一、引言
McKinsey 的数据里藏着一条被大多数人忽略的曲线：只有 6% 的企业是 AI 高绩效者。MIT 的 NANDA 研究给出了另一半，约 95% 的 GenAI 试点，对损益表零影响。BCG 的连续两年调研更悲观：74% 的企业没有获得有形价值，一年后恶化到 60%。
同一个市场、同一种模型、同一批工具，为什么结果如此分裂？本文的答案可能不太舒服：差异不在技术，在客户本身。有些企业天生就能用好 AI，有些企业买再多工具也是浪费。一个 AI 服务商最大的本事，不是把坏客户教好，而是把好客户挑出来。
二、五项客户筛选标准
在筛选客户之前，需要先定义什么客户值得服务。经过对大量企业 AI 落地案例的观察，本文将其收敛成五条标准，每一条都可以在签合同之前被验证，不需要等交付之后才后悔。
第一条，老板 AI 原住民。C level 主动投入，不假设自己比 AI 更懂。他愿意亲自用、亲自拍板、亲自扛。这不是加分项，是一票否决项。因为 AI 落地本质上是一把手工程，决策者不投入，项目必死。
第二条，本身生意做得好。付得起高客单价，决策周期短。这个标准反直觉但极重要：生意不好的企业，会把 AI 项目当成救命稻草，然后反复改需求、无限压价、随时叫停。生意好的企业，把 AI 当成放大器，决策快、付费爽、配合度高。
第三条，tribal knowledge 密度高。有客服对话历史、SOP、知识库可蒸馏。没有沉淀的企业，AI 无米下锅。再强的模型也需要燃料，而燃料就是客户自己的行业知识。
第四条，合规复杂度可控。避开 PCI、HIPAA 这类半年起审计的领域。第一单陷在合规里，是最贵的浪费。客户的钱花在律师身上，服务商的时间花在等待上。
第五条，同行业有从众潜力。标杆做出来，能让 95% 感到压力。这一条决定了你是做一单生意，还是拿下整个行业。
三、需求蝗虫的识别
反过来，有三类客户应当直接拒绝。它们是需求蝗虫，看上去是需求，实际上是消耗。
（1）合规蝗虫：要源代码、要本地化部署、不让用云。他们想要的不是结果，是资产。投入的每一行代码，都会变成他们下一轮砍价的筹码。
（2）价格蝗虫：预算 5 万也要压到 3 万。他们买的是工时，不是价值。这种人天单价十年没涨的中国市场，正是被这类客户训练出来的。
（3）白嫖蝗虫：先做个 demo 看看，好了再签合同。他们把 AI 当免费咨询，把交付当验货。demo 做完，需求学会了，合同没了。
拒绝这些客户，短期看是损失订单，长期看是保住毛利、保住团队士气、保住口碑。一个 AI 服务商敢不敢拒绝客户，决定了它是服务商还是外包。
四、为什么大多数服务商不敢挑客户
你可能会问：既然筛选这么重要，为什么大多数服务商来者不拒？答案很现实：他们怕饿死。中国 AI 服务市场的人天单价十年没涨，价格战把毛利压到临界线，大多数公司没有底气拒绝任何一笔现金流。
但这是一个恶性循环。不敢拒绝，于是接下大量不合格客户，交付质量差，案例没有说服力，品牌被稀释，只能继续用低价抢单，于是更不敢拒绝。服务商越缺钱，越饥不择食；越饥不择食，越做不出好案例；越做不出好案例，越赚不到钱。
敢拒绝，是一种稀缺能力，也是一种品牌资产。当同行都在用低价抢单时，一个敢说不的服务商，本身就是最好的营销。客户会记住那个拒绝过他的公司，因为拒绝意味着标准，标准意味着质量。
五、95% 停步的四个可诊断问题
那 95% 的问题出在哪？本文的诊断是四个。它们都不是技术问题，都可以在签合同之前被识别出来。
