企业真的在用 LLM 做什么？从“写文案”到“改造流程”的五个阶段

过去两年，各种“AI 重塑企业”的叙事听得多了，但落到真实的办公室和产线里，大模型到底在干什么？我走访了制造业、电商、金融和 SaaS 领域的十几家中型以上企业，发现它们的应用路径呈现出惊人的相似性：几乎都是从给员工配工具开始，逐步向业务深处渗透，但绝大多数至今没有跑完这段路程。

第一阶段：个人效率工具，买账号是最简单的开始

我见过最普遍的落地场景，是给员工批量采购 AI 工具的账号。一家位于东莞的五金制造企业，去年为市场部和技术部买了八十多个 ChatGPT Plus 账号，用途很实在：翻译英文邮件、润色产品说明书、帮工程师写 Python 脚本。这种模式几乎零门槛，也不需要改造现有 IT 系统。但本质上，它跟当年给员工配计算器没有区别——提升的是单点效率，而非企业能力。

第二阶段：内容生产，ROI 最容易算清

当企业发现“写东西”确实快了之后，内容生产就成了最自然的规模化场景。深圳一家出海电商公司告诉我，他们用 LLM 批量生成亚马逊 Listing 和社媒文案，原先一个运营一天写五条，现在能产出二十条初稿，整体内容产出速度提升了三到四倍。不过，他们依然保留了完整的人工审核环节，因为模型偶尔会“发明”不存在的材质参数，一次错误就可能导致下架或客诉。

这个阶段的企业已经算“认真在用”了，但技术栈仍然很浅：上游是提示词模板，下游是人工检查，LLM 并没有接入任何业务数据库。据我了解，目前市面上至少七成以上的企业 LLM 应用，都停留在这两个阶段。

第三阶段：内部知识问答，RAG 是道坎

再往前一步，企业开始尝试把散落在 Confluence、钉钉文档、PDF 合同里的知识“灌”给模型。某城商行搭建了一套内部问答系统，让员工用自然语言查询信贷政策和合规要求。相比传统关键词搜索约 40% 的首条命中率，基于 RAG 的方案把这个数字拉到了 70% 左右。但一线信贷员仍然不敢直接引用答案，遇到金额门槛或风控条款，还是要翻原文 PDF 确认。知识库上了，但“信任成本”没降。

第四阶段：客服与销售辅助，从“回答问题”到“推动交易”

到了客服和销售环节，LLM 开始直接面向客户，压力陡增。杭州一家 SaaS 企业将 LLM 嵌入客服系统，先由模型自动回复常见咨询，解决率从传统机器人 35% 提升到了 62%。剩下的复杂工单转人工时，模型会生成一份带上下文摘要的转接单，帮客服少问两轮。销售侧则更谨慎：虽然试点了实时话术推荐，但一线销售普遍反馈，模型推荐的话术“太正确而缺乏钩子”，最终成单转化率只提升了不到 5%，尚不足以覆盖推理成本。

第五阶段：Agent 化流程自动化，极少数玩家的深水区

真正试图用 LLM 改造流程的企业，目前仍是少数。我接触过一家华东的跨境物流企业，搭建了一个订单异常处理 Agent：当系统监测到清关延误，Agent 会自动查询 ERP 中的库存数据、WMS 里的仓位信息，再生成英文邮件发给海外仓，并在 TMS 里标记优先级。这个流程原先需要两名运营人员跨三个系统操作，现在压缩到十分钟以内。但项目负责人坦言，系统建设了八个月，初期因模型错误调用 API 导致的误操作率一度高达 15%，团队不得不加了厚厚一层规则校验和人工复核开关。