從真實工作流里找 AI 場景

很多“AI 行業應用大全”看起來很熱鬧：金融、醫療、教育、製造，每個行業下面再列十幾個點子。可真要動手時，你還是不知道該找誰、接什麼資料、替掉哪一步，也不知道做完以後誰會願意付錢。

問題在於，行業不是場景。“AI + 醫療”只是一個範圍；“醫生看診後要花十分鐘補病歷，系統先根據醫患對話起草記錄，再由醫生確認”才是一段可以研究、設計和驗證的工作流。

這篇附錄換一種寫法。我們查閱了 60 余份咨詢公司、券商、研究機構報告和產品案例，不再追求把行業列全，而是挑出已經有人使用、也能看見價值落點的 B 端和 C 端場景。你可以把它當成一張地圖，用來找到值得繼續訪談的問題，不要把它當成現成的創業答案。

先記住這句話B 端從工作流里找阻塞，C 端從一天里找反復發生的時刻。

前者要說清誰在工作、經過哪些系統、最後由誰負責；後者要說清使用者為什麼會回來，以及 AI 比搜索、模板或人工服務究竟少了哪一步。

先分清：B 端和 C 端不是兩套標題

B 端：企業為結果付錢

企業很少為“能聊天”本身買單。它購買的通常是更短的處理時間、更少的返工、更穩定的合規質量，或者更多成交。一個可研究的 B 端場景，至少要能回答四件事：誰每天在做、材料從哪裡來、結果寫回哪個系統、出錯後誰負責。

這也是為什麼不少企業試驗遲遲沒能擴大。Deloitte 對 2,773 名企業管理者的調查顯示，很多組織仍只有少量生成式 AI 試驗能進入規模化階段；Accenture 對 2,000 多個項目的復盤也發現，真正產生企業級價值的組織仍是少數。難點往往不是模型能不能回答，而是它有沒有進入完整流程。Deloitte：State of Generative AI in the Enterprise · Accenture：Making Reinvention Real with Gen AI

C 端：使用者為一個更輕鬆的時刻付錢

C 端產品不需要接入十套企業系統，但它要面對更直接的選擇：使用者隨時可以關掉 App。好的消費場景通常貼著一個明確時刻出現——準備旅行、比較商品、練口語、做一張海報、整理賬單。它先幫使用者完成一件事，再慢慢記住偏好。

Capgemini 對 12,000 名消費者的調查里，生成式 AI 已經進入商品發現和比較；QuestMobile 的國內資料也顯示，AI 應用正在從獨立聊天工具進入搜索、辦公、影像、音樂等已有產品。機會不只在“再做一個聊天框”，而在把對話接到下一步動作。Capgemini：What Matters to Today’s Consumer 2025 · QuestMobile：2025 中國移動互聯網春季報告

B 端：八段已經在發生的工作

下面每一節都從一個具體崗位開始。讀的時候，別急著抄產品名，先看清楚：原來的工作為什麼慢，AI 接住了哪一步，還有什麼必須留給人。

1. 客服不是“回答問題”，而是把一件事處理完

Klarna AI Assistant 的延期付款、多語言客服與退款解釋界面 — **Klarna AI Assistant：**左邊不是一句“請聯繫人工”，而是直接給出延期付款入口；右邊把退款金額逐項拆開。客服 AI 真正有用的地方，是能查到這筆訂單並把動作接下去。

誰在做： 一線客服、坐席主管和售後運營。

客戶說“我的退款怎麼還沒到”，客服要先確認身份，再去訂單、支付和物流系統查狀態，解釋規則，必要時創建工單。真正耗時的不是寫一句禮貌回復，而是在多個系統之間找齊上下文。

Klarna 的 AI 助手已經能處理退款、退貨和多語言客服；ResultsCX 的案例則把語音分流、賬戶查詢和後台 API 連在一起。兩者都說明，能產生價值的不是 FAQ，而是查到狀態—按規則處理—留下記錄—必要時轉人工這一整段。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“人工接待之後”的部分：自動生成會話小結、識別客戶訴求、帶出相關規則和建議動作，由客服確認後寫入工單。這樣既能測出節省了多少時間，也不會一開始就把退款權限交給模型。

