网易智企AI转型真实案例：从个人应用到组织复用，拆解知识、流程、分工难题，三阶段实践路径清晰呈现。
核心内容：
1. AI转型初期困境：个人零散使用导致版本混乱、标准缺失
2. 转型三阶段路径：局部探索（个体提效）→流程固化（业务提效）→组织重构（组织重塑）
3. 分层实践体系：个人可用、个人好用、组织好用落地标准

员工用上 AI 之后，知识、流程和分工怎么跟上？

图由 AI 生成

文 | 燕子

同一个 QBR（Quarterly Business Review，季度业务回顾） 场景，五个人各自做了五个 Skill。

每个版本都能解决一点问题，也都带着各自的习惯。

工具越来越多，团队却开始为几个新问题发愁：哪个版本最好？谁来维护？新人应该用哪一个？

一旦每个人都在自己的版本上继续修改，组织很快就失去了统一标准。

这是网易智企·云商团队在推进 AI 转型时遇到的一个真实场景。员工开始使用 AI，转型才刚刚起步。

个人经验能否进入共同的知识库，零散用法能否固化成业务流程，AI 识别出的信息能否被人推进到结果，决定了这些尝试最终会停留在个人提效，还是逐渐成为组织能力。

8 月 7 日，崔牛会「SaaS 企业 AI 转型」系列深度学习走进网易智企。

网易智企·云商业务负责人肖钰妍、网易智企·云商 Agent 业务负责人赵胜海、网易智企·云商客户成功负责人柯明星，分别从业务转型、知识密集型组织和客户成功三个角度，分享了团队在 AI Native 转型中的实践。

