一、真问题不是「缺 AI」，而是「缺数据」
很多中小企业主的焦虑是：别人都在用大模型，我是不是落后了？但真正卡住业务的是——客户线索散落在微信聊天记录、Excel 和纸质单据里；库存和订单对不上；老板要一份经营报表得等三天。
AI 是放大器，不是面粉。数据是面粉，AI 是酵母，没有面粉发不出馒头。数字化转型的第一步永远是「把流程搬到线上」，这个动作不性感，却决定了后面所有 AI 应用的上限。
二、四条落地路径：按预算与紧迫度选
| 路径 | 适用场景 | 典型周期 | 交付形态 |
|---|---|---|---|
| 小程序 | 获客、下单、会员、轻量工具 | 2~6 周 | 微信 / 支付宝小程序 |
| 移动 APP | 高频使用、需离线、需调用硬件 | 8~16 周 | iOS / Android |
| PC 软件与后台 | 复杂流程、批量处理、内网部署 | 6~12 周 | Windows 客户端 / Web 后台 |
| 开发咨询 + 服务器维护 | 老系统接 AI、保证稳定运行 | 持续 | 方案 + 托管运维 |
常见的组合拳是：先用小程序做获客入口，再用后台系统沉淀数据，最后在客服或报表环节接入 AI。切忌一上来就做「大而全的 ERP」，那通常是预算黑洞。
三、把 AI 接进来：一个最小可行技术栈
以「客服工单自动分类 + 摘要」为例，后端只需三个组件：业务数据库、向量检索、模型调用。
# 工单自动分类与摘要（伪代码）
def handle_ticket(text: str):
# 1. 检索历史相似工单，作为 few-shot 上下文
hits = vector_db.search(embed(text), top_k=3)
# 2. 调用大模型完成分类与摘要
resp = llm.chat(
system="你是售后工单助手，只输出 JSON。",
user=f"历史案例：{hits}\n当前工单：{text}\n输出 category/priority/summary",
response_format={"type": "json_object"},
)
return save_to_db(resp)
三个关键点：
- 模型只负责「判断与生成」，不负责「事实来源」。订单金额、库存数量必须回查数据库。
- 所有输出强制 JSON Schema，避免下游解析崩溃。
- 加一层缓存与限流，否则 API 账单会失控。
四、避坑清单与落地节奏
- 支持内网部署：制造、医疗类客户常要求数据不出厂，选型时优先考虑可私有化的小模型（7B~14B 量化后单卡即可推理）。
- 别把 AI 放在关键链路：必须准备降级方案——AI 超时或幻觉时自动转人工，或退回规则引擎结果。
- 运维比开发更烧钱：服务器、证书、备份、日志告警、模型版本升级，都需要有人长期负责。
格达软件在交付时通常会配套「三件套」：一台 2C4G 起步的云服务器承载业务与备份，一套日志与告警，一份写清接口与数据字典的交接文档。服务器维护看似琐碎，却是 AI 应用能否长期稳定运行的底座。
合理的节奏是：流程线上化 → 数据资产化 → 关键环节智能化。小程序做入口、后台做沉淀、私有化模型做提效、稳定运维做保障，四件事按顺序推进，投入产出比远高于一次性上一套「AI 中台」。