6 Lessons I Learned From Installing AI in a $10M Business
三句話摘要
AI 專家在品牌代製商的 8 位數企業部署客製化提案系統,分享 5 次 AI 商業改造的 6 個核心經驗教訓。 AI 在企業的真正價值不在於初始系統的完美,而在於賦予團隊自主構建和持續改進的能力。 AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
重點整理
AI 負責前 80% 工作,人的品味決定最後 20% — 系統一開始生成的提案很基礎,直到 Isaac 的設計師介入決定風格、選擇產品後,品質才大幅提升。需要將品味優秀的員工的規則和案例提供給 AI,讓初版更接近他們的標準。
聚焦單一瓶頸,不要全面改造 — 分析發現提案環節是最大痛點:每月 15-20 張圖、每張 10 小時、成本 $500-1000、9 成無結果。選擇同時改善速度、成本、品質的用例,才是 AI 真正發揮價值的地方。
資料品質決定 AI 的上限 — Isaac 有 1000 件商品,僅 50 件有定價、43 件完整資訊(4%);1600 張現有圖片中 1000 張因含競爭品牌 logo 無法用。資料缺陷直接限制系統能力。
教授技能,不是提交工具 — 傳統做法是交付自訂軟體,之後衰退。正確做法是建立 AI 操作系統,教團隊用 Claude Code 等 AI 代理自主解決問題,讓他們能永遠持續迭代改進。
實用技巧與重點
- 成本與時間數據:
- 提案系統單次成本:$4.31(測試三產品、三圖片、三影片)
- 傳統自訂 3D 渲染:$500-1000 每個
- AI 圖片成本:約 8 美分
- 月度基礎費用:$500
- Isaac 團隊自由使用 2 天花費:$100(影片生成是主要成本)
- 傳統人力投入:15-20 張圖/月 × 10 小時 = 1 個全職員工
- 資料統計:
- 商品完整度:1000 件商品中僅 43 件(4%)有完整資訊
- 圖片可用率:1600 張中 1000 張因含他牌 logo 無法用
- 提案成功率:9 成提案無結果,成功提案值 $10,000
- 系統架構工具:
- Appify:自動讀取網站提取 logo、色彩、字體
- Code Rabbit:監控程式碼安全與品質
- Superbase:統一的資料庫管理
- Railway:應用託管與部署平台
- Claude Code / Codeex agent:AI 編碼代理
- MCP server:打包 31 個 AI 工具的容器
- Victor:Slack 中的 AI 員工(可標籤、協作、取行動)
結論
AI 在企業的真正價值不在於初始系統的完美,而在於賦予團隊自主構建和持續改進的能力。
完整解析
Le Mley 是從 ChatGPT 推出就開始為企業構建 AI 系統的專家,過去一年已完成 5 次商業改造。這次的客戶 Isaac「sourcing guy」經營一個為品牌代製客製化商品(馬克杯、連帽衫、禮物等)的業務,已運營 10 年。核心問題是提案流程耗時且成本高。
Le Mley 的方法論首先不是全面改造,而是透過業務流程圖找到最大瓶頸。分析發現提案環節最具改善潛力:每月要製作 15-20 張產品圖,每張需 10 小時工作,相當於一個全職員工,成本為每張 $500-1000(訂製 3D 渲染),且 9 成提案最終沒有結果。建立一個自動化系統,不僅能加快速度、降低成本,還能提升品質——這就是所謂的「聖三角」。
系統的工作流程設計如下:當新客戶透過網站或 Slack 提出需求時,Appify 工具會自動讀取客戶網站並提取 logo、色彩和字體。系統從 Isaac 的商品目錄中推薦相關產品,經人工在 Slack 中確認後,AI 開始生成帶有客戶品牌標誌的商品圖片和 6 秒短影片。為確保每個 logo 都像素完美,部署了第二個 AI 進行檢查。最後生成一個私人網頁(託管於 Railway)供銷售人員寄給客戶。整個測試提案的 AI token 花費僅 $4.31,從提出需求到完成提案只需 24 小時,相比傳統的一週等待時間有巨大改善。
然而實際應用中暴露了多個挑戰。首先是資料品質問題:Isaac 有 1000 件商品,但僅有 50 件有定價、只有 43 件擁有系統所需的完整資訊(包括圖片、規格、價格),這意味著只有 4% 的數據可用。更糟的是,1600 張現有產品圖片中有 1000 張已經標有其他品牌的 logo,無法直接用於客戶提案。系統甚至一度誤抓 Costco 標誌而非客戶 logo,這促使他們添加了第二個 AI 驗證層。其次是成本失控:Isaac 的團隊首次自由使用系統,透過 Slack 與 Victor(AI 員工)進行對話,兩天內就消耗了 $100 的 token 額度,主要是因為他們頻繁要求生成影片,而影片生成的成本遠高於圖片。
為解決可持續性問題,Le Mley 改變了交付策略。不是交付一個固定的自訂軟體(經驗表明這類系統在專家離開後往往逐漸衰退),而是建立一個 AI 操作系統(AIOS),教導 Isaac 的團隊如何使用 Claude Code 等 AI 編碼代理來自主構建和維護系統。他們將提案系統打包成 MCP 伺服器(包含 31 個可重複使用的工具如「研究品牌」、「製作商品圖片」),部署到 Railway 上,然後透過 Slack 中的 AI 員工 Victor 與團隊互動。Victor 看起來像一個真人員工,可以被標籤、被邀請進對話、取得所有工具和資料的存取權限,代表團隊執行操作。
此後產生了意外的正向循環:Isaac 的團隊開始用 AI 操作系統自主構建小型應用程式,用以取代他們過去付費訂閱的軟體。系統月度運維成本為 $500 加上每張提案幾美元。Le Mley 在其他客戶身上也觀察到類似效果——一個名叫 Daniel 的客戶在學會使用 Codeex AI 代理後,他們的每員工營收翻倍。
最後,Le Mley 強調了一個微妙但關鍵的洞察:知道何時退出。在初始部署之後,不應該繼續干預去完善系統,而是放手讓理解任務的團隊持續迭代。Isaac 的設計師能比外部團隊更快地改進提案品質,因為他們真正了解客戶的期待。這正是 Le Mley 團隊的最高價值所在——搭好架構和工具、訓練團隊、然後退出,讓團隊發揮。


