这篇文章记录了我在一家AI创业公司做B端产品经理的真实经历。六个月，五个客户，四套方案，一个决定。所有内容来自真实工作文档和会议记录，因涉及商业信息，公司名称、客户名称、人物姓名已做脱敏处理。

今年年初，我加入上海一家AI创业公司，做企业财务AI产品经理。六月，我离职了。

六个月。

走的那天，我在笔记本上写了一句话：“世间万物皆如风，抓不住也留不下，唯独感受一场。”

不是为了装深沉。是这半年发生的事太多、太密、太真了，不写下来怕自己忘了。

这篇文章是写给我自己的，也写给所有在AI浪潮里做产品的同行。如果你也在经历类似的困惑、类似的消耗、类似的觉醒——你不是一个人。

一、从零开始理解一个品类

AI Agent。这是我入职后每天都在说的词。

但你问十个人什么是Agent，你会得到十个答案。有人说就是“能自己干活的AI”，有人说是“大模型加工作流”，有人说是“下一代SaaS”。没有人能给你标准答案——因为这个品类还没有标准答案。

我加入的这家公司定位在企业财务AI Agent中台。简单说：在企业现有财务系统之上，加一层AI决策辅助层。不做替代ERP，做ERP上的智能化增强。

初期定义了五个核心场景：发票处理、凭证生成、纳税申报、现金流预测、智能分析。五个Agent覆盖企业财务从“原始单据”到“分析报告”的完整链路。

听起来很清晰，对吧？

但真正的产品工作开始后，你会发现：这些场景能不能落地，不取决于你的架构图画得多漂亮，取决于你能不能找到第一个愿意让你试试的客户。

二、家电巨头——一个需求分析的全过程

我们接到的第一个真正意义上的客户，是某家电制造集团。

他们是行业龙头，财务系统极为复杂：SAP做总账，自研系统管经销商，BI工具出报表，再加多家银行的资金管理系统。

四套系统各自为政，字段编码不同、数据口径不同、更新频率不同——典型的多系统数据孤岛。

财务部门最头疼的是对账。经销商在经销商系统中下单、回款，银行系统中收到款项，SAP中生成应收账款。同一笔交易在三个系统中的记录，由于时间差、口径差、字段映射关系的差异，总会出现“对不上”的情况。

对接人找到我们时，提了一个非常直接的问题：“你们能不能用AI帮我们做对账？”

深入分析之后，问题的复杂度远超预期。

对账的难点不在于“比对数据”，在于“判断差异”。

当SAP中的一笔应收账款和银行系统中的一笔到账金额不一致时，原因可能有几十种：经销商分次付款、银行扣手续费、汇率波动、跨月时间差、退货折让未录入系统。更关键的是：同一种差异，不同的财务人员会做出不同的判断。

财务A判定为“经销商未及时打款”，通知销售催收。财务B判定为“系统编码映射有误”，自己手动调整。两种判断都可能正确——但判断标准存在于每个人的大脑里，而不是系统的规则表里。

核心发现：企业不缺规则，缺的是把规则从人脑子里抽出来、变成系统能执行的东西。

这也是我在这家公司学到的第一课：AI在财务领域的落地，主要挑战不是“让模型更聪明”，而是“让数据能被访问”“让标准能被统一”“让客户能理解”。这三件事，比训练模型难得多。

三、股份制银行——金融级AI的现实距离

五月中旬，团队与某股份制银行总行资金管理部门进行了一次深度交流。

这不是招标项目，双方都在试探：银行想看看到底能做什么，我们想了解银行到底需要什么。

会上确认了三个可以优先推进的场景。银行资金管理系统的对账——银行自己的资金系统要和多家合作银行的流水数据进行对账，不同银行的回单格式各异、摘要表述千差万别。

企业还款核销——企业向银行还款时，需要将收到的款项与贷款合同、还款计划匹配核销。智能付款排程——根据供应商付款期限、资金成本、现金流状况，做出最优付款时间安排。

银行客户有三个非常鲜明的特征。第一，合规压倒一切。任何AI系统在银行场景中的设计，第一优先级不是“好不好用”，而是“合不合规”。一个判断如果被监管机构质疑，银行必须有完整的审计追溯链。第二，系统复杂度极高。银行的系统不是一个软件，而是一个由几十个子系统组成的生态。任何新功能的加入，都要考虑与现有系统的接口兼容性、数据一致性、权限继承性。第三，决策链很长。一个AI项目要真正在银行落地，需要经过业务部门、IT部门、合规部门、风控部门、采购部门等多个环节的审批。