三位嘉宾从各自负责的业务讲起，话题很快都落到了组织怎么工作这件事上。

AI 进入日常工作后，知识怎么流动、流程怎么调整、判断由谁做、结果由谁负责，都会成为企业必须回答的问题。

肖钰妍 网易智企·云商业务负责人
赵胜海 网易智企·云商Agent 业务负责人	柯明星 网易智企·云商客户成功负责人

01

从局部探索到组织重构
AI 转型会经历三道关

肖钰妍把云商团队的 AI Native 转型分成三个阶段。

第一个阶段是局部探索。

企业引入大模型和 AI 工具，在客服、内容、数据处理等局部场景中试用，先验证 AI 能不能产生价值。

这个阶段的使用往往比较分散，员工按照自己的习惯选择工具、写提示词、搭 Skill。

第二个阶段是流程固化。

随着个人用法不断增加，重复建设、输出不稳定和协作困难会逐渐暴露出来。

团队需要识别高频、高耗时的场景，把较好的个人实践沉淀为组织级知识库、工作台和标准流程。

第三个阶段进入组织重构。

原来的岗位分工开始变化，对人的要求也跟着变了。研发会直接参与需求调研，产品经理动手完成前端原型，售前也会进一步参与 POC。

随着这些工作越做越快，团队需要重新安排谁来做什么、怎么配合。

云商团队先让员工把 AI 用起来。

他们开放 AI 需求许愿池，让一线同学描述日常工作中最耗时、最重复的任务，也要求每个人亲手完成一个简单的 Skill。

团队随后把实践分成三个层级：个人可用、个人好用、组织好用。

• “个人可用” 强调先跑通，哪怕只能解决一次任务；

• “个人好用” 要求输出相对稳定，并且能被同职能的伙伴使用；

• 到了 “组织好用” ，应用需要有清晰的输入输出、权限、监控、维护责任和兜底机制，产研团队也会正式参与。

这套分层的价值，在于给探索和治理留出了不同空间。

员工可以先低成本尝试，团队也不会急着把每个想法都做成正式产品。只有经过真实工作验证、具备复用价值的场景，才继续进入组织级建设。

CSM 工作台就是这样长出来的。

团队收集到二十多个 Skill 后发现，会议纪要、QBR、客户分析等场景存在明显重叠。个人版本继续增加，已经很难判断哪一个更好。

于是，团队重新调研 CSM 的工作流程，把客户 360、会议纪要、QBR、知识库和待办放进同一个入口，让已经验证过的能力沿着业务过程被调用。

这里有一个容易被忽略的细节。

把周会改成由 AI 汇总周报，看起来像一个文档生成任务，实际先要完成数据口径和管理规则的梳理。

什么叫交付完成，市场与销售如何使用同一套口径，哪些客户信号属于风险，这些问题没有统一答案，AI 只会更快地放大原有分歧。

AI 落地的过程，常常会迫使企业把长期模糊的管理问题说清楚。

工具把问题带到台前，接下来还要重新定义流程、数据和责任。

02

AI Native 产品
要从回答问题走向完成任务

组织变化之外，肖钰妍还谈到云商团队对 AI Native 产品的理解。

传统软件接入 AI，常见做法是在原有产品上增加问答、生成或分析功能。这些功能能改善体验，却未必触及客户愿意付费的核心问题。

云商团队对新产品提出了更进一步的要求：从回答问题走向完成任务，让知识、状态、权限和人机协作进入同一条业务链路，并持续交付结果。

以企业服务场景为例，客户需要的往往不只是一个答案。

一次问题处理可能还要查询知识、补齐信息、调用后台系统、推动流程、交付最终结果。如果机器人回答完问题，后面的执行仍全部交给人，服务链路并没有真正缩短。

基于这一判断，云商团队选择从中腰部企业的私有化服务场景切入 AI Desk。

以前的私有化项目容易把客户差异直接写进产品底座，久而久之形成多个分叉版本，升级、维护和交付成本随之上升。

新的思路是把共性能力留在可以持续升级的产品中，把个性需求控制在配置、集成和扩展边界内。

产品研发方式也在变化。

团队尝试让 AI 参与编码、测试、回修和验证，人负责需求准入、范围判断、风险裁决和发布验收。

AI 可以在明确的证据链和验收口径内长时间执行，遇到争议和关键节点再回到人。

这项实践仍在推进中。它提醒 SaaS 企业重新检查自己的 AI 功能：它究竟增加了一个新入口，还是进入了客户完成任务的主流程？客户获得的是一次回答，还是一个可以验证的业务结果？

03

知识密集型组织
先把判断变成可调用的能力

赵胜海分享的起点，是解决方案团队的一个典型难题。

这类团队真正交付给客户的，往往是对业务、行业、竞品和方案的判断。大量知识沉淀在个人脑中、本地电脑和零散文档里。

即便团队定期分享优秀方案，每个新项目仍可能重新找资料、重新问专家、重新写一遍。

拥有很多知识，并不等于组织能够随时调用这些知识。

赵胜海把标准化目标拆成五层：标准知识、标准决策、标准流程、标准输出和标准评审。

Neuters
知识库解决资料能否被找到，Skill 负责把岗位的工作方法写成可执行步骤，评审机制则守住事实、业务适配、风险和交付完整性。

在他的实践中，团队没有强制所有人使用同一种 AI 工具。成员仍可以选择自己习惯的工作环境，但需要加载统一的在线知识和标准 Skill。

工具可以不同，组织的知识来源、工作步骤和交付标准需要保持一致。

一个可供团队使用的 Skill，也不能只写几句提示词。

它至少要讲清楚适用场景、输入要求、执行步骤、需要调用的资源、输出结构、质量检查和风险边界。输入不足时，AI 应该先追问；涉及客户事实和专业判断时，输出还要回到证据和人工评审。

