ai-adoption-audit（AI 采用审核）

AI Adoption Audit - 企业 AI 落地情况调查

给一家公司做"AI 成熟度体检"——它的 AI 用到什么程度？效果如何？有什么坑？

两种输出模式：

• 默认模式（市场调研）：了解这家公司 AI 落地水平，用于判断行业趋势
• 备选模式（客户参考）：侧重经验教训和可借鉴点，用于给客户做方案参考

触发方式：帮我调查一下 XX 公司的 AI 落地情况，可选加 [客户参考模式]

输入

必填

• 公司名称：如"三一重工"、"美的集团"

选填

• 公司简介：一两句话，帮助精准定位（特别是同名公司、子公司等情况）
• 输出模式：默认"市场调研"，可指定"客户参考"
• 重点维度：如果只关心某几个方面，可以指定（如"重点关注模型选型和 ROI"）

输出格式

🏷️ 速览卡（30 秒读完）

## 📌 [公司名] AI 成熟度：⭐⭐⭐☆☆（3/5）

**一句话评价**：[这家公司 AI 落地处于什么阶段，用大白话说]
**行业对标**：在 [行业] 中属于 [领先/中等/起步] 水平
**最值得关注**：[1-2 个亮点或问题]
**信息可靠度**：[高/中/低]（数据来源：财报/官网/新闻报道/估算）

📖 完整报告

一、公司概况

行业：[一级行业 + 细分领域]
规模：[营收/员工数]
上市情况：[上市交易所 + 股票代码] 或 [非上市公司]
总部：[所在城市/国家]

二、AI 推动层级

推动力来源：[CEO/董事长 亲自推动 / CTO/CIO 推动 / 业务部门自发 / 外部咨询驱动]

• 如果能查到具体高管（如"某某董事长在 2025 年年报中提出全面 AI 战略"），标注姓名和时间
• 这个维度很关键：一把手推动 vs 部门自发，落地效果天差地别

三、部署方式

部署模式：[本地部署 / 云端 SaaS / 混合架构]
基础设施：[自建算力 / 租用云算力 / 未明确]

四、模型选型

主要模型：[供应商 + 模型名称 + 版本]
模型策略：[单一模型 / 多模型组合 / 自研模型 + 商业模型]

• 如果有多个模型，说明各用于什么场景
• 如果是自研模型，标注训练数据来源和参数规模

五、解决的核心问题

按业务场景分类，标注成熟度：

• 成熟度：⭐⭐⭐⭐⭐ 全员常态化 → ⭐⭐⭐ 部门推广 → ⭐⭐ 试点中 → ⭐ 概念验证
• 只列有信息支撑的领域，不编造

六、推广范围

覆盖范围：[全员 / 多部门 / 个别部门试点]
已推广部门：[列出具体部门]
试点部门：[列出正在试点的]
未涉及部门：[如果信息充分，列出尚未 AI 化的部门]

七、ROI（投资回报）

AI 投入：[公开披露的投入金额，或"未披露"]
量化收益：[节省了多少成本 / 提升了多少效率 / 数据如有]
非量化收益：[品牌提升、人才吸引等]

• 务必标注数据来源：财报数字标"财报披露"，估算标"行业估算"
• 没有具体数据就说"未披露"，不编

八、落地过程中的主要问题

已解决的问题：
1. [问题 1]：[现象 + 如何解决 + 耗时/成本]
2. [问题 2]：...

当前仍在面对的问题：
1. [问题 3]：[现象 + 影响 + 是否有解决方向]
2. [问题 4]：...

• 如果查不到，如实标注"公开信息中未提及具体问题"
• 区分"已解决"和"未解决"，这对判断成熟度很关键

九、经验教训

默认模式（市场调研）：

📌 可借鉴：
- [经验 1]
- [经验 2]

⚠️ 需注意：
- [教训 1]
- [教训 2]

客户参考模式：

💼 如果你要向客户讲这家公司的案例：
- 推荐讲什么：[最有说服力的成果]
- 避免讲什么：[还没解决的痛点]
- 类比参考：[同行业哪些公司做得更好/更差]

十、成熟度评分明细

十一、信息溯源

数据来源（按可信度排序）：
1. [来源 1]：[具体链接或描述] → 可信度：高
2. [来源 2]：[具体链接或描述] → 可信度：中
...