会后复盘，我的判断是：这是一个“长线客户”。短期内不会产生大量收入，但从长期来看，如果能跑通一个场景，就相当于拿到了一张进入金融AI市场的通行证。

四、电商上市公司——风控场景的新方向

另一个客户是中国最大的品牌电商服务商，港美股双上市，年营收近百亿，拥有近千人的技术团队。

对接人是集团风控部总监，同时也是公司AI先锋小组的牵头人，手下约两百人财务团队。这个信息很关键：不是技术部来对接，是风控部来对接。意味着客户的需求驱动方是“业务部门”而非“IT部门”。

核心诉求是非经营性采购的智能风控。采购系统、OA合同审批系统、OA付款系统之间的数据存在断点，导致从采购申请到最终付款的全过程缺乏完整溯源。一旦发生合规问题，很难快速追溯到具体环节。

这个需求可以归结为“三单匹配”——采购申请单、采购合同、付款凭证三者之间的数据一致性校验。复杂度在于系统间的数据没有自动流转通道，非经营性采购不像生产性采购那样有固定供应商和标准流程，不同电商平台的结算周期、佣金费率、退换货规则各不相同，财务数据散落在多个系统里。

对接人在交流中说了一句话，我印象极深：“我们有将近一千人的技术团队，但我不知道该让他们做什么。”

核心洞察：这家公司不缺技术能力，缺的是业务设计能力。创业公司在AI企业服务市场上最核心的差异化竞争力，不是技术深度，而是业务理解深度。

五、行业展会——五十家企业的面对面

五月二十日，团队参加了某协同办公企业在上海的行业展会，与超过五十家企业代表进行了面对面交流。

展会上接触到的企业，真正有明确AI需求的不多。但有需求的都有一个共同特征：都是带着真实具体的业务痛点来的，不是为了“赶AI风口”。有的人会后发来财务报表样本，有的人已经在内部成立了AI探索小组，有的人直接问“我回去怎么跟老板汇报这事”。

展会最大的收获之一，是拿到了一家汽车金融公司的联系方式。对方提出的需求是在为经销商提供库存融资服务时，对经销商经营状况做风险评估。

目前这个过程高度依赖人工，效率低、标准不统一。

对接人非常坦诚地说：“我在专业程度上不那么在行，但我的工作是判断这件事值不值得推到下一层。”

关键体悟：B端销售中，你不是在说服对接人，而是在帮对接人说服他的上级。

六、城商行——绿色金融智能体的完整方案

这是我们最后启动的项目，由数据金融部对接。需求方向是绿色金融——中国金融监管机构近年大力推动绿色金融发展，要求银行增加绿色信贷比重。

该银行作为沿海重要城商行，绿色金融是行领导高度关注的战略方向，但由于起步较晚，在客户识别、标签匹配、后台审核等环节效率低下。

银行的绿色金融业务分为三个核心环节：寻绿（营销前寻找绿色客户线索）、识绿（放款时判断是否绿色信贷）、确绿（放款后确认标签准确性）。

我们设计了三Agent架构，共享统一底座。识绿Agent：当客户经理在信贷系统中填写放款申请时，AI自动提取贷款用途和项目描述文本，与约两百条绿色产业目录进行语义匹配，输出Top3推荐结果。确绿Agent：放款后自动生成所需佐证材料清单，客户经理按清单上传材料，AI通过OCR识别内容后进行完整性校验和交叉验证。寻绿Agent：在客户经理的“访前报告”中集成绿色标签功能，利用行内外部数据为企业自动打标。