赵胜海反复强调，AI 生成只是起点，评审机制决定最终的交付质量。

对于高专业、高信任的工作，团队可以先用专家经验与 AI 共建，再让 AI 执行，最后由人完成判断。

赢单和输单的复盘结果，也要继续回写知识库和 Skill，让下一次交付有机会站在前一次经验上开始。

知识建设的顺序同样重要。

把所有文档一次性倒进知识库，通常很难直接带来效率。

更可行的路径是先选一个高频场景，限定知识范围，准备标准答案和评审方式，跑通后再扩展到同一团队的其他场景，最后复制到更多团队。

对知识密集型公司来说，这种变化已经超出资料管理。

以前，团队依赖“谁知道答案”；接下来更重要的问题是，谁负责维护答案，谁定义调用方式，谁对输出质量负责。

个人经验只有经过治理、调用和验证，才会成为组织资产。

04

客户成功的闭环
从接住问题开始

柯明星把客户成功中的问题分成了三种状态：

• 客户主动来问时，谁能把问题接住；

• 客户没有提问时，谁能看见他的状态变化；

• 识别出机会或风险后，谁来把它推进成结果。

第一步是处理标准化问题。

网易智企把 AI 客服放进企业微信群，只有在客户提问或主动触发时才参与会话。

知识明确、路径清晰的问题可以由 AI 先回答，涉及客户真实环境、账号权限、生产配置和复杂故障时，继续由人工确认和接管。这条边界很重要。

AI 客服需要知道自己会回答什么，也要知道哪些问题不能独立回答。对于复杂排障，AI 更适合先完成跨系统的信息收集和初步定位，再由技术支持判断问题原因及后续动作。

第二步是从服务记录中识别客户状态。

企微聊天、客服工单、会议纪要、产品使用情况和购买信息，单独看都只是零散数据。经过结构化处理后，它们可以帮助团队发现反复出现的使用障碍、合作变化、流失风险和新的需求信号。

但 Agent 给出一条风险提示，并不等于风险已经成立；识别到一个需求，也不等于产生了商机。柯明星在分享中明确区分了这两件事。

线索进入团队后，还要经过 CSM 确认、分层、触达、行动、结果回写和复盘。

管理者关注长期未推进的机会和反复出现的风险，运营团队再把误识别和有效样本用于更新规则与知识。

第三步是把不同客户交给合适的经营力量。

数字员工可以扩大长尾客户的覆盖，成长型和高阶 CSM 根据客户价值与问题复杂度继续承接，区域团队参与重点客户的拜访和复杂项目协同。

AI 负责发现变化，人负责判断关系、协调资源和推动结果。

沿着这条链路，AI 客服、排障 Agent、客户信号识别、分层经营和 CSM 工作台不再是分散的应用。它们围绕同一个客户持续接力：接住问题，看见状态，推进结果，再把有效做法沉淀为可以复用的组织能力。

05

组织重构
要避开对“全能的人”的依赖

当产品与服务逐渐走向结果交付，FDE 成了三场分享里都提到的组织议题。

肖钰妍的判断是：FDE 很难由一个人包揽全部能力。

业务理解、需求分析、Agent 落地、系统对接和平台支撑，可以被看作一个能力组合，再根据产品生命周期由不同角色接力。

新品启动和早期验证阶段，需要产品经理靠近一线，与实施、研发一起控制场景边界，磨出交付方法。

进入规模化阶段后，需求分析和实施工程师形成协作单元，产品团队继续把共性经验沉淀进平台。

到了持续运营阶段，网易智企正在探索让 FDE CSM 更靠近客户结果。

柯明星也谈到，CSM 的工作正在从识别问题和机会，逐步延伸到推动方案落地与验证效果。

这个方向会提高岗位要求，也更依赖平台把复杂能力做得可配置、可复用。否则，组织只是把更多任务压到一线，新的流程仍然难以规模化。

这部分实践还处在试点和准备阶段。如果只做岗位合并或减少交接，组织重构很难走远。

企业还需要回答三个问题：哪些判断必须由人完成，哪些执行可以交给 AI，哪些能力应该沉淀到平台，从而降低对少数全能人才的依赖。

06

结语

网易智企·云商团队呈现了一条仍在验证中的 AI 转型路径：

先让个人用起来，从真实工作中找到高频问题；再把有效做法沉淀为知识、Skill 和工作台；当新的业务链路逐渐稳定，组织再调整职责、协作和人才要求。

这条路径里没有一个动作可以孤立完成。

• 知识库缺少流程，资料依然很难被调用；

• Agent 缺少人工确认，识别出的风险和机会很难变成结果；

• 岗位边界发生变化，如果平台和评审机制没有跟上，一线只会承担更多复杂工作。

崔牛会组织深度学习，希望打开的正是这些转型过程。

企业对外展示的往往是产品和结果，真正走进去以后，才会看到中间经历过的混乱、重复、试错和重新定义。

回到自己的公司，我们也可以沿着同一条线索继续追问：

团队现在拥有的是一批会用 AI 的个人，还是一套能够持续复用、有人治理、可以对结果负责的组织能力？

学习现场

下一场学习-9月18日六度人和（EC）

报名，下滑戳左下角【阅读原文】

●17+小时，深聊19位实践者之后：FDE在中国的落地路径，正在变得清晰

●勤策刘昭：真正能卖掉的 Agent，不陪你聊天

●当AI替掉了中层，谁在替AI兜底

_{点击左下角"阅读原文"，报名深度学习系列六度人和（EC）站}

登录查看剩余 70% 内容