值得追問

客服最常切換哪幾個頁面？什麼問題看似重復，實際要根據訂單狀態做不同處理？轉人工時，下一位客服還要重新問一遍嗎？

2. 銷售最缺的不是文案，是下一步該跟誰談什麼

Morgan Stanley AI@MS Assistant 內部界面 — **Morgan Stanley AI@MS Assistant：**顧問可以查詢開戶文件和案例狀態；頁面底部同時寫明“僅限內部使用”和需要人工核驗。它更像嵌進工作台的檢索入口，而不是替顧問做決定的聊天機器人。

誰在做： B2B 銷售、客戶經理、售前和銷售主管。

一次客戶會議結束後，銷售往往要補 CRM、整理決策人、回顧異議、找案例、寫跟進郵件，再決定什麼時候聯繫。記錄散在會議錄音、聊天、郵箱和個人筆記里，主管看到的 CRM 經常已經過時。

McKinsey 對 B2B 銷售的研究把應用拆到完整交易週期：尋找線索、準備會面、輔助溝通、生成方案、推進成交和續約。Morgan Stanley 的財富顧問工具也不是替顧問做投資決定，而是讓他們快速檢索內部知識，並把客戶會議整理成筆記和待辦。McKinsey：Unlocking Gen AI in B2B Sales · Morgan Stanley 案例

第一版可以只解決“會後十五分鐘”：從錄音中提取客戶目標、異議、承諾和下一步，生成一封可修改的跟進郵件，同時把字段補進 CRM。衡量它有沒有用，不看生成了多少字，看 CRM 是否更完整、跟進是否更及時。

3. 公司知識庫真正要解決的是“這一次該按哪條辦”

Notion Enterprise Search 企業搜索界面 — **Notion Enterprise Search：**同一個問題可以跨 Notion 與 Slack 查找，使用者還能在 Ask、Research 和 Build 之間切換。企業知識助手的產品形態，重點是接入現有資料和權限，而不只是上傳一份 PDF。

誰在做： 顧問、運營、人力、財務、IT 支持和新員工。

企業里的答案往往並不缺，只是散在制度、產品手冊、歷史郵件、培訓影片和舊項目中。員工問“這類客戶能不能退款”，需要的不只是搜到含有“退款”的文件，而是拿到當前版本的規則、適用條件和出處。

Sun Life 的內部助手每周處理一萬多次員工查詢；Morgan Stanley 把可檢索的內部語料從有限問答擴展到約十萬份文件；Notion 的產品也把企業搜索、會議記錄和任務執行放進同一個工作空間。這類產品的核心不是“上傳 PDF 就能問”，而是權限、版本、來源和反饋閉環。Sun Life Asks · Notion AI 功能說明

第一次不要接全公司。選一個問題密集、資料邊界清楚的部門，例如售後政策或 IT 幫助台。回答必須帶原文位置；找不到時明確說找不到，並把問題收進待補資料列表。

4. 財務、法務與合規：先讀材料，再起草，不替人簽字

Thomson Reuters CoCounsel 合同起草與研究界面 — **Thomson Reuters CoCounsel：**左側顯示“起草”和“研究”兩項任務的進度，完成後再把草稿打開到 Word。AI 先讀材料、找依據、起草，專業人員仍在熟悉的文件里復核和定稿。

誰在做： 財務分析、稅務、法務、採購和合規人員。

這些崗位每天面對大量格式相近、內容各異的材料：合同、發票、報表、政策、審計底稿和盡調文件。AI 適合先做抽取、比對、歸類、檢索和初稿，但最終判斷必須能回到原文，也必須有人負責。

