顾问诊断顾问在5场深度访谈后得出结论：表面的技术选型问题背后是数据治理缺失和目标对齐失败两大根因。数据治理投入应占项目总预算的13%以上。
企业概况某装配线AI智能排产系统是制造业领域一家快速成长的企业，于2009年成立 公司现有员工1448人，年营收约6.8亿元，累计获得125项专利授权。
行业背景政策层面正在加速推动制造业行业的数字化升级。行业报告显示，AI技术在该领域的渗透率年增速达24%，预计2009年将达到6%。
风险矩阵技术风险（可能性高·影响中）：模型效果不达预期、系统集成困难、数据质量不达标。组织风险（可能性高·影响高）：关键利益相关者抵制、变革中途失去动力、核心团队流失。进度风险（可能性中·影响中）：项目延期、速赢效果不显著、反复返工。
痛点一：目标分歧。高管团队对AI的认知停留在「自动化」和「降本」两个关键词上，忽视了「增效」和「创新」的潜力。业务部门和技术部门在需求定义上存在根本分歧——业务关注场景，技术关注数据。
利益相关者创始人（影响力高·立场坚定）：技术出身，对AI理解远超团队。运营VP（影响力中·立场观望）：多次失败后持谨慎态度，需要可见成果。产品经理（影响力低·立场积极）：希望借助AI提升产品力，是内部推动力量。
顾问洞察顾问团队在诊断中总结了一句核心洞察：「数据不是越多越好，而是越准越好」
blue痛点二：变革疲劳。公司在过去22年中经历了多轮组织架构调整，员工对「新项目」持观望甚至抵触态度。变革管理成为比技术选型更具挑战性的任务。
触发事件CTO提交了一份《行业AI竞争分析报告》，指出6家主要竞争对手已启动AI项目，其中一家已实现成本降低34%的显著效果。
※ 案例信息已脱敏处理。仅供教学参考。以下展示本案例将应用的层面。Step2展开。
掌握在制造业场景中运用结构化方法论诊断企业AI准备度的能力，学会区分表象问题与根因问题。
核心挑战：某装配线AI智能排产系统的核心挑战在于管理组织变革阻力、建立数据基础、对齐利益相关者期望这三个非技术因素。
理论概述：不同的利益相关者需要不同的影响策略。权力-利益矩阵是核心分析工具。
理论概述：情境（Situation）→目标（Target）→行动（Action）→结果（Result）四步访谈框架。
理论概述：表情、语气、肢体语言中蕴含的信息量远超语言本身。学会解读这些信号是进阶顾问的标志。
理论概述：承诺-交付-反馈循环是期望管理的核心机制。每次超额交付都在积累信任资本。
理论概述：从业务（Business）、数据（Data）、组织（Organization）、技术（Technology）四个维度系统性评估企业AI准备度。
理论概述：组织拥有对变革的内在防御机制。识别并化解这些防御，比推动变革方案更重要。
理论概述：情境式、比较式、假设式、过程式、回溯式、前瞻式——六种提问各有适用场景。
理论概述：高质量的访谈通过精心设计的提问顺序，引导客户自己发现问题的真实面貌。
理论概述：顾问不是解决方案的提供者，而是客户自我发现的催化剂。真正的变革来自客户自己的认知和承诺。
区分客户说的问题和真实的问题——症状往往不是根因
| 层 | 参考问题 | 意图 | 追问 |
|---|---|---|---|
| S1 | 您对这个项目的成功是如何定义的？ | 了解客户的顶层期望 | 注意是否存在多个不同的成功标准 |
| T2 | 根据行业数据，类似规模企业通常12个月实现11%提升，您觉得这个范围合理吗？ | 管理期望，建立参考基准 | 追问"如果实际效果低于范围，您的底线是什么？" |
| A3 | 如果这个项目不做，3个月后会发生什么？ | 建立紧迫感 | 帮助客户认识到不做的风险 |
| R4 | 您认为最重要的成功标准是什么？ | 了解客户价值观和优先级 | 注意客户是否过度关注技术指标 |
| S5 | 您能描述一下目前制造业业务整体的运营情况吗？ | 开放式开场，让客户主动说出全貌 | 等他自然说完后追问"还有吗？" |
| T6 | 如果项目成功了，您希望在什么时间看到什么样的变化？ | 明确可量化目标和时间预期 | 追问"这些数字怎么得出来的？"评估合理性 |
| A7 | 如果给您团队的数字化能力打分，您打几分？ | 了解内部能力差距 | 看客户是否愿意承认能力短板 |
| R8 | 你觉得团队对新技术的接受度如何？有没有预见到什么阻力？ | 评估组织变革准备度 | 注意客户是否回避或粉饰这个问题 |
• 客户问"你做过我们行业吗？"——回应"没有行业惯性反而视角更新"
• 客户坚持"先说说方案"——引导"好方案源自深入了解，给我30分钟"
• 客户期望不切实际——用对比法"这个目标需要的资源要翻倍"
推荐：《关键对话》
自我检查：建立了足够信任？识别了真正根因？给了客户有价值的洞察？客户愿意继续合作？