（1）把 AI 当电费，不当资产。买来省 20 个人力，隔壁也省了，大家重新回到起跑线。他们烧掉了 token，什么也没留下，没有场景数据，没有决策资产，没有护城河。
（2）组织的中年。即期绩效、从众、线性稳进、认知窄化，这四症状一旦成型，组织会本能地抵抗 AI 项目，因为 AI 意味着否定自我、重构流程、动既得利益。组织越中年，AI 落地越像一场政变。
（3）一把手政治。在中国，AI 采购真正的决策者往往不是 CTO，是一号位。而一号位关心不出事，胜过创造价值。一个不出事的采购逻辑，会天然选择最平庸的方案。
（4）只优化 P，不动 α。买了 Copilot 就以为完成了 AI 转型，执行快了，协作、判断、反馈闭环三个瓶颈纹丝不动。这是阿姆达尔定律的直接推论，工具只优化 P，系统改造才降低 α。
这四个问题的共同点：都可以在签约前被识别。问题在于，大多数服务商不敢挑客户，他们怕饿死。而筛选比努力重要。一个错误的客户，会吃掉你服务三个正确客户的利润和时间。
六、灯塔客户的从众效应
最后一个标准，从众潜力，被严重低估。跨境电商圈是典型的样本：卖家群、独立站群、TikTok Shop 群高度密集，一个标杆做出来，圈内三天传遍。同行看到的不只是一个 case study，而是一种压力：他的客服 15 分钟回消息，我的还在 4 小时。
灯塔客户的价值是三重放大：交付一个客户，获得一个案例、一个口碑、一个行业的入场券。这也是为什么宁愿花两周做进场尽调，也不愿接一个战略价值为负的订单。
七、进场尽调的五份地图
选对了行业还不够，还要在进场之前把客户摸透。进场尽调不是走过场，是五份地图。
（1）业务地图：客户靠什么赚钱，收入结构是什么，核心利润点在哪。AI 要放大的是利润，不是流水。
（2）系统地图：数据在哪、API 通不通、系统能不能被 AI 访问。数据进不来，AI 就是空中楼阁。
（3）流程地图：SOP 长什么样，一线员工实际怎么变通。流程文档和真实操作之间的落差，就是 AI 的机会，也是风险。
（4）人肉地图：谁是支持者、谁在反对、谁会因为 AI 上线而受损。技术问题好解决，人的问题才是项目生死线。
（5）风险地图：合规红线、内部政治、技术债。任何一项在进场后爆雷，都会吃掉整个项目的利润。
五份地图，两周时间，换来的是进场后不返工。大多数 AI 项目死在进场之后才发现系统不开放、数据不干净、支持者没权力，而这些，尽调阶段全部可以提前看见。
八、客户分级：AI 加与 AI 次方
还有一把更粗的筛子：把客户分成两类。AI 加客户，是在现有流程上加 AI，把 Copilot 塞进旧流程，α 一点没降，钱花了不少。AI 次方客户，是用 AI 重写流程，愿意动组织、动流程、动权力结构。
判断很直接：AI 加客户不服务，AI 次方客户全力投入。因为 AI 加是给阿姆达尔定律交税，AI 次方是在降低 α。前者买的是心理安慰，后者买的是系统改造。
判断一家企业是 AI 加还是 AI 次方，看三个信号：老板在会议上问 AI 能帮我们省多少人力，还是问哪些流程应该被 AI 重写；预算花在买工具上，还是花在改流程上；项目负责人是 IT 部门，还是一号位亲自挂帅。三个信号，进门前就能看出来。
九、结论
5% 不是天赋，是一组可识别的特征。AI 服务商的工作，一半是识别这 5%，一半是服务这 5%。不为把 AI 卖出去而存在，而为把 AI 用起来而存在，而后者，只对少数企业成立。
识别出正确的客户之后，真正难的部分才开始：怎么把 AI 从 demo 变成生产系统。这是 FDE 的战场。