Thomson Reuters 的 2025 年調查顯示，法律、稅務、風控等專業服務的生成式 AI 使用正在上升，常見工作包括法律與稅務研究、文件摘要、合同起草和申報準備。Moderna 的 Contract Companion 讓員工先得到合同摘要；OpenAI 與 PwC 則把財務智能體放在對賬、風險提示和跨系統流程里討論。Thomson Reuters：2025 Generative AI in Professional Services · Moderna 案例 · OpenAI × PwC：CFO 工作流

適合小團隊驗證的切口，是一種固定材料和一套明確規則：例如逐條核對供應商合同里的付款、續約、賠償和資料條款，給出原文引用和風險說明。不要一上來承諾“AI 法務”，先證明漏檢率、復核時間和引用準確率。

5. 軟體開發：價值出現在倉庫里，不在單獨的聊天窗口裡

GitHub Copilot 在 Pull Request 中給出代碼審查建議 — **GitHub Copilot Code Review：**Copilot 被選為審查人後，會把問題落到具體代碼行，並給出可提交的修改；開發者仍能查看差異、加入批次或拒絕建議。價值發生在 Pull Request 里，不在另一個聊天窗口裡。

誰在做： 開發、測試、運維和安全工程師。

開發者真正花時間的地方包括理解舊代碼、補測試、查日誌、做代碼評審和熟悉陌生項目。GitHub 的受控實驗中，使用 Copilot 的參與者完成指定編程任務更快；但在真實團隊裡，能不能讀懂倉庫上下文、遵守規範、跑過測試，遠比“能生成代碼”重要。GitHub Copilot 生產力研究 · GitHub 後續研究報告

一個扎實的內部工具，可以從“失敗的 CI”開始：讀取報錯和相關改動，定位可能原因，提出修復建議並生成待審補丁。它必須執行測試、展示差異、接受評審，而不是直接把代碼推到生產環境。

6. 製造與現場服務：讓設備、手冊和工單說同一種話

Siemens Engineering Copilot 與 TIA Portal 並排執行 — **Siemens Engineering Copilot：**右側 Copilot 與左側 TIA Portal 同時打開。工程師提問時，助手面對的是當前自動化項目、設備結構和工程文件，而不是脫離現場回答一個寬泛的“機器為什麼壞了”。

誰在做： 設備操作員、維修工程師、現場服務人員和工藝工程師。

機器停下來時，操作員看到的可能是一串錯誤碼。答案散在數百頁手冊、備件清單和歷史維修記錄中，真正的損失卻按停機分鐘計算。另一方面，現場人員修好設備後，還要補一份客戶能看懂、公司能歸檔的服務報告。

Siemens Industrial Copilot 已用於解釋設備信息、查找維修依據和輔助自動化編程；Siemens 的另一項現場服務試驗，則面向每年超過 140 萬份工單報告，把工程師的簡短記錄整理成一致的客戶報告。Deloitte 的製造業調查也提醒，資料質量和設備上下文仍是主要門檻。Siemens Industrial Copilot · Siemens 現場報告案例 · Deloitte：2025 Smart Manufacturing Survey

小切口往往不是“預測整個工廠”，而是圍繞一種設備：識別錯誤碼，檢索對應手冊和歷史工單，給出排查順序；維修完成後，再把操作記錄整理成報告。所有建議都要顯示依據，並允許工程師標記“無效”。

7. 醫療先做文書和協調，不要把診斷當成演示功能

Abridge 將臨床記錄與原始醫患對話關聯的界面 — **Abridge：**上方是生成的病歷段落，下方是對應的醫患對話，點擊 Linked Evidence 可以回到原話。這裡最重要的不是“自動寫得快”，而是醫生能追溯、修改並確認每條記錄。

誰在做： 醫生、護士、病案人員、保險審核和患者服務團隊。

醫療里最容易被忽略的負擔，是看診之外的記錄、轉診、授權、理賠和患者溝通。McKinsey 總結的近端應用，大量集中在病歷摘要、保險權益查詢、拒賠原因整理、出院說明和後台運營，而不是讓模型獨立診斷。McKinsey：Tackling Healthcare’s Biggest Burdens with Generative AI

