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60%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17%。
变革路线图破冰期（1-1月）：组织诊断+紧迫感建设+锁定速赢场景。验证期（2-4月）：POC验证+效果量化+组织培训。扩展期（6-9月）：跨部门推广+能力转移+平台建设。规模化期（11-15月）：全面覆盖+持续运营+文化塑造。
企业概况作为能源电力行业的标杆企业，某化工厂AI有毒气体扩散模拟成立于2016年 企业员工2123人，年营收规模38亿元。已服务超过11家大型客户，客户留存率达37%。
blue痛点二：部门壁垒。IT部门和业务部门之间缺乏有效的协同机制。IT抱怨业务不给数据，业务指责IT不懂业务。数据4套系统各说各话，跨部门沟通成本极高。
触发事件公司获得政府1932万元的技术升级专项补贴，要求4个月内完成至少一个AI应用场景的落地，否则需全额退回补贴款项。
purple痛点三：数据质量堪忧。数据缺失率约15%，异常值占比约13%。数据以T+1报表形式存在，无法支撑实时AI决策。数据治理的首要任务不是建平台，而是建流程。
顾问诊断顾问在7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27%以上。
※ 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。
通过本案例学习，掌握运用道法术器框架分析能源电力领域AI转型需求的方法，独立设计进场访谈方案。
核心挑战：某化工厂AI有毒气体扩散模拟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：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：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：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：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：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：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：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：情境（Situation）→目标（Target）→行动（Action）→结果（Result）四步访谈框架。
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 | 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 |
| T2 | 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？" |
| A3 | 根据行业数据，类似规模企业通常7个月实现6%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？" |
| R4 | 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 |
| S5 | 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？" |
| T6 | 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 |
| A7 | 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 |
| R8 | 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 |
• 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——用行业数据校准"通常需要X到X个月"
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？