从真实工作流里找 AI 场景

很多“AI 行业应用大全”看起来很热闹：金融、医疗、教育、制造，每个行业下面再列十几个点子。可真要动手时，你还是不知道该找谁、接什么数据、替掉哪一步，也不知道做完以后谁会愿意付钱。

问题在于，行业不是场景。“AI + 医疗”只是一个范围；“医生看诊后要花十分钟补病历，系统先根据医患对话起草记录，再由医生确认”才是一段可以研究、设计和验证的工作流。

这篇附录换一种写法。我们查阅了 60 余份咨询公司、券商、研究机构报告和产品案例，不再追求把行业列全，而是挑出已经有人使用、也能看见价值落点的 B 端和 C 端场景。你可以把它当成一张地图，用来找到值得继续访谈的问题，不要把它当成现成的创业答案。

先记住这句话B 端从工作流里找阻塞，C 端从一天里找反复发生的时刻。

前者要说清谁在工作、经过哪些系统、最后由谁负责；后者要说清用户为什么会回来，以及 AI 比搜索、模板或人工服务究竟少了哪一步。

先分清：B 端和 C 端不是两套标题

B 端：企业为结果付钱

企业很少为“能聊天”本身买单。它购买的通常是更短的处理时间、更少的返工、更稳定的合规质量，或者更多成交。一个可研究的 B 端场景，至少要能回答四件事：谁每天在做、材料从哪里来、结果写回哪个系统、出错后谁负责。

这也是为什么不少企业试验迟迟没能扩大。Deloitte 对 2,773 名企业管理者的调查显示，很多组织仍只有少量生成式 AI 试验能进入规模化阶段；Accenture 对 2,000 多个项目的复盘也发现，真正产生企业级价值的组织仍是少数。难点往往不是模型能不能回答，而是它有没有进入完整流程。Deloitte：State of Generative AI in the Enterprise · Accenture：Making Reinvention Real with Gen AI

C 端：用户为一个更轻松的时刻付钱

C 端产品不需要接入十套企业系统，但它要面对更直接的选择：用户随时可以关掉 App。好的消费场景通常贴着一个明确时刻出现——准备旅行、比较商品、练口语、做一张海报、整理账单。它先帮用户完成一件事，再慢慢记住偏好。

Capgemini 对 12,000 名消费者的调查里，生成式 AI 已经进入商品发现和比较；QuestMobile 的国内数据也显示，AI 应用正在从独立聊天工具进入搜索、办公、影像、音乐等已有产品。机会不只在“再做一个聊天框”，而在把对话接到下一步动作。Capgemini：What Matters to Today’s Consumer 2025 · QuestMobile：2025 中国移动互联网春季报告

B 端：八段已经在发生的工作

下面每一节都从一个具体岗位开始。读的时候，别急着抄产品名，先看清楚：原来的工作为什么慢，AI 接住了哪一步，还有什么必须留给人。

1. 客服不是“回答问题”，而是把一件事处理完

Klarna AI Assistant 的延期付款、多语言客服与退款解释界面 — **Klarna AI Assistant：**左边不是一句“请联系人工”，而是直接给出延期付款入口；右边把退款金额逐项拆开。客服 AI 真正有用的地方，是能查到这笔订单并把动作接下去。

谁在做： 一线客服、坐席主管和售后运营。

客户说“我的退款怎么还没到”，客服要先确认身份，再去订单、支付和物流系统查状态，解释规则，必要时创建工单。真正耗时的不是写一句礼貌回复，而是在多个系统之间找齐上下文。

Klarna 的 AI 助手已经能处理退款、退货和多语言客服；ResultsCX 的案例则把语音分流、账户查询和后台 API 连在一起。两者都说明，能产生价值的不是 FAQ，而是查到状态—按规则处理—留下记录—必要时转人工这一整段。Klarna 客服案例 · ResultsCX 客服案例 · Salesforce：State of Service 2025

如果你第一次做，可以只接“人工接待之后”的部分：自动生成会话小结、识别客户诉求、带出相关规则和建议动作，由客服确认后写入工单。这样既能测出节省了多少时间，也不会一开始就把退款权限交给模型。

值得追问

客服最常切换哪几个页面？什么问题看似重复，实际要根据订单状态做不同处理？转人工时，下一位客服还要重新问一遍吗？

2. 销售最缺的不是文案，是下一步该跟谁谈什么

Morgan Stanley AI@MS Assistant 内部界面 — **Morgan Stanley AI@MS Assistant：**顾问可以查询开户文件和案例状态；页面底部同时写明“仅限内部使用”和需要人工核验。它更像嵌进工作台的检索入口，而不是替顾问做决定的聊天机器人。