Abridge 等環境式記錄產品，會從醫患對話生成結構化病歷草稿，再由醫生確認。這個“草稿—復核—寫回病歷”的邊界很重要：它減少文書時間，但沒有改變臨床責任人。Abridge 醫療系統案例 · McKinsey：Generative AI in Healthcare

如果沒有醫療合規、資料和臨床夥伴，不要從診斷產品起步。可以先研究低風險的患者服務，例如把複雜的就診準備說明改寫成分步驟清單，或幫助工作人員整理來電，但仍要經過機構審核。

8. 零售和內容運營：一份素材要走完十幾個渠道

Canva Magic Switch 的改尺寸、翻譯與轉文件菜單 — **Canva Magic Switch：**同一份設計可以繼續改尺寸、翻譯或轉成文件。對內容團隊來說，這正是“一份確認過的素材，接著做出多個渠道版本”的那段高頻工作。

誰在做： 電商運營、品牌市場、設計、商品和本地化團隊。

新品上線不是“寫一段文案”這麼簡單。團隊要理解商品資料，生成不同平台的標題和賣點，處理圖片，適配尺寸，翻譯本地語言，檢查禁用詞，再根據反饋更新。大量時間花在搬運、改版和核對一致性上。

Deloitte 的零售展望把個性化、商品運營、供應鏈和營銷列為 AI 正在進入的環節。Canva 的 Magic Switch 可以把同一內容改成不同尺寸和語言，Adobe Firefly 則把生成、編輯和生產素材放在同一工作流里。這些案例的共同點是：AI 沒有替代品牌判斷，而是減少一份素材變成多個版本時的機械勞動。Deloitte：2025 Retail Industry Outlook · Canva Magic Studio · Adobe Firefly

第一版可以服務一個渠道和一種商品：從結構化商品資料生成詳情頁草稿，自動檢查必填項、尺寸和違禁表達，最終由運營發佈。比“萬能營銷助手”更容易獲得真實反饋。

C 端：七個使用者會主動打開產品的時刻

C 端應用最容易犯的錯，是把同一個聊天框換七種提示詞。下面這些產品之所以成立，是因為對話後面接著商品、課程、行程、畫布、音樂或財務資料，使用者可以繼續完成事情。

1. “幫我把選擇變少”：搜索、比較與購買

Amazon Rufus 購物助手界面 — **Amazon Rufus：**入口就在 Amazon 搜索框下面，問題也圍繞購物展開：比較桌布、為 Prime Day 做準備、尋找適合睡眠監測的手錶。它能繼續接到真實商品，而不是只給一段泛泛建議。

使用者買相機、嬰兒車或一雙適合雨天通勤的鞋時，不缺商品頁，缺的是把模糊條件變成可比較的選擇。Amazon 的 Rufus 會結合商品目錄、評價和問答回答購買問題；Capgemini 和 Adobe 的消費者研究也都看到，使用者開始用 AI 做商品發現、比較和售前咨詢。Amazon Rufus · Adobe：2025 AI and Digital Trends

可以研究的不是“AI 導購”四個字，而是某一類難選商品。比如租房族買投影儀，需要同時考慮投射距離、白天亮度、噪聲和預算。產品應展示比較依據、缺失信息和真實商品，而不是編一個看似專業的結論。

2. “我不想開二十個網頁”：旅行計劃與臨場調整

Expedia 對話式旅行規劃界面 — **Expedia 對話式旅行規劃：**使用者從“蜜月去 Maui 還是 Kauai”聊起，得到酒店建議後可以直接保存到 Trips。真正形成產品閉環的，是聊天結果進入了收藏、行程和預訂。

旅行規劃要來回處理目的地、日期、交通、營業時間、預算和同行人偏好。Expedia 把開放式對話接到酒店收藏、價格和預訂流程里，說明旅行 AI 的價值不是寫一篇漂亮路書，而是把建議變成可保存、可核對、可購買的行程。Expedia 對話式旅行規劃 · Expedia AI 服務案例

