blue痛点二：组织惯性。生产/运营负责人（从业17年）对AI态度消极，经历过3次失败的数字化项目，认为「这次也不会例外」。中层管理者的抵触情绪来自三方面：技术恐惧、失败记忆、权力威胁。
风险矩阵数据风险（可能性高·影响高）：数据质量不足以支撑模型训练、数据获取受合规限制、数据标注成本超预算。交付风险（可能性中·影响中）：交付物与期望不符、技术方案选型错误。合规风险（可能性中·影响高）：数据隐私和安全合规问题可能造成法律风险。
企业概况作为金融业行业的标杆企业，某基金AI TA份额登记自动化成立于2005年 企业规模约2447人，年营收达23亿元。研发投入占总营收约47%，拥有282项自主知识产权。
利益相关者CEO（影响力高·立场不确定）：项目发起人但AI认知偏差，需认知校准。CTO（影响力中·立场中性偏支持）：技术执行者，可成为盟友。业务负责人（影响力中·立场消极）：信任透支，需速赢重建信心。IT团队（影响力低·立场焦虑）：怕被边缘化，需纳入能力建设。一线骨干（影响力低·立场观望）：支持与否直接影响落地。
gold痛点四：资源错配。管理层希望AI项目不增加预算，用现有团队完成。但现有IT团队在AI领域经验几乎为零，缺乏外部技术支持。人力资源和技术能力的双重不足构成项目最大风险。
顾问洞察顾问团队在诊断中总结了一句核心洞察：「好的提问比好的答案重要一百倍」
变革路线图启动阶段（第1月）：组建项目组+数据摸底+技术选型。攻坚阶段（第3-6月）：数据治理+模型开发+验证测试。推广阶段（第6-8月）：系统部署+流程适配+一线培训。收尾阶段（第12-16月）：效果评估+知识移交。
※ 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。
通过某基金AI TA份额登记自动化深入学习道法术器框架在金融业企业的实战应用，建立系统的诊断思维。
核心挑战：本案例最大的难点在于客户对AI的认知偏差与组织变革疲劳的双重叠加——这不是技术问题，而是管理问题。
理论概述：利用大语言模型生成访谈提纲和分析报告初稿，但必须经过人工审核和行业定制。
理论概述：通过结构化的工作坊形式，将顾问的方法论转移给客户内部团队，实现能力固化。
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：组织变革中成员经历可预测的情绪曲线：震惊→否认→愤怒→讨价还价→沮丧→接受→探索→承诺。
理论概述：连续追问为什么，但不是机械地问五次，而是在不同深度层面对症下药。
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：企业基本面、业务运营、IT成熟度、组织文化、AI准备度——五维评估。
理论概述：目标（Goal）→现实（Reality）→选项（Options）→意愿（Will），让客户主动探索方案。
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：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。
好的开场白是访谈成功的一半——它不是介绍而是建立合作框架
| 层 | 参考问题 | 意图 | 追问 |
|---|---|---|---|
| S1 | 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 |
| T2 | 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 |
| A3 | 在过去6个月中，业务运营中最大的挑战是什么？ | 聚焦具体问题而非泛泛而谈 | 追问"对业务指标的影响有多大？" |
| R4 | 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 |
| S5 | 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 |
| T6 | 您能描述一下目前金融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？" |
| A7 | 如果这个项目不做，6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 |
| R8 | 您过去在效率提升方面做过哪些尝试？效果如何？ | 了解历史经验和组织惯性 | 追问"如果效果不理想，主要原因是什么？" |
• 客户问"你做过我们行业吗？"——回应"我们团队做过多个类似场景"
• 客户坚持"先说说方案"——回应"先提两个方向供您参考"
• 客户期望不切实际——坦诚沟通"可以分为两个阶段实现"
推荐：《提问的艺术》
自我检查：客户说了70%以上时间？有3次以上有效追问？识别了隐藏需求？管理了不切实际的期望？