企业概况扎根能源电力领域14年的某风电场AI齿轮箱故障预警，成立于1998年 公司现有员工844人，年营收约27亿元，累计获得224项专利授权。
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。
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。
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。
行业背景能源电力领域正经历从经验驱动到数据驱动的范式转移。约53%的头部企业已完成第一阶段的AI部署，行业平均效率提升约10%。
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：需求模糊。管理层说要用AI，但对AI的能力边界缺乏基本认知。三位核心高管对项目预期存在明显分歧——CEO关注品牌提升，CTO关注技术先进性，运营负责人关注效率提升。需求不是从业务问题推导出来的，而是从「别人有我们也得有」的从众心理产生的。
blue痛点二：信任透支。过去2次数字化项目均以失败告终，员工对新概念的接受度降至冰点。「数字化」这个词在内部已经成为一个负面标签。新项目需要花费额外精力重建信任。
※ 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。
掌握在能源电力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：某风电场AI齿轮箱故障预警考验顾问在4类利益相关者之间建立共识的能力，差异化沟通是关键。
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：区分症状问题和根因问题是顾问的核心能力。症状是客户描述的，根因是顾问发现的。
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：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：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。
不要急着给方案——你的价值在于帮客户发现正确答案
| 层 | 参考问题 | 意图 | 追问 |
|---|---|---|---|
| S1 | 您对这个项目的最高预算和资源投入是什么？ | 了解资源约束和真实投入意愿 | 追问"如果预算不够，您愿意调整范围吗？" |
| T2 | 还有没有其他重要的事情我没有问到？ | 收尾开放性问题 | 通常客户会在这里说出最重要的担忧 |
| A3 | 您能描述一下目前能源电力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？" |
| R4 | 您希望用什么机制来定期评估项目进展？ | 建立持续沟通机制 | 建议每月正式review+每周非正式同步 |
| S5 | 根据行业数据，类似规模企业通常12个月实现20%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？" |
| T6 | 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 |
| A7 | 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 |
| R8 | 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 |
| S9 | 在过去5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？" |
| T10 | 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——用对比法"这个目标需要的资源要翻倍"
推荐：《金字塔原理》芭芭拉·明托
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？