更小的切口可以是“帶孩子去某座城市的半日行程”或“演出散場後的夜間路線”。實時信息要來自可靠接口；天氣、票價和營業時間必須標注更新時間。

3. “我想練一遍，不只聽一遍”：學習與反饋

Duolingo Max 的巴黎咖啡館角色扮演練習 — **Duolingo Max Roleplay：**練習不是一句“和 AI 聊法語”，而是一個具體任務：在巴黎咖啡館點餐。場景、角色、目標和獎勵都已經設好，使用者打開後馬上就能練一輪。

生成式 AI 最適合補上過去很貴的一環：隨時練習並得到針對這一次表現的反饋。Duolingo Max 用角色扮演和影片對話練語言；Khanmigo 更強調通過提問和提示引導學生，而不是直接交答案。Duolingo Max · Khan Academy：Khanmigo

一個具體產品可以只服務一個練習動作：面試回答、英語口語、銷售異議處理或答辯演練。使用者說完以後，反饋要對應原句，並給出下一輪可執行的改進，而不是泛泛地誇“表達很清晰”。

4. “先給我一個能改的初稿”：個人創作

Adobe Firefly 文生圖工作界面 — **Adobe Firefly：**真實界面里不只有一個提示詞框，還能選擇模型、比例、內容類型、視覺強度和參考圖，並比較多組結果。個人創作產品要給使用者繼續修改的控制，而不是只剩“再生成一次”。

普通使用者做生日邀請、二手商品圖、短影片封面或社團海報時，最大的門檻常常是空白畫布和複雜軟體。Canva 把生成、摳圖、擴圖、改尺寸和翻譯放進設計畫布；Adobe Firefly 則讓創作者在圖像、影片、音頻和矢量素材之間繼續編輯。Canva Magic Studio · Adobe Firefly 發佈

這類產品要給使用者控制，而不是只給“再生成一次”。好切口往往包含一個明確成品：一套房源圖、一個播客封面、三種尺寸的活動海報。使用者可以鎖定文字、人物和品牌色，只讓 AI 改局部。

5. “這次錯在哪”：個人化解釋

Duolingo Max Explain My Answer 的答錯解釋界面 — **Explain My Answer：**中間這張界面直接引用使用者剛才的答案，解釋為什麼複數 vestidos 要配 gustan，並允許繼續要例子。它不是重新講一節語法課，而是接住“我剛才到底錯在哪”這一刻。

同一個答案，對新手和熟練者需要不同解釋。Duolingo 的 Explain My Answer 從使用者剛剛做錯的題出發；這比另開一個通用問答更自然，因為系統已經知道題目、答案和學習進度。Duolingo：Explain My Answer

類似思路也適用於健身動作、攝影參數、棋局復盤和樂器練習：先拿到一次真實表現，再指出一個最值得改的地方。沒有輸入資料的“個性化建議”，通常只是換了稱呼的通用內容。

6. “別只推薦，替我記住”：音樂和日常陪伴式體驗

Spotify AI DJ 播放界面 — **Spotify AI DJ：**DJ 是首頁里的一個持續播放入口，下面直接接著曲目和播放控制。它依靠的是使用者長期收聽記錄、Spotify 的內容庫和下一首播放動作，而不只是生成一段像主持人的話。

Spotify 的 AI DJ 不只是生成一句介紹，它基於使用者長期的收聽歷史選歌，並用一個持續存在的聲音串起體驗。這裡真正難複製的是偏好資料、內容版權和播放動作，不是 DJ 的語氣。Spotify AI DJ · Deloitte：2025 Digital Media Trends

你也可以從別的“連續體驗”里找機會，例如跑步、做飯或睡前閱讀。關鍵是產品能根據過去的選擇調整下一次內容，同時允許使用者輕鬆糾正，而不是假裝比使用者更懂自己。

7. “把複雜規定變成我的下一步”：個人財務與生活事務

TurboTax 中 Intuit Assist 比較兩年稅收抵免的界面 — **TurboTax 中的 Intuit Assist：**它不是從零談稅務，而是拿使用者今年與去年的抵免金額做比較，再給出“還能申請哪些抵免”等下一步問題。個人財務助手的基礎，是使用者自己的資料和當下任務。