这个项目大量复用了家电巨头项目的技术积累。

规则引擎、Workflow编排、判断卡片、前端嵌入模式——这些验证过的核心模块，可以直接迁移到银行业务场景。

家电是厨房电器行业，银行是金融行业，场景完全不同，但技术架构复用度达到了约七成。

七、四个客户教给我的七条规律

拉通了家电制造、股份制银行、电商平台、汽车金融四个客户的项目之后，我发现它们虽然行业不同、需求各异，但有七条高度一致的规律。

第一条：多系统数据孤岛。 不是缺AI，是数据没打通。四个客户的共同问题不是“不知道AI能帮忙”，而是“AI要的数据散在四五个系统里，从来没人整合过”。

第二条：不是没有标准，是标准因人而异。 同一个对账差异判断，不同财务人员结论不同。同一个授信审批，不同风险人员看不同维度。企业不缺规则，缺的是把规则从人脑子里抽出来、变成系统能执行的东西。

第三条：客户不要AI替代人，要AI帮人统一判断。 不要AI自动过账，要AI告诉财务“这笔差异最可能的原因是什么，依据是什么”。不要AI自动审批，要AI帮不同审批人员审出一样的结果。

第四条：大厂通用方案被主动拒绝。 有客户接触过互联网巨头的方案，结论是“太通用”。有客户一直在用国际大厂的ERP，但大厂的AI不会为特定业务场景做专属建模。客户正在从买品牌转向买深度。

第五条：对接人不专业但能卡你。 对接人不一定懂业务细节，但决定要不要立项、值不值得推到下一层。你能不能让他听懂你的价值并复述给他们的上级听——这是整个B端AI销售最核心的能力。

第六条：客户买的不是功能，是结果。 客户不会为“我们有对账Agent”买单，会为“原来对账差异要三方协同查半天，现在三十分钟出结果”买单。卖功能卖不出去，卖结果卖得动。

第七条：先证明能力，再谈扩展。 没有一个客户愿意一上来就签全流程AI平台。所有客户都是先一个场景验证，再逐步铺开。先让客户看到你能解决一个具体问题，再谈后面的事。

八、Agent时代的产品经理，工作方式变了

在传统软件设计里，产品经理和开发之间有一个清晰的边界——产品定义做什么，技术定义怎么做。PRD是传话筒，需求确定→出方案→开发交付，顺序固定。

但Agent时代这个边界模糊了。

因为Agent的能力边界取决于模型的输出质量，而模型输出质量取决于你喂了什么数据和写了什么提示词——这些是产品和技术共同完成的。

Workflow的节点设置、AI的调用策略、判断的归因逻辑——这些既是产品设计，也是技术架构。

六月某一天，我写了一半的方案被程序员堵回来：“先出详细方案再开发。”我说：“这是探索性工作，需要先搭最小链路验证。”程序员说：“你不给我方案我怎么验证？”

这是一个死循环。

但它的本质不是谁对谁错——是两个人在两个时代对话。程序员有多年传统软件开发经验，他的认知框架是“需求→方案→开发”，这是对的——在传统软件领域。

而Agent项目是“假设→最小链路→验证→基于结果出方案”，顺序是反的。

破局的方式是：先花半天搭一条最小链路，跑通了再出方案。别争，先跑。

这也意味着Agent时代的产品经理不能再只做“翻译官”。你需要理解模型行为、理解提示词工程、理解什么叫归一化阈值。你画的Workflow节点图，就是技术架构的骨架。

我写了一篇文章叫《Agent时代——产品即技术》。行业还在争论“产品经理要不要懂技术”的时候，Agent时代已经给出了答案：不是要不要，是你不懂技术就画不出一个能跑通的Agent方案。

九、客户筛选这件事

做了多个项目之后，我逐渐形成了一套客户筛选标准。

可以做的客户：多系统并存、数据断点是真实业务瓶颈；有数字化改造意愿和预算（十万以上）；有硬性任务或合规压力推动；内部有人在推动AI应用；愿意为“跨系统数据对齐”这个底座付费。

先不做的客户：只有一两个平台、手工对账就是全部问题；只想解决单点对账、预算很低；老板还没感受到痛；对接人只是“了解一下”。

有一次遇到一个连锁零售客户，饿了么、美团、京东多平台对账。

问题看起来很像我们擅长的那一类：多系统、数据断点。但深入分析后发现数据抽取无解——多平台API难获取，RPA绕不过隐私权限。单点对账项目的预算又太低，研发成本摊不下去。

中国很多企业试图用AI逃避内部数据治理，本质是系统各自为政，不是AI能解决的。这时候对一个客户诚实地告诉他“从负责任的角度，花这个钱意义不是特别大”，比为了签单去强推一个注定失败的项目，对长期信任更有利。