谁在做： B2B 销售、客户经理、售前和销售主管。

一次客户会议结束后，销售往往要补 CRM、整理决策人、回顾异议、找案例、写跟进邮件，再决定什么时候联系。记录散在会议录音、聊天、邮箱和个人笔记里，主管看到的 CRM 经常已经过时。

McKinsey 对 B2B 销售的研究把应用拆到完整交易周期：寻找线索、准备会面、辅助沟通、生成方案、推进成交和续约。Morgan Stanley 的财富顾问工具也不是替顾问做投资决定，而是让他们快速检索内部知识，并把客户会议整理成笔记和待办。McKinsey：Unlocking Gen AI in B2B Sales · Morgan Stanley 案例

第一版可以只解决“会后十五分钟”：从录音中提取客户目标、异议、承诺和下一步，生成一封可修改的跟进邮件，同时把字段补进 CRM。衡量它有没有用，不看生成了多少字，看 CRM 是否更完整、跟进是否更及时。

3. 公司知识库真正要解决的是“这一次该按哪条办”

Notion Enterprise Search 企业搜索界面 — **Notion Enterprise Search：**同一个问题可以跨 Notion 与 Slack 查找，用户还能在 Ask、Research 和 Build 之间切换。企业知识助手的产品形态，重点是接入现有资料和权限，而不只是上传一份 PDF。

谁在做： 顾问、运营、人力、财务、IT 支持和新员工。

企业里的答案往往并不缺，只是散在制度、产品手册、历史邮件、培训视频和旧项目中。员工问“这类客户能不能退款”，需要的不只是搜到含有“退款”的文档，而是拿到当前版本的规则、适用条件和出处。

Sun Life 的内部助手每周处理一万多次员工查询；Morgan Stanley 把可检索的内部语料从有限问答扩展到约十万份文档；Notion 的产品也把企业搜索、会议记录和任务执行放进同一个工作空间。这类产品的核心不是“上传 PDF 就能问”，而是权限、版本、来源和反馈闭环。Sun Life Asks · Notion AI 功能说明

第一次不要接全公司。选一个问题密集、资料边界清楚的部门，例如售后政策或 IT 帮助台。回答必须带原文位置；找不到时明确说找不到，并把问题收进待补资料列表。

4. 财务、法务与合规：先读材料，再起草，不替人签字

Thomson Reuters CoCounsel 合同起草与研究界面 — **Thomson Reuters CoCounsel：**左侧显示“起草”和“研究”两项任务的进度，完成后再把草稿打开到 Word。AI 先读材料、找依据、起草，专业人员仍在熟悉的文档里复核和定稿。

谁在做： 财务分析、税务、法务、采购和合规人员。

这些岗位每天面对大量格式相近、内容各异的材料：合同、发票、报表、政策、审计底稿和尽调文件。AI 适合先做抽取、比对、归类、检索和初稿，但最终判断必须能回到原文，也必须有人负责。

Thomson Reuters 的 2025 年调查显示，法律、税务、风控等专业服务的生成式 AI 使用正在上升，常见工作包括法律与税务研究、文档摘要、合同起草和申报准备。Moderna 的 Contract Companion 让员工先得到合同摘要；OpenAI 与 PwC 则把财务智能体放在对账、风险提示和跨系统流程里讨论。Thomson Reuters：2025 Generative AI in Professional Services · Moderna 案例 · OpenAI × PwC：CFO 工作流

适合小团队验证的切口，是一种固定材料和一套明确规则：例如逐条核对供应商合同里的付款、续约、赔偿和数据条款，给出原文引用和风险说明。不要一上来承诺“AI 法务”，先证明漏检率、复核时间和引用准确率。

5. 软件开发：价值出现在仓库里，不在单独的聊天窗口里

GitHub Copilot 在 Pull Request 中给出代码审查建议 — **GitHub Copilot Code Review：**Copilot 被选为审查人后，会把问题落到具体代码行，并给出可提交的修改；开发者仍能查看差异、加入批次或拒绝建议。价值发生在 Pull Request 里，不在另一个聊天窗口里。

谁在做： 开发、测试、运维和安全工程师。

开发者真正花时间的地方包括理解旧代码、补测试、查日志、做代码评审和熟悉陌生项目。GitHub 的受控实验中，使用 Copilot 的参与者完成指定编程任务更快；但在真实团队里，能不能读懂仓库上下文、遵守规范、跑过测试，远比“能生成代码”重要。GitHub Copilot 生产力研究 · GitHub 后续研究报告

