制造业：OT 隔离与停线
制造场景的数据多在设备与工控网络里，与办公网隔离，智能体很难直接读取；一次错误判断可能触发停线。可行切入点是售后知识、备件查询与工艺文档检索，先不碰实时控制。边界是：涉及安全的参数调整必须保留人工确认与物理联锁。
金融业：审计优先
金融对模型输出的可追溯要求高，任何影响客户权益的判断都要留痕并可复核。智能体适合做资料初审、客服辅助与合规检索，不适合直接做授信结论。落地时要把提示词、知识版本与人工干预记录一并归档，满足内部审计与监管检查，边界在不能替代授信判断。
建筑业：图纸与签章
建筑项目的数据是非结构化图纸、清单与现场记录，且成果涉及执业签章。智能体可做图纸信息抽取、清单比对与规范检索，但不能替代造价工程师签认。为什么难复制？因为每个项目的图纸规范与地方口径不同，知识库需要按项目维护。
零售客服：高频低风险
这类场景问题重复度高、错误可即时纠正，适合作为首个试点。但要注意促销期与政策变动会迅速让旧话术失效，知识更新机制比模型选型更重要。若把客服的高容错当成通用规律，搬到其他行业往往失败，边界是行业容错差异。
政务国企：合规前置
这类客户通常要求本地化部署、等保测评与集中采购流程，决策链长但一旦进入较稳定。准备材料时要把数据分级、部署方式与运维责任提前写清；不要用消费级产品的演示方式对接，否则会在合规审查阶段被退回，这也是为什么要提前准备材料。
适用与不适用
适合谁
- 跨行业复制智能体方案的负责人和架构师
- 需要判断自身行业落地节奏的企业
- 为不同事业部制定差异化策略的集团
不适合谁
- 认为一套方案可以通用于所有行业的团队
- 只想比较模型参数、不看场景约束的技术选型者
典型场景
一家软件服务商把零售客服智能体包装成通用产品，进入制造客户时发现设备数据取不出来、错误代价又高，试点三个月无法验收。复盘后改为只做售后知识检索，把实时控制类需求排除，交付周期才回到可控范围，合同也补上了人工确认条款。
可执行步骤
- 按错误代价与数据可得性给行业场景排序，先把高风险的项目标出来
- 确认数据所在网络区域、接口条件与现场运维能力，再讨论部署形态
- 把涉及执业签章或资金决策的环节，明确从首期的交付范围中排除掉
- 为知识更新设定责任人与更新频率，同时把规则写进交接文档供后续复核
- 只选用同行业的案例来验证方案，也不拿跨行业样板案例做效果承诺
常见坑
- 把客服场景的容错率当成通用假设，进入高错误代价行业后反复无法验收，导致项目停摆。
- 忽略数据的网络隔离，试点启动后才发现取不到设备与工控数据，导致整体工期被迫重排。
- 照搬其他行业的提示词与知识结构，术语和口径都不符，输出被业务方当场否定，返工重做。
自检与验收清单
- 是否评估过错误代价，并为高风险环节准备补救方式
- 数据是否在可访问的网络区域，接口是否具备
- 是否已明确排除了需要签章或资金决策的环节
- 知识更新是否有明确的责任人与固定的更新频率
常见问题
哪个行业最适合先做智能体？
问题高频、答案有稳定来源、错误可即时纠正的行业最适合，例如客服、内部 IT 支持与文档检索。错误代价高或数据隔离严格的行业，应把范围缩小到辅助环节，先积累运行数据。
制造业能做设备预测类智能体吗？
可以做辅助分析，但不宜让智能体直接下指令。设备数据需要时序治理与工况标注，且安全联锁必须独立于 AI 系统。建议先从维修知识检索与备件匹配切入。
集团多行业怎么统一管理？
统一治理框架，分散场景决策。数据分级、合同模板与验收口径可以统一；场景选择与知识维护交给各事业部，否则总部制定的方案很难真正贴合一线实际情况。