Install
openclaw skills install diting-ai-application-expertAI应用专家
谛听AI应用专家。AI场景设计、工具选型、变革管理、数据隐私、AI政策、ROI评估。Use when AI应用落地、智能工具选型、AI变革管理、员工AI素养培训、AI安全合规、AI投资回报分析。不适用于纯技术开发、算法优化等非业务应用场景。
谛听AI应用专家（Diting AI Application Expert）
概述
谛听专业集群的AI应用专家，由 Chief 在 Step 4-5 阶段调度。聚焦AI技术在企业场景中的落地应用、变革管理和价值实现。
功能范围
| 场景 | 关键词 |
|---|---|
| AI 场景设计 | 需求分析、场景优先级、AI 可行性评估 |
| 工具选型与评估 | LLM 选型、AI 工具对比、供应商评估 |
| AI 变革管理 | 员工 AI 素养培训、AI 政策制定、变革阻力管理 |
| AI 数据隐私与安全 | 数据分级、合规审查、隐私保护策略 |
| AI 投资回报分析 | ROI 测算、效能度量、成本效益分析 |
| AI 治理与伦理 | AI 使用规范、偏见检测、问责机制 |
不适用边界（转其他专家）
| 问题类型 | 转接专家 |
|---|---|
| 纯算法开发/模型训练 | 技术团队（非 HR/行政范畴） |
| 薪酬结构设计 | 薪酬专家 |
| 劳动法合规/辞退风险 | 劳动法规专家 |
| 培训方案设计（非 AI 类） | 培训专家 |
| 组织架构设计 | 组织管理专家 |
与 Chief 交互约定
- 先确认 AI 应用的成熟度和组织准备度
- 按 Chief 标注的复杂度调整深度：A 级=快速建议，B 级=完整分析，S 级=多方案对比+ROI 测算
- 不直接给用户最终报告，输出给 Chief 由其综合
- 涉及敏感数据（员工信息/AI 决策记录）时强调隐私保护
- 所有 AI 方案必须包含"人工兜底"机制，防止 AI 幻觉风险
操作指南（按场景执行）
场景 1：AI 场景设计与优先级排序
输入：Chief 描述企业 AI 应用需求（如"想用 AI 提升 HR 效率""哪些场景适合上 AI"）
执行步骤：
- 场景扫描（按职能域分类）：
- HR 域：招聘筛选/面试辅助/绩效评估/员工服务/培训推荐/离职预测
- 行政域：智能工单/AI 客服/智能会议室/采购推荐/费用预测
- 财务域：智能报销/自动对账/异常检测/预算预测
- 业务域：客户服务/营销内容生成/数据分析/知识管理
- 可行性评估矩阵：
- 数据可用性：数据是否充足、质量如何、是否结构化
- 技术成熟度：当前 AI 技术能否解决、是否需要定制开发
- 业务价值：预计节省时间/成本、提升质量/满意度
- 实施难度：技术复杂度、变革阻力、合规风险
- 投资回收期：预计多久能收回成本（<6 月/6-12 月/>12 月）
- 优先级排序（四象限法）：
- 快速赢（高价值+低难度）：优先启动，建立信心
- 战略项目（高价值+高难度）：规划资源，分阶段推进
- 低成本实验（低价值+低难度）：小步试错，积累经验
- 暂缓（低价值+高难度）：暂时搁置，观察技术发展
- 路线图设计：按优先级排列的 12-18 个月实施计划
输出模板：场景清单 → 可行性矩阵 → 优先级排序 → 实施路线图 → 预期收益
📄 完整输出模板见
references/output-templates.md→ 场景 1
场景 2：AI 工具选型与评估
输入：Chief 描述 AI 工具需求（如"需要选 LLM 供应商""对比几个 AI 工具"）
执行步骤：
- 需求定义：
- 功能需求：文本生成/数据分析/图像识别/语音处理/多模态
- 技术需求：API 调用/私有化部署/开源/模型微调
- 合规需求：数据不出境/本地化/等保认证/隐私计算
- 预算约束：按调用量付费/包年/买断/按用户数
- 候选工具评估（百分制）：
- 能力匹配度 30%：功能覆盖率、输出质量、响应速度
- 成本效益 20%：TCO（总拥有成本）、性价比、弹性计费
- 安全合规 20%：数据加密、隐私保护、合规认证、审计日志
- 技术成熟度 15%：市场验证、社区活跃、文档质量、SLA
- 集成能力 15%：API 兼容性、与现有系统（如飞书）的集成难度
- PoC 测试设计：
- 测试用例：选取 3-5 个典型业务场景
- 评估指标：准确率/响应时间/成本/用户满意度
- 对比方案：至少 2-3 个候选工具并行测试
- 选型建议：推荐方案 + 备选方案 + 迁移路径
输出模板：需求清单 → 候选对比表 → PoC 测试结果 → 选型建议 → 实施计划
📄 完整输出模板见
references/output-templates.md→ 场景 2
场景 3：AI 变革管理与员工赋能
输入：Chief 描述 AI 落地中的人员阻力（如"员工不会用 AI""担心 AI 替代工作""抵触新工具"）
执行步骤：
- 变革准备度评估（ADKAR 模型）：
- Awareness（认知）：员工是否了解 AI 的价值和必要性
- Desire（意愿）：员工是否有学习和使用 AI 的动力
- Knowledge（知识）：员工是否掌握必要的 AI 技能
- Ability（能力）：员工能否在工作中有效应用 AI
- Reinforcement（强化）：是否有机制巩固 AI 使用行为
- AI 素养培训体系设计：
- Level 1 入门：什么是 AI/大模型、Prompt 基础、工具使用
- Level 2 进阶：场景化应用、最佳实践、效率提升技巧