一个扎实的内部工具，可以从“失败的 CI”开始：读取报错和相关改动，定位可能原因，提出修复建议并生成待审补丁。它必须运行测试、展示差异、接受评审，而不是直接把代码推到生产环境。

6. 制造与现场服务：让设备、手册和工单说同一种话

Siemens Engineering Copilot 与 TIA Portal 并排运行 — **Siemens Engineering Copilot：**右侧 Copilot 与左侧 TIA Portal 同时打开。工程师提问时，助手面对的是当前自动化项目、设备结构和工程文档，而不是脱离现场回答一个宽泛的“机器为什么坏了”。

谁在做： 设备操作员、维修工程师、现场服务人员和工艺工程师。

机器停下来时，操作员看到的可能是一串错误码。答案散在数百页手册、备件清单和历史维修记录中，真正的损失却按停机分钟计算。另一方面，现场人员修好设备后，还要补一份客户能看懂、公司能归档的服务报告。

Siemens Industrial Copilot 已用于解释设备信息、查找维修依据和辅助自动化编程；Siemens 的另一项现场服务试验，则面向每年超过 140 万份工单报告，把工程师的简短记录整理成一致的客户报告。Deloitte 的制造业调查也提醒，数据质量和设备上下文仍是主要门槛。Siemens Industrial Copilot · Siemens 现场报告案例 · Deloitte：2025 Smart Manufacturing Survey

小切口往往不是“预测整个工厂”，而是围绕一种设备：识别错误码，检索对应手册和历史工单，给出排查顺序；维修完成后，再把操作记录整理成报告。所有建议都要显示依据，并允许工程师标记“无效”。

7. 医疗先做文书和协调，不要把诊断当成演示功能

Abridge 将临床记录与原始医患对话关联的界面 — **Abridge：**上方是生成的病历段落，下方是对应的医患对话，点击 Linked Evidence 可以回到原话。这里最重要的不是“自动写得快”，而是医生能追溯、修改并确认每条记录。

谁在做： 医生、护士、病案人员、保险审核和患者服务团队。

医疗里最容易被忽略的负担，是看诊之外的记录、转诊、授权、理赔和患者沟通。McKinsey 总结的近端应用，大量集中在病历摘要、保险权益查询、拒赔原因整理、出院说明和后台运营，而不是让模型独立诊断。McKinsey：Tackling Healthcare’s Biggest Burdens with Generative AI

Abridge 等环境式记录产品，会从医患对话生成结构化病历草稿，再由医生确认。这个“草稿—复核—写回病历”的边界很重要：它减少文书时间，但没有改变临床责任人。Abridge 医疗系统案例 · McKinsey：Generative AI in Healthcare

如果没有医疗合规、数据和临床伙伴，不要从诊断产品起步。可以先研究低风险的患者服务，例如把复杂的就诊准备说明改写成分步骤清单，或帮助工作人员整理来电，但仍要经过机构审核。

8. 零售和内容运营：一份素材要走完十几个渠道

Canva Magic Switch 的改尺寸、翻译与转文档菜单 — **Canva Magic Switch：**同一份设计可以继续改尺寸、翻译或转成文档。对内容团队来说，这正是“一份确认过的素材，接着做出多个渠道版本”的那段高频工作。

谁在做： 电商运营、品牌市场、设计、商品和本地化团队。

新品上线不是“写一段文案”这么简单。团队要理解商品资料，生成不同平台的标题和卖点，处理图片，适配尺寸，翻译本地语言，检查禁用词，再根据反馈更新。大量时间花在搬运、改版和核对一致性上。

Deloitte 的零售展望把个性化、商品运营、供应链和营销列为 AI 正在进入的环节。Canva 的 Magic Switch 可以把同一内容改成不同尺寸和语言，Adobe Firefly 则把生成、编辑和生产素材放在同一工作流里。这些案例的共同点是：AI 没有替代品牌判断，而是减少一份素材变成多个版本时的机械劳动。Deloitte：2025 Retail Industry Outlook · Canva Magic Studio · Adobe Firefly