報稅、信用、保險和賬單的共同難點，是規則複雜、材料分散，而且每個人的下一步不同。Intuit Assist 把生成式 AI 放進 TurboTax、Credit Karma 和 QuickBooks，目標不是陪聊，而是結合使用者已有的財務資料給出解釋和行動建議。Intuit Assist

這類產品風險也更高。第一版更適合做材料清單、概念解釋、賬單分類和辦理提醒，並清楚區分事實、估算和建議。涉及報稅提交、投資交易或保險選擇時，應讓使用者確認並提供專業支持入口。

去哪裡找自己的 B 端和 C 端方向

上面的案例用來認識“場景長什麼樣”，不是讓你照著換一個行業。真正屬於你的方向，通常藏在你能接觸到的人、資料和日常習慣里。B 端與 C 端的找法不一樣。

找 B 端：沿著一個崗位，把工作追到底

B 端資料不會直接寫“這裡有一個創業機會”。它更常以招聘要求、採購文件、操作手冊、軟體評價和項目案例出現。先選一個具體崗位，例如外貿跟單、物業客服、診所前台或設備維修員，再順著他的工作找材料。

B 端從這裡找

招聘網站：看崗位每天負責什麼，常用哪些系統，要交付哪些表格和報告。
招標與採購公告：看企業正在花錢解決什麼，驗收標準和系統邊界寫得尤其具體。
軟體評價區：到 G2、Capterra、應用市場和行業論壇看差評，找“還要導出到 Excel”“每次都要手工補”的地方。
公司案例與年報：搜索企業名加“數字化案例”“效率提升”“客戶服務”，看已經進入預算的項目。
真實工作材料：舊工單、報價單、檢查表、群聊求助和培訓文件，往往比行業報告更接近產品入口。

可以直接這樣搜

設備維修員日常工作流程

物業客服招標智能化 filetype:pdf

site:g2.com field service software reviews

customer support workflow pain points report

某行業數字化轉型案例年報

假設你對外貿感興趣，不要只搜“AI + 外貿”。先看跟單員招聘信息，記下“詢盤回復、報價、核對規格、催交期、準備報關材料”；再找一份真實報價單和幾條跨境軟體差評。你可能會發現，最值得做的不是萬能外貿助手，而是“收到英文詢盤後，從歷史報價和產品參數里整理一份待確認報價”。

找 C 端：沿著一天，找反復出現的麻煩

C 端不從崗位出發，而從一個人什麼時候會掏出手機開始。回想一天里的搜索、比較、記錄、練習、等待和分享：哪些事情每周都會發生？使用者現在用截圖、備忘錄、收藏夾或群聊勉強完成什麼？

C 端從這裡找

App Store 與安卓商店：先看同類產品的一星到三星評價，關注缺失功能、收費節點和棄用原因。
小紅書、抖音、B 站與 Reddit：搜索“怎麼做”“有沒有工具”“求推薦”，評論區常有更具體的補充。
Product Hunt 與榜單：看新產品解決了哪個小動作，再看評論里使用者希望它接著完成什麼。
趨勢與流量報告：用 Google Trends、QuestMobile、艾瑞和平台年度報告確認這是不是一群人的長期行為。
自己的相冊和收藏夾：大量截圖、收藏後不再打開的攻略、反復複製的文字，都是沒有被接好的流程。

可以直接這樣搜

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

帶孩子旅行攻略太累

記賬 App 難用評論

Product Hunt AI language learning

AI 應用使用者規模 QuestMobile

假設你經常旅行，先別做“AI 路書”。去看使用者為什麼收藏十幾篇攻略：有人是怕餐廳臨時休息，有人要照顧老人少走路，有人需要在演出散場後安全回酒店。選中一個反復出現的時刻，產品才可能從“生成一篇文字”變成真正有人打開的工具。

