适配关系里。

AI 的第一个价值，是帮助企业更早发现机会。比如：

• 自动识别海量招标机会；

• 结合行业、区域、客户类型进行多场景验证；

• 匹配公司产品库和解决方案能力；

• 推荐给更适合的销售经理或区域团队；

• 提前形成高潜客户清单。

这不是简单提高销售效率。这是把漏斗的第一层变大，把“人找线索”逐步变成“线索找人”。

企业过去依赖个人经验开拓，现在可以逐步沉淀成组织级机会识别能力。

2. 作战增强：让团队作战更专业

大型 To B 项目很少是一个销售经理单打独斗。它往往需要销售、产品、方案、技术、财务、法务、交付多角色共同作战。

项目越大，越需要持续调整作战方案。

• 客户临时提出新需求怎么办？

• 竞品方案变化怎么办？

• 客户关注点发生变化怎么办？

• 投标材料怎么优化？

• 高层汇报怎么准备？

• 类似项目以前怎么赢的？

• 以前为什么丢单？

如果企业有一个熟悉产品库、案例库、客户画像和历史项目经验的 AI 作战助手，这些问题就会被大幅提效。

这里有一个很关键的区别：个人可以去问通用大模型。但企业真正有价值的信息，往往不可能放在通用大模型里。

产品价格、客户画像、过往中标案例、失败复盘、内部方案、合同风险、真实经营数据，这些都需要企业自己的知识库、案例库和权限体系。

所以，AI 辅助作战的核心不是“会写 PPT”。而是：

把企业自己的知识资产重新调用出来，帮助一线团队打赢关键项目。

3. 执行减负：减少填报、查询和分析成本

很多业务系统最大的问题，不是功能不全，而是不好用。

客户经理最烦的，往往不是做业务，而是重复填报、到处查资料、反复整理数据、手工写汇报。

如果 AI 能通过自然语言交互帮助销售经理完成：

• 查询客户信息；

• 生成跟进纪要；

• 填写项目进度；

• 生成费用说明；

• 汇总本周待办；

• 分析某个项目风险；

• 输出区域经营简报。

那么业务人员对系统的接受度会明显提升。

这件事看起来只是提效，但它背后很重要：

如果业务人员愿意用系统，数据才会持续沉淀。如果数据持续沉淀，老板看板和 AI 判断才有基础。如果没有真实过程数据，AI 就只能讲空话。

所以，业务端提效不是小事。它是企业 AI 能不能跑起来的入口。

4. 经营预警：让老板对过程“心里有数”

To B 项目最怕什么？

最怕项目做到最后，一算账，发现没赚多少钱，甚至亏了钱。

很多 To B 项目在推进过程中，已经出现了很多信号：

• 预算持续增加；

• 项目阶段长期停滞；

• 客户关键人变化；

• 交付风险变高；

• 回款条件不清晰；

• 资源投入和预期收益不匹配；

• 项目利润率不断被压低。

过去这些风险往往靠人盯。但人盯人，永远会有盲区。

AI 可以在项目过程中持续辅助判断：

• 这个项目有没有延期风险？

• 费用投入是否异常？

• ROI 是否低于预期？

• 预计利润是否被压缩？

• 客户经理是否长时间没有有效动作？

• 哪些项目需要管理层介入？

从老板角度看，他未必在意你是不是用了 AI。

他在意的是：

我能不能实时了解公司经营情况，做到心里有数。

这才是 AI 进入老板驾驶舱的意义。

5. 知识沉淀：把一次项目变成下一次打法

很多企业不是没有复盘，而是复盘没有变成组织能力。

项目赢了，大家庆祝一下。项目输了，开会总结一下。但下一次遇到类似客户、类似区域、类似产品、类似竞争对手，还是靠个人经验重新来一遍。

AI 在项目收盘阶段的价值，是帮助企业沉淀：

• 成功打法；

• 失败原因；

• 客户偏好；

• 关键报价区间；

• 合理 ROI 区间；

• 费用投入边界；

• 竞品应对策略；

• 不同区域的打法差异。

尤其是大型 To B 项目，合理定价区间和资源投入边界非常重要。

如果客户经理在现场拥有更清晰的历史参考和策略边界，他就能有更灵活的决策空间，也更容易带来好结果。

这就是从“项目复盘”走向“打法沉淀”。

05 未来的软件商，不能只做软件商

这次项目让我有一个很强的判断：

未来的软件商，可能越来越不能只做软件商。

以前企业买软件，很多时候是为了业务在线化、流程标准化、数据可视化。

但现在企业买系统，越来越会问：

• 你能不能帮我带来价值？

• 你能不能帮我梳理流程？

• 你能不能帮我识别问题？

• 你能不能帮我定义指标？

• 你能不能陪我把系统真正用起来？

• 你能不能把 AI 放到对的业务节点？

这意味着，未来的软件服务商，必须越来越像咨询服务商。

不是只交付页面和功能，而是要具备：

• 业务诊断能力；

• 流程梳理能力；

• 数据口径设计能力；

• AI 场景规划能力；

• 项目交付能力；

• 客户成功陪跑能力。

否则，企业会觉得：我买了一个系统，但价值没有发生。

这也是为什么我越来越觉得，一个好的 AI 项目，最重要的不是模型，而是前期的调研、问题定义、蓝图设计和业务地图。

模型可以换。工具可以换。页面可以改。但如果业务问题一开始就定义错了，后面越努力，越可能偏离价值。

06 写在最后

从这个能源制造类行业 To B 大营销项目里，我看到的不是一个简单的营销系统升级。

我看到的是企业对 AI 的期待正在变高。

• 老板要增长和经营确定性。

• IT 要安全、权限、审计和可控。

• 业务要便捷、提醒和真实帮助。

• 而软件商要从功能交付，走向价值交付。

AI 在这里真正应该做的，不是给系统旁边加一个聊天框。

而是进入端到端营销流程：

• 让机会更早被发现；

• 让方案更专业；

• 让过程风险更早暴露；

• 让费用和 ROI 更清楚；

• 让项目复盘沉淀成下一次打法；

• 让个人经验变成组织能力。

所以我越来越相信：

企业 AI 的价值，不在于它生成了多少内容，而在于它进入了多少真实流程，改变了多少经营结果，沉淀了多少组织能力。

这里是 燕莱·星火工场。

星火已燃，我们继续。