十、关于“受控流程型Agent”

这是我在实战中梳理出来的核心产品定位。

在财务这类高合规性、高准确性要求的领域，AI Agent不应追求完全自主决策，而应在受控的流程框架内执行辅助判断的角色。

三种能力各司其职：规则引擎处理确定性的，大模型处理不确定的，人工做最终确认和兜底。

通用AI平台追求“全自主”，受控流程型Agent追求“可信赖”。在财务领域，可信赖比全自主重要得多。

这不是一个讨巧的定位。在行业都在讲AGI、讲自主Agent、讲端到端的时候，你说“我们不追求全自主，我们追求可信赖”——听起来不够性感。但这是从真实客户项目中长出来的结论，不是从投资人路演PPT里编出来的故事。

十一、为什么企业AI落地这么难

技术明明在飞速进步，为什么大多数企业的财务部门还在用Excel手工对账？

第一，数据是分散的。没有一家企业的数据是整齐地摆在数据湖里等着AI来分析的。数据散落在ERP、OA、CRM、网银、Excel等十几个系统里，字段名不一致、编码规则不同、更新频率各异。AI落地的第一步永远是数据工程——这恰恰是最耗时、最不性感、最被低估的环节。

第二，标准是人定的。企业的业务流程不是设计出来的，是长出来的。每个部门、每个岗位、每个人都有自己长期形成的工作习惯。AI要落地，不是把人的工作流程自动化，而是要先把那些说不清、道不明的判断标准变成可执行的规则。

第三，决策者不懂AI。真正有预算决定权的人，往往是CFO、COO级别的高管。他们不懂大模型、不懂Workflow、不懂提示词工程。他们只知道AI好像很厉害，但不知道自己的企业到底哪里能用AI。AI厂商需要承担一个额外的职能——教育市场。

第四，信任建立需要时间。财务数据是企业核心资产，财务流程关系合规和审计。任何AI系统进入企业财务体系前，都必须通过漫长的信任建立过程。这意味着一批又一批的准确结果，一点一点积累信任。

技术不是瓶颈。瓶颈是数据工程、流程标准化、市场教育、信任建立。谁愿意做这些脏活累活，谁就能在AI企业服务市场占据先机。

十二、告别

六月初，我决定离开这家公司。

不是冲动决定。

它经过了长时间的酝酿——在家电项目的每一次改动、在银行交流会的每一个问题、在展会的每一次对话、在城商行方案的每一次修改中，我反复问自己同一个问题：我在做的是不是我想做的？

创业公司的模式决定了你必须快速出结果、必须扛营收指标、必须把复杂的思想翻译给不同频的人听。

我逐渐意识到，我不适合格子间，不适合KPI驱动，不适合在组织里跟制度磨合。

我需要跟真人打交道——面对面的那种。一个人有困惑、有故事、有不方便跟同事说的心里话——他来我这里坐坐，我跟他说说话。他能平静下来。我能从这平静中获得意义。

离开的那天，我写下了那句话：“世间万物皆如风，抓不住也留不下，唯独感受一场。”

公司的产品、方案、架构图、会议纪要——十年后可能没人记得。但我在这家公司的这段感受是真的。它们构成了我二十六岁的一段生命。

写在最后

如果你读到了这里，谢谢你。

对未来的AI产品经理：这篇文章里的方法论——七个场景、四客户共性、受控流程型Agent、产品即技术、客户筛选标准——是从零到一验证过的。它们是你可以参考的起点，但不应该是终点。去创造属于你自己的方法论吧。

对创业者：我在四个真实客户项目中的探索路径，是一个可以对照的样本。AI落地这件事，没有捷径。只有一个个具体的场景、一个个真实的痛点、一个个建立信任的客户。

对我自己：二十六岁这一年，我在上海一家AI创业公司做了半年的产品经理。我从零定义了一个品类，服务了五个客户的不同项目，见证了一家公司从传统软件向AI方向的艰难转型。我还写了一篇文章，记录下了这一切。做得不错。下一个阶段，去做让自己胃不疼的事。

世间万物皆如风，抓不住也留不下，唯独感受一场。

二〇二六年六月，上海