第一版可以服务一个渠道和一种商品：从结构化商品资料生成详情页草稿，自动检查必填项、尺寸和违禁表达，最终由运营发布。比“万能营销助手”更容易获得真实反馈。

C 端：七个用户会主动打开产品的时刻

C 端应用最容易犯的错，是把同一个聊天框换七种提示词。下面这些产品之所以成立，是因为对话后面接着商品、课程、行程、画布、音乐或财务数据，用户可以继续完成事情。

1. “帮我把选择变少”：搜索、比较与购买

Amazon Rufus 购物助手界面 — **Amazon Rufus：**入口就在 Amazon 搜索框下面，问题也围绕购物展开：比较桌布、为 Prime Day 做准备、寻找适合睡眠监测的手表。它能继续接到真实商品，而不是只给一段泛泛建议。

用户买相机、婴儿车或一双适合雨天通勤的鞋时，不缺商品页，缺的是把模糊条件变成可比较的选择。Amazon 的 Rufus 会结合商品目录、评价和问答回答购买问题；Capgemini 和 Adobe 的消费者研究也都看到，用户开始用 AI 做商品发现、比较和售前咨询。Amazon Rufus · Adobe：2025 AI and Digital Trends

可以研究的不是“AI 导购”四个字，而是某一类难选商品。比如租房族买投影仪，需要同时考虑投射距离、白天亮度、噪声和预算。产品应展示比较依据、缺失信息和真实商品，而不是编一个看似专业的结论。

2. “我不想开二十个网页”：旅行计划与临场调整

Expedia 对话式旅行规划界面 — **Expedia 对话式旅行规划：**用户从“蜜月去 Maui 还是 Kauai”聊起，得到酒店建议后可以直接保存到 Trips。真正形成产品闭环的，是聊天结果进入了收藏、行程和预订。

旅行规划要来回处理目的地、日期、交通、营业时间、预算和同行人偏好。Expedia 把开放式对话接到酒店收藏、价格和预订流程里，说明旅行 AI 的价值不是写一篇漂亮路书，而是把建议变成可保存、可核对、可购买的行程。Expedia 对话式旅行规划 · Expedia AI 服务案例

更小的切口可以是“带孩子去某座城市的半日行程”或“演出散场后的夜间路线”。实时信息要来自可靠接口；天气、票价和营业时间必须标注更新时间。

3. “我想练一遍，不只听一遍”：学习与反馈

Duolingo Max 的巴黎咖啡馆角色扮演练习 — **Duolingo Max Roleplay：**练习不是一句“和 AI 聊法语”，而是一个具体任务：在巴黎咖啡馆点餐。场景、角色、目标和奖励都已经设好，用户打开后马上就能练一轮。

生成式 AI 最适合补上过去很贵的一环：随时练习并得到针对这一次表现的反馈。Duolingo Max 用角色扮演和视频对话练语言；Khanmigo 更强调通过提问和提示引导学生，而不是直接交答案。Duolingo Max · Khan Academy：Khanmigo

一个具体产品可以只服务一个练习动作：面试回答、英语口语、销售异议处理或答辩演练。用户说完以后，反馈要对应原句，并给出下一轮可执行的改进，而不是泛泛地夸“表达很清晰”。

4. “先给我一个能改的初稿”：个人创作

Adobe Firefly 文生图工作界面 — **Adobe Firefly：**真实界面里不只有一个提示词框，还能选择模型、比例、内容类型、视觉强度和参考图，并比较多组结果。个人创作产品要给用户继续修改的控制，而不是只剩“再生成一次”。

普通用户做生日邀请、二手商品图、短视频封面或社团海报时，最大的门槛常常是空白画布和复杂软件。Canva 把生成、抠图、扩图、改尺寸和翻译放进设计画布；Adobe Firefly 则让创作者在图像、视频、音频和矢量素材之间继续编辑。Canva Magic Studio · Adobe Firefly 发布

这类产品要给用户控制，而不是只给“再生成一次”。好切口往往包含一个明确成品：一套房源图、一个播客封面、三种尺寸的活动海报。用户可以锁定文字、人物和品牌色，只让 AI 改局部。

5. “这次错在哪”：个人化解释

Duolingo Max Explain My Answer 的答错解释界面 — **Explain My Answer：**中间这张界面直接引用用户刚才的答案，解释为什么复数 vestidos 要配 gustan，并允许继续要例子。它不是重新讲一节语法课，而是接住“我刚才到底错在哪”这一刻。

同一个答案，对新手和熟练者需要不同解释。Duolingo 的 Explain My Answer 从用户刚刚做错的题出发；这比另开一个通用问答更自然，因为系统已经知道题目、答案和学习进度。Duolingo：Explain My Answer

