将 AI 应用想法落到具体业务流程，明确先试什么、需要什么条件，以及怎样判断是否值得继续。
从业务目标出发，梳理使用者、输入资料、人工判断点和错误后果，帮助团队比较 AI 场景的优先级。结合数据条件、权限边界和投入成本，形成阶段路线图。以小范围试点检查结果质量、人工复核时间和异常接管情况，为继续、调整或停止提供依据。
有 AI 应用想法，却难以确定优先级；演示能跑通，但数据、权限、成本和验收标准还不清楚。
企业管理层、创新业务负责人、数字化负责人，以及负责 AI 试点的业务与技术人员。
问题诊断与场景清单 → 阶段路线图与试点说明 → 关键里程碑评审
从重复录入、信息断点和处理延迟入手，理清流程、数据与系统各自该改什么。
沿着一笔订单或一次服务，核对信息在哪里产生、谁负责处理、哪些环节需要等待，帮助团队找出转型阻塞点。先统一关键口径与责任，再安排阶段任务和系统调整。通过小范围执行与复盘，比较等待时间、返工和人工对账的变化，避免只以上线进度判断成效。
系统已经上线，工作仍靠人工对账和反复催办；不同部门的数据口径不一致，问题在交接时反复出现。
传统行业企业负责人、经营管理团队、业务流程负责人和数字化项目负责人。
经营与流程诊断 → 阶段任务及责任清单 → 试点执行陪跑与复盘
把需求、技术决策和交付责任说清楚，明确先做什么、谁来判断、遇到变更如何处理。
围绕一次需求从提出到上线的过程，检查优先级如何确定、技术取舍如何记录、依赖如何交接，以及异常由谁接手。帮助技术与业务负责人梳理协作规则、架构边界和技术债处理顺序，再通过管理评审与交付复盘，检查等待、返工和线上问题是否改善。
需求频繁插队、跨部门等待过长、上线后责任不清；技术债长期积压，却缺少确定处理优先级的依据。
CTO、技术负责人、研发管理者，以及需要共同推进交付的产品和业务负责人。
需求与协作诊断 → 决策及交接机制设计 → 管理评审与交付复盘
沿着获客、转化与留存查找流失环节，围绕具体问题设计小实验，检验运营动作是否有效。
先核对指标定义和数据来源，再按渠道、用户阶段和获客批次分析变化，帮助团队找到需要优先处理的环节。围绕具体问题提出假设，明确调整动作、观察窗口和成本约束，同时关注留存与用户体验。复盘时区分已经观察到的变化与尚未证实的原因，再决定策略如何调整。
活动和内容做了很多，却说不清哪些动作有效；线索增加但转化不稳，或短期成交掩盖了留存问题。
增长负责人、运营负责人、业务中台团队，以及共同负责转化与留存的产品和业务人员。
增长诊断与指标口径清单 → 漏斗及获客批次分析 → 策略实验与复盘