資料找到以後，別急著寫代碼

一個方向至少要留下三類證據：一份能看懂流程的材料、三個人重復提到的麻煩、一個已經有人付費或花時間繞過去的替代辦法。然後用 60 分鐘把它寫具體。

01圈定一個人

B 端寫到崗位，C 端寫到某類生活狀態。不要只寫“企業使用者”或“年輕人”。

02找到一次發生

拿到一張表、一段錄屏、一條差評或一次真實操作，看看麻煩具體卡在哪裡。

03交叉找三次

同類問題至少來自三個人或三個來源，避免被一句有趣的抱怨帶跑。

04只接住一步

寫清輸入、輸出、確認人和衡量指標，再決定 AI 是否真的合適。

最後，把方向寫成一句別人聽完就能想象的描述：

當誰遇到 什麼時刻，他現在要用 哪些材料或辦法 完成 哪件事。我先讓 AI 接住 其中一步，結果由 誰確認，再用 什麼變化 判斷它有沒有價值。

一個 B 端方向可以這樣寫：

當包裝線操作員看到 E37 錯誤碼時，他現在要翻紙質手冊和舊工單。系統先根據設備型號找出相關章節和三個排查步驟，由維修工程師確認；試點看平均停機時間是否下降。

一個 C 端方向可以這樣寫：

當家長週末帶孩子逛博物館時，他現在要在公眾號、地圖和點評之間拼行程。產品先按孩子年齡和可用時間整理三小時路線，開放時間與票價保留來源，家長確認後加入日曆。

能寫到這個程度，你才擁有一個可以繼續訪談、做原型和小範圍試用的 idea。

參考資料

下面共列出 67 個資訊來源。正文優先採用調查方法清楚的咨詢報告、行業研究和產品一手案例；券商報告主要用來觀察國內市場關注的商業化方向，不把投資判斷當作使用者需求。部分廠商案例帶有營銷立場，使用時應與訪談、真實業務資料交叉驗證。

一、總體採用與企業價值（15）

二、B 端行業、崗位與工作流（24）

三、落地產品與企業案例（10）

四、C 端消費者與產品（13）

五、國內券商視角（5）

資料檢索與整理時間：2026 年 8 月。報告中的比例受樣本、地區和廠商口徑影響，不能直接代替你對目標使用者的訪談與試用資料。

從真實工作流里找 AI 場景 ​

先分清：B 端和 C 端不是兩套標題 ​

B 端：企業為結果付錢 ​

C 端：使用者為一個更輕鬆的時刻付錢 ​

B 端：八段已經在發生的工作 ​

1. 客服不是“回答問題”，而是把一件事處理完 ​

2. 銷售最缺的不是文案，是下一步該跟誰談什麼 ​

3. 公司知識庫真正要解決的是“這一次該按哪條辦” ​

4. 財務、法務與合規：先讀材料，再起草，不替人簽字 ​

5. 軟體開發：價值出現在倉庫里，不在單獨的聊天窗口裡 ​

6. 製造與現場服務：讓設備、手冊和工單說同一種話 ​

7. 醫療先做文書和協調，不要把診斷當成演示功能 ​

8. 零售和內容運營：一份素材要走完十幾個渠道 ​

C 端：七個使用者會主動打開產品的時刻 ​

1. “幫我把選擇變少”：搜索、比較與購買 ​

2. “我不想開二十個網頁”：旅行計劃與臨場調整 ​

3. “我想練一遍，不只聽一遍”：學習與反饋 ​

4. “先給我一個能改的初稿”：個人創作 ​

5. “這次錯在哪”：個人化解釋 ​

6. “別只推薦，替我記住”：音樂和日常陪伴式體驗 ​

7. “把複雜規定變成我的下一步”：個人財務與生活事務 ​

去哪裡找自己的 B 端和 C 端方向 ​

找 B 端：沿著一個崗位，把工作追到底 ​

找 C 端：沿著一天，找反復出現的麻煩 ​

資料找到以後，別急著寫代碼 ​

參考資料 ​