AI服务 · 商业化 · 企业落地
做 AI 服务，先找到愿意付钱的水源
先找到正在为问题付出成本的人，再谈产品、自动化和规模化。没有付费水源，技术只是更贵的水泵。
现在做企业 AI 服务，有一种很常见的忙法。
团队先研究模型，再搭智能体，接着做演示。工具换了一轮又一轮，客户看完也说厉害。到了报价那天，对方忽然安静下来。项目没签，团队只好回去再加一个功能。
这类项目已经有很多功能，愿意付钱的人还没出现。
商业模式没有那么玄。你怎样找到客户，怎样让他下单，又怎样把结果交给他，三件事能顺着走完，钱才能回来。AI 只是交付工具，不能替你回答客户为什么掏钱。
我更喜欢用水来理解这件事。
先找到水源，再挖井。井里持续出水，才值得铺管。管道铺好了，按月收水费才有可能。许多 AI 创业者一上来就造水表，界面很漂亮，套餐也分了三档，回头一看，附近没有水。
先找水源，别急着做产品
所谓水源，就是一群有问题、有预算，也有权批准付款的人。
这三个条件少一个，项目都会难做。员工每天花两小时整理数据，确实很痛苦，可部门没有预算，这只能算需求。老板愿意花钱，实际使用的人却不配合，项目也推不动。使用者和付款者都点头，采购流程要走九个月，你还得算自己能不能撑到回款。
第一次见客户，不必急着展示智能体。先把七件事问清。
谁付钱。他为什么现在愿意付。你准备卖什么，按什么方式收钱。结果怎样交付，利润从哪里来。客户明年还会不会继续买。
七个问题答完，一条赚钱路径才刚刚露出来。回答里如果全是"企业都需要""未来有市场"，说明水源还没有找到。
能让客户签字的问题，往往很具体。报价人员每周要翻多少份历史合同。客服主管每天花多久检查对话。销售交接漏掉多少条线索。数字一出来，AI 改造才有预算依据。
从挖井到收水费，中间隔着两次转型
AI 服务刚起步，多数要靠人交付。培训、咨询、流程梳理、智能体定制都在这个阶段。客户买的是你的时间和结果，团队像在一口一口挖井。
挖井是必经的一段。它能帮你看清客户肯为哪一步付钱，也能暴露那些演示里看不到的麻烦。数据格式不统一，权限开不出来，老员工不愿改流程，这些东西只能在交付里碰到。
大型集团的长周期培训也有价值。它的作用不该停在教会一批人写提示词。更有用的结果，是找出企业内部那些愿意试、能协调资源，也敢为结果负责的人。外部服务商总有一天要走，内部的人能不能继续做，决定项目能活多久。
做过几轮以后，你会发现客户反复购买的部分。把这一部分写成固定步骤，限定输入和输出，定下验收办法，服务才开始变成产品。到了这一步，团队铺的是水管。
订阅发生得更晚。客户每个月持续得到结果，服务商也持续维护数据、模型和流程，双方才有按月或按年收费的理由。只把一次性交付拆成十二期付款，不会自动变成订阅。
从定制服务走到标准产品，团队要舍得拒绝一部分需求。从标准产品走到订阅，还要证明客户离开以后会损失什么。两次都很难，也都躲不过去。
老板至少要看懂三本账
很多项目看着有收入，最后仍然缺钱。老板只看合同金额，很容易高估自己赚到的东西。
先看利润账。收入进来以后，减掉销售成本、交付人员、模型调用、差旅、售后和税费，最后还剩多少。一个五十万元的项目，如果需要四个人守半年，金额大也未必赚钱。
再看现金流账。合同已经签了，不等于钱已经到账。客户六个月后付款，工资和模型费用却要每月支付，服务商等于替客户垫钱。预付款、阶段验收和年度协议的意义，都在于缩短这段危险时间。
单位经济账要拆到每条产品线。一个客户要花多少钱才能拿到，交付一次要投入多少人天，续费能留下多少毛利。培训赚钱，定制亏钱，订阅还没形成，混在一张总表里就看不出来。
这三本账会改变很多看上去正确的决定。低价抢来的客户可能拖垮交付。规模扩大也可能让亏损一起扩大。企业能不能活下去，最后要落到每一单的钱怎样进来，又怎样花出去。
AI 改造从一张资金流向图开始
客户说想做 AI，服务商先别急着打开工具。
先画钱。客户从谁那里收钱，款项经过哪些部门，在哪一步停得最久。再看账，利润被什么吃掉，现金压在哪里。前面的七个问题重新问一遍，随后找经营瓶颈，最后才走进部门流程。
适合 AI 先做的地方，通常有人反复阅读、判断、填写和转抄。客服质检、合同信息提取、销售跟进摘要、经营报表整理，都有清楚的输入和输出，也容易比较改造前后的时间、错误和成本。
实体生产里那些依赖硬件、材料和现场安全的环节，改造会重得多。服务商没有必要为了证明 AI 无所不能，硬闯一个短期内算不过账的地方。
定价也应该跟着账走。方案每年能省下多少钱，能多拿回多少订单，实施和维护又要花多少。客户会用回收期判断预算。收益说不清，价格再低也可能卖不动。收益足够清楚，高价才有讨论空间。
工具选型要服从数据和流程
工具很重要，出场顺序要往后放。
截至本文写作时，腾讯把 WorkBuddy 定位为覆盖办公、代码开发和设计创意的 AI 工作台，适合拿来验证文档、表格、调研和桌面任务。开发场景里，Claude Code 与 Codex 都能进入代码库、修改文件并执行任务。具体选谁，要看团队已有环境、网络条件、模型效果、采购方式和数据要求。
安全问题也不能只靠一台隔离电脑解决。先给数据分级，再决定哪些内容可以进入外部服务，哪些只能在受控环境处理。企业账号、最小权限、操作审计、网络代理和数据保留设置都要一起看。高敏感项目可以再加专用设备或物理隔离，这是一道额外防线。
OpenAI 公布的企业数据政策写明，Business、Enterprise 和 API 数据默认不用于训练模型。Anthropic 也为 Claude Code 提供企业部署、代理和数据保留选项。这里的关键词是具体版本和具体配置。个人账号、企业账号以及第三方云部署的条款可能不同，采购前要逐项确认。
工具更新很快，公司的数据责任不会跟着版本号消失。
能循环，才算生意
一个项目赚到钱，只能证明这次交易成立。商业模式还要继续往下走。
客户从哪里认识你，怎样开始信任，购买以后拿到什么结果，钱何时回来。做完以后，他为什么复购，又为什么愿意买更贵的服务。这个循环断在任何一处，团队都得重新靠人力把它推起来。
早期壁垒可能只是你先做过，反应也更快。随后要靠交付质量和成本控制。再往后，比的是现金能不能撑住，客户能不能留下。很多聪明团队输在最后一段，他们能做出东西，等不到钱回来。
所以，AI 服务商第一次见客户时，最该带去的未必是一段 demo。
先带一张纸。把客户的钱从哪里来，卡在哪里，你准备改哪一步，改完怎样验收写清楚。
水源找到了，井自然知道往哪里挖。
参考资料
• Anthropic Claude Code 企业部署说明
— 完 —