类似思路也适用于健身动作、摄影参数、棋局复盘和乐器练习：先拿到一次真实表现，再指出一个最值得改的地方。没有输入数据的“个性化建议”，通常只是换了称呼的通用内容。

6. “别只推荐，替我记住”：音乐和日常陪伴式体验

Spotify AI DJ 播放界面 — **Spotify AI DJ：**DJ 是首页里的一个持续播放入口，下面直接接着曲目和播放控制。它依靠的是用户长期收听记录、Spotify 的内容库和下一首播放动作，而不只是生成一段像主持人的话。

Spotify 的 AI DJ 不只是生成一句介绍，它基于用户长期的收听历史选歌，并用一个持续存在的声音串起体验。这里真正难复制的是偏好数据、内容版权和播放动作，不是 DJ 的语气。Spotify AI DJ · Deloitte：2025 Digital Media Trends

你也可以从别的“连续体验”里找机会，例如跑步、做饭或睡前阅读。关键是产品能根据过去的选择调整下一次内容，同时允许用户轻松纠正，而不是假装比用户更懂自己。

7. “把复杂规定变成我的下一步”：个人财务与生活事务

TurboTax 中 Intuit Assist 比较两年税收抵免的界面 — **TurboTax 中的 Intuit Assist：**它不是从零谈税务，而是拿用户今年与去年的抵免金额做比较，再给出“还能申请哪些抵免”等下一步问题。个人财务助手的基础，是用户自己的数据和当下任务。

报税、信用、保险和账单的共同难点，是规则复杂、材料分散，而且每个人的下一步不同。Intuit Assist 把生成式 AI 放进 TurboTax、Credit Karma 和 QuickBooks，目标不是陪聊，而是结合用户已有的财务数据给出解释和行动建议。Intuit Assist

这类产品风险也更高。第一版更适合做材料清单、概念解释、账单分类和办理提醒，并清楚区分事实、估算和建议。涉及报税提交、投资交易或保险选择时，应让用户确认并提供专业支持入口。

去哪里找自己的 B 端和 C 端方向

上面的案例用来认识“场景长什么样”，不是让你照着换一个行业。真正属于你的方向，通常藏在你能接触到的人、资料和日常习惯里。B 端与 C 端的找法不一样。

找 B 端：沿着一个岗位，把工作追到底

B 端资料不会直接写“这里有一个创业机会”。它更常以招聘要求、采购文件、操作手册、软件评价和项目案例出现。先选一个具体岗位，例如外贸跟单、物业客服、诊所前台或设备维修员，再顺着他的工作找材料。

B 端从这里找

招聘网站：看岗位每天负责什么，常用哪些系统，要交付哪些表格和报告。
招标与采购公告：看企业正在花钱解决什么，验收标准和系统边界写得尤其具体。
软件评价区：到 G2、Capterra、应用市场和行业论坛看差评，找“还要导出到 Excel”“每次都要手工补”的地方。
公司案例与年报：搜索企业名加“数字化案例”“效率提升”“客户服务”，看已经进入预算的项目。
真实工作材料：旧工单、报价单、检查表、群聊求助和培训文档，往往比行业报告更接近产品入口。

可以直接这样搜

设备维修员日常工作流程

物业客服招标智能化 filetype:pdf

site:g2.com field service software reviews

customer support workflow pain points report

某行业数字化转型案例年报

假设你对外贸感兴趣，不要只搜“AI + 外贸”。先看跟单员招聘信息，记下“询盘回复、报价、核对规格、催交期、准备报关材料”；再找一份真实报价单和几条跨境软件差评。你可能会发现，最值得做的不是万能外贸助手，而是“收到英文询盘后，从历史报价和产品参数里整理一份待确认报价”。

找 C 端：沿着一天，找反复出现的麻烦

C 端不从岗位出发，而从一个人什么时候会掏出手机开始。回想一天里的搜索、比较、记录、练习、等待和分享：哪些事情每周都会发生？用户现在用截图、备忘录、收藏夹或群聊勉强完成什么？

C 端从这里找

App Store 与安卓商店：先看同类产品的一星到三星评价，关注缺失功能、收费节点和弃用原因。
小红书、抖音、B 站与 Reddit：搜索“怎么做”“有没有工具”“求推荐”，评论区常有更具体的补充。
Product Hunt 与榜单：看新产品解决了哪个小动作，再看评论里用户希望它接着完成什么。
趋势与流量报告：用 Google Trends、QuestMobile、艾瑞和平台年度报告确认这是不是一群人的长期行为。
自己的相册和收藏夹：大量截图、收藏后不再打开的攻略、反复复制的文字，都是没有被接好的流程。