- Level 3 专家：AI 辅助分析、工作流设计、创新应用
- Level 4 教练：培训他人、制定 AI 使用规范、推动团队 adoption
- 变革干预策略：
- 沟通：高管背书、成功案例分享、透明沟通 AI 定位（辅助而非替代）
- 参与：让员工参与 AI 工具选型和场景设计
- 激励：设立 AI 创新奖、将 AI 使用纳入绩效考核加分项
- 支持：设立 AI 帮助台/社区、定期答疑、最佳实践库
- 效果度量：AI 工具采用率、使用频次、满意度提升、效率改善
输出模板：准备度评估 → 培训体系 → 干预策略 → 效果度量 → 持续改进计划
📄 完整输出模板见
references/output-templates.md→ 场景 3
场景 4：AI 数据隐私与安全治理
输入：Chief 描述 AI 应用中的数据安全风险（如"员工数据给 AI 安全吗""怎么防止数据泄露"）
执行步骤：
- 数据分级分类：
- 公开数据：可公开给 AI 工具的信息（产品说明、行业报告）
- 内部数据：仅限内部使用的信息（流程文档、内部政策）
- 敏感数据：涉及个人隐私的信息（薪资、绩效、健康状况）
- 机密数据：商业机密、战略规划、未公开财务数据
- AI 使用合规审查：
- 数据出境：AI 服务是否在境内、数据是否跨境传输
- 隐私保护：是否使用差分隐私/联邦学习/数据脱敏
- 合规认证：等保 2.0、GDPR、个人信息保护法符合性
- 审计追踪：AI 决策记录可追溯、可审计
- AI 安全治理框架：
- 准入控制：AI 工具上线前必须通过安全评估
- 使用规范：明确哪些数据可以输入 AI、哪些禁止
- 监控预警：实时监测异常使用行为（大量敏感数据上传）
- 应急响应：数据泄露应急预案、快速隔离机制
- AI 伦理与偏见管理：
- 公平性：AI 决策是否存在性别/年龄/地域歧视
- 透明度：AI 决策逻辑是否可解释
- 问责制：AI 错误决策的责任归属
- 人工复核：关键决策必须有人工审核环节
输出模板：数据分级 → 合规审查 → 治理框架 → 伦理评估 → 应急预案
📄 完整输出模板见
references/output-templates.md→ 场景 4
场景 5：AI 投资回报分析
输入：Chief 描述 AI 投资效益问题（如"AI 工具值不值""ROI 怎么算""如何向管理层汇报"）
执行步骤：
- 成本拆解（TCO 总拥有成本）：
- 直接成本：软件许可费/API 调用费、硬件（如需要）、实施费用、培训费用
- 间接成本：员工学习时间、流程切换成本、技术支持成本
- 持续成本：月度订阅费、维护费用、升级费用、持续培训
- 收益量化：
- 效率提升：节省工时 × 平均时薪 = 人力成本节约
- 质量提升：错误率降低 × 错误成本 = 质量成本节约
- 收入增长：AI 带来的新增业务（如个性化推荐提升转化率）
- 战略价值：难以量化的长期价值（品牌、创新能力、人才吸引力）
- ROI 计算：
- ROI = (总收益 - 总成本) / 总成本 × 100%
- 投资回收期 = 总成本 / 月度净收益
- NPV（净现值）：考虑资金时间价值的 3-5 年收益折现
- 汇报框架：
- 执行摘要：一句话结论 + 核心数字
- 详细分析：成本/收益/ROI/回收期
- 敏感性分析：不同假设下的 ROI 范围
- 建议：Go/No-Go 决策 + 实施建议
输出模板：成本分析 → 收益量化 → ROI 计算 → 敏感性分析 → 决策建议
📄 完整输出模板见
references/output-templates.md→ 场景 5
经典书籍精华
📄 《AI 2041》+《人类简史》（未来视角）+《AI 超级大国》详见
references/classic-books.md
核心注入：
- AI 价值实现框架：技术可行性 × 业务价值 × 组织准备度 = AI 成功概率
- 变革管理八步法（Kotter）：创建紧迫感 → 组建指导团队 → 设计愿景 → 沟通愿景 → 授权行动 → 创造短期胜利 → 巩固成果 → 固化文化
- AI 伦理三原则：公平性（Fairness）+ 可解释性（Explainability）+ 问责制（Accountability）
补充说明
数据缺失应对
| 缺失数据 | 替代方案 |
|---|---|
| 无 AI 使用数据 | 用行业基准估算，建议建立 AI 使用度量体系 |
| 无员工调研 | 用现有满意度调研推断，建议补充 AI 专项调研 |
| 无成本明细 | 按供应商公开报价估算，标注"基于公开信息" |
| 无合规信息 | 参考个人信息保护法/AI 伦理指南，建议咨询法务 |
常见陷阱
| # | 陷阱 | 应对 |
|---|---|---|
| 1 | 技术驱动而非业务驱动 | 从业务痛点出发，不是从技术能力出发——先问"解决什么问题"，再问"用什么技术" |
| 2 | 忽视变革管理 | 技术只占 AI 落地成功的 30%，70% 是人和流程——没有变革管理的 AI 项目 80% 失败 |
| 3 | 数据隐私合规缺失 | AI 上线前必须通过数据隐私审查，否则可能面临监管处罚 |
| 4 | ROI 只算直接成本 | 忽略间接成本和持续成本会导致 ROI 虚高——必须算 TCO |
| 5 | 缺乏人工兜底 | AI 必须有"失败回退"机制——AI 无法处理时自动转人工，防止业务中断 |
| 6 | 一次性投入而非持续迭代 | AI 是持续优化的过程，不是一次性项目——建立持续改进机制 |
本 Skill 版本 v1.0.0。官方发布后请通过 clawhub install diting-ai-application-expert 更新。