工作流程

Step 1: 信息整理（多轮搜索）

第一轮：基础信息

• 公司名 + "AI 战略" / "人工智能" / "数字化"
• 公司名 + 年报 / 财报（搜最近一年）
• 公司官网 → 查找 AI/数字化相关页面

第二轮：深度信息

• 公司名 + "大模型" / "LLM" / "GPT" / "Claude" / "通义" / "文心" — 搜模型选型
• 公司名 + "AI 落地" / "AI 应用" / "智能化改造"
• 行业报告网站：Gartner、IDC、艾瑞、36氪、虎嗅

第三轮：补充验证

• 公司名 + "招聘" + AI 相关岗位 → 判断 AI 团队规模和投入
• 公司名 + "采购" + AI → 如果 Ken 关心采购领域
• 知乎、脉脉等平台上的员工分享

Step 2: 交叉验证

• 同一事实至少 2 个来源验证
• 财报数据 > 新闻报道 > 社交媒体
• 时间标注：所有信息标注"截至 YYYY-MM"
• 如果多个来源矛盾，标注"存在争议"并分别列出

Step 3: 分析评估

• 根据整理信息，逐项填入报告框架
• 行业对标：同类公司横向比较
• 趋势判断：AI 投入是加速还是放缓

Step 4: 生成报告

按输出格式生成。语言要求：

• 数据说话：能量化就量化，不量化就标注"未披露"
• 不编不猜：查不到的信息写"未查到"，不靠推测填补
• 时间敏感：所有信息标注时间节点，动态截止到当前
• 非上市公司特殊处理：信息不足时标注"非上市公司，公开信息有限"，不强行填充

特殊处理

上市公司 vs 非上市公司

| | 上市公司 | 非上市公司 | |--|---------|-----------| | 信息源 | 财报、年报、投资者关系 | 官网、新闻、招聘、员工分享 | | 信息可靠度 | 高（有披露义务） | 中（依赖主动公开） | | 特殊标注 | 标注财报期数和报告日期 | 标注"非上市公司，信息有限" |

同名公司

• 通过行业、地区、简介精准定位
• 如果无法区分，列出所有同名公司让用户确认

信息极度匮乏的公司

• 不强行生成报告
• 输出"能查到的有限信息" + "建议通过以下渠道补充：[行业报告、工商信息、招标公告等]"

存档与增量更新机制

存档路径

skills/ai-adoption-audit/output/
├── [公司名].md          ← 最新完整报告
└── [公司名]-history/
    └── [公司名]-YYYYMMDD.md  ← 历史快照

每次调查的流程

1. 检查 output/ 是否已有该公司的报告
   │
   ├─ 没有 → 全新调查 → 生成报告 → 存档
   │
   └─ 有 → 检查上次调查时间
           │
           ├─ 距今 ≤ 7 天 → 直接调用存档，不重新搜索
           │   回复：「该公司的上次调查时间是 YYYY-MM-DD，
           │         在 7 天有效期内，以下是存档记录」
           │
           └─ 距今 > 7 天 → 增量更新
               ├─ 读取上次报告
               ├─ 只搜索上次调查时间之后的新信息
               ├─ 对比：新变化高亮标记 🆕
               └─ 生成更新版报告 → 旧报告移入 history/ → 新报告存档

增量更新报告格式

在完整报告基础上，开头加一段变更摘要：

## 📝 变更摘要（距上次调查 XX 天）

**新增动态**：
- 🆕 [新变化 1]
- 🆕 [新变化 2]

**状态变化**：
- 成熟度评分：⭐⭐⭐ → ⭐⭐⭐⭐（+1）
- 推广范围：[3 个部门] → [5 个部门]
- 模型选型：新增 [XX 模型]

**已解决问题**：
- ✅ [之前列为"当前问题"的，现已解决]

横向对比功能

当调查 2 家以上公司时，可以触发对比：

输入：「对比美的和格力的 AI 落地情况」

输出对比表格，按维度横向排列，高亮差异点。

限制

• 依赖公开信息，无法获取企业内部数据
• 搜索能力受限于搜索引擎索引，可能遗漏非主流来源
• ROI 数据多数公司不会详细披露，通常只能获取定性描述
• 中文公司信息丰富度 > 英文公司，反之亦然

与其他 Skill 的关系

| | ai-adoption-audit | company-research | |--|-------------------|-----------------| | 焦点 | AI 落地情况 | 公司全面分析 | | 输出 | AI 成熟度报告 | 逆向工程分析 | | 场景 | 判断 AI 行业水平 | 评估供应商/竞争对手 |

可以组合使用：先用 company-research 做全面了解 → 再用 ai-adoption-audit 深挖 AI 维度。