可以直接这样搜

site:reddit.com "I wish there was an app"

带孩子旅行攻略太累

记账 App 难用评论

Product Hunt AI language learning

AI 应用用户规模 QuestMobile

假设你经常旅行，先别做“AI 路书”。去看用户为什么收藏十几篇攻略：有人是怕餐厅临时休息，有人要照顾老人少走路，有人需要在演出散场后安全回酒店。选中一个反复出现的时刻，产品才可能从“生成一篇文字”变成真正有人打开的工具。

资料找到以后，别急着写代码

一个方向至少要留下三类证据：一份能看懂流程的材料、三个人重复提到的麻烦、一个已经有人付费或花时间绕过去的替代办法。然后用 60 分钟把它写具体。

01圈定一个人

B 端写到岗位，C 端写到某类生活状态。不要只写“企业用户”或“年轻人”。

02找到一次发生

拿到一张表、一段录屏、一条差评或一次真实操作，看看麻烦具体卡在哪里。

03交叉找三次

同类问题至少来自三个人或三个来源，避免被一句有趣的抱怨带跑。

04只接住一步

写清输入、输出、确认人和衡量指标，再决定 AI 是否真的合适。

最后，把方向写成一句别人听完就能想象的描述：

当谁遇到 什么时刻，他现在要用 哪些材料或办法 完成 哪件事。我先让 AI 接住 其中一步，结果由 谁确认，再用 什么变化 判断它有没有价值。

一个 B 端方向可以这样写：

当包装线操作员看到 E37 错误码时，他现在要翻纸质手册和旧工单。系统先根据设备型号找出相关章节和三个排查步骤，由维修工程师确认；试点看平均停机时间是否下降。

一个 C 端方向可以这样写：

当家长周末带孩子逛博物馆时，他现在要在公众号、地图和点评之间拼行程。产品先按孩子年龄和可用时间整理三小时路线，开放时间与票价保留来源，家长确认后加入日历。

能写到这个程度，你才拥有一个可以继续访谈、做原型和小范围试用的 idea。

参考资料

下面共列出 67 个信息源。正文优先采用调查方法清楚的咨询报告、行业研究和产品一手案例；券商报告主要用来观察国内市场关注的商业化方向，不把投资判断当作用户需求。部分厂商案例带有营销立场，使用时应与访谈、真实业务数据交叉验证。

一、总体采用与企业价值（15）

二、B 端行业、岗位与工作流（24）

三、落地产品与企业案例（10）

四、C 端消费者与产品（13）

五、国内券商视角（5）

资料检索与整理时间：2026 年 8 月。报告中的比例受样本、地区和厂商口径影响，不能直接代替你对目标用户的访谈与试用数据。

从真实工作流里找 AI 场景 ​

先分清：B 端和 C 端不是两套标题 ​

B 端：企业为结果付钱 ​

C 端：用户为一个更轻松的时刻付钱 ​

B 端：八段已经在发生的工作 ​

1. 客服不是“回答问题”，而是把一件事处理完 ​

2. 销售最缺的不是文案，是下一步该跟谁谈什么 ​

3. 公司知识库真正要解决的是“这一次该按哪条办” ​

4. 财务、法务与合规：先读材料，再起草，不替人签字 ​

5. 软件开发：价值出现在仓库里，不在单独的聊天窗口里 ​

6. 制造与现场服务：让设备、手册和工单说同一种话 ​

7. 医疗先做文书和协调，不要把诊断当成演示功能 ​

8. 零售和内容运营：一份素材要走完十几个渠道 ​

C 端：七个用户会主动打开产品的时刻 ​

1. “帮我把选择变少”：搜索、比较与购买 ​

2. “我不想开二十个网页”：旅行计划与临场调整 ​

3. “我想练一遍，不只听一遍”：学习与反馈 ​

4. “先给我一个能改的初稿”：个人创作 ​

5. “这次错在哪”：个人化解释 ​

6. “别只推荐，替我记住”：音乐和日常陪伴式体验 ​

7. “把复杂规定变成我的下一步”：个人财务与生活事务 ​

去哪里找自己的 B 端和 C 端方向 ​

找 B 端：沿着一个岗位，把工作追到底 ​

找 C 端：沿着一天，找反复出现的麻烦 ​

资料找到以后，别急着写代码 ​

参考资料 ​