这是一份可复用的实践方法复盘，不对应具体代理商或制造商。适合产品系列多、参数复杂、销售与技术支持协同频繁，且新人面对询盘时不知道“还要问什么”的机械设备团队。
起点：客户问型号，真正缺的是工况
机械询盘常只有一句“需要一台每小时处理5吨的设备，请报价”。产能并不足以完成选型，物料性质、粒径、含水率、连续运行时间、场地、电源、防护、上下游接口、当地标准和验收要求都可能改变结果。
传统流程中，资深销售靠经验补问，新人容易漏项；销售把不完整需求转给技术，技术退回后再次沟通；找到合适型号后，又要翻手册、案例和邮件。项目目标应是提高需求完整度和协同速度，而不是让AI替工程师“拍型号”。
试点前的基线
选一个产品线，抽取50—100条历史商机，记录：
- 收到询盘至首轮有效回复的中位时间；
- 首轮补问覆盖必要字段的比例；
- 因信息不足被技术退回的次数；
- 从询盘到候选方案的工作日；
- 错引参数、版本或案例的次数；
- 报价后有效跟进率；
- 销售与技术在单个商机上的净处理时长。
将询盘按标准品、需配置、需非标设计分层，不能用简单备件询盘与复杂产线项目直接比较。
五步实践链路
1. 建立选型要素表
由产品经理、资深销售和技术共同定义字段。通用部分可包括行业、物料、来料/成品规格、目标产能、精度、温湿度、粉尘或防爆、运行班次、安装空间、接口、公用工程、标准认证、预算与计划时间；各产品线再添加专用字段。
字段分为“必须、建议、条件触发”。没有提供的内容明确标记，不允许模型根据地区或行业猜测。
2. 从询盘提取并生成补问
AI把邮件、附件和会议记录整理到要素表，保留原文位置，并按优先级生成补问。首轮不宜一次抛出几十个问题，可先询问决定路线的关键条件，再逐步细化。
例如物料含粉尘且客户提到危险区域，系统应触发防爆与安全条件，直接标记技术介入，而不是继续生成普通型号推荐。
3. 只从受控资料检索
产品手册、选型表、停产通知、认证和案例都要有版本、适用地区、生效日期与维护人。AI回答参数时必须显示来源；资料冲突时列出冲突并转人工，不能自行选择“看起来更新”的数字。
历史案例只能说明相似条件下的实践，不能直接证明客户现场必然达到同样产能。案例中的客户身份和商业敏感信息需脱敏。
4. 生成候选方案草稿
在必要条件足够时，AI可以输出需求摘要、候选系列、满足项、未确认项、风险和下一步资料清单。最终型号、配置和适配性由销售与技术确认。若需要试料、现场勘察或计算，应明确写入前提。
报价、交期、质保、能耗和性能承诺从相应业务系统或正式文件读取，不由语言模型生成。
5. 跟进与交接标准化
方案发出后，AI根据商机阶段起草跟进：确认客户是否收到、补充技术资料、安排测试或澄清商务条件。客户反馈被结构化回要素表，减少邮件内容丢失。进入技术评审时，交接包应包含原始需求、已确认条件、未决项、候选方案依据和沟通记录。
一个简化示例
客户询问包装设备并要求高速运行。AI提取到包装尺寸与目标速度，却发现材料厚度、来料方式、封口要求和车间空间缺失。它先生成补问，并从有效手册检索候选系列，但不直接承诺速度。客户补充材料后，技术确认需做样品测试，方案草稿明确“速度取决于材料稳定性，以测试结果为准”。
这类输出看起来没有“一键选型”炫目，却减少了过早承诺和技术返工，更符合复杂销售实际。
4—8周试点
第1—2周整理字段、资料和测试集；第3周仅做要素提取；第4周加入补问草稿；第5—6周开放带引用的候选方案；第7—8周加入跟进与交接。每周由技术抽检，错误按“提取、资料、推理、版本、人员操作”分类。
可核对的前后对比
- 首轮有效回复中位时间：→；
- 必填选型要素完整率：%→%；
- 技术因信息不足退回率：%→%；
- 候选方案准备周期：___天→___天；
- 参数或版本引用差错：每百份___→___；
- 方案一次通过率：%→%；
- 单商机销售与技术净时长：→；
- 报价后有效跟进率：%→%。
效率改善必须与参数差错、技术退回和客户投诉一起看。若回复更快但技术返工增加，说明只把工作提前了，并没有真正提效。
常见失败
一是把产品目录上传后就让AI自由推荐，缺少字段和版本治理。二是把相似案例当成性能保证。三是销售为了追求速度跳过技术确认。四是只优化邮件写作，没有改善技术交接。五是旧型号和新手册同时存在，检索结果互相冲突。六是用生成的流畅解释掩盖未确认条件。
红线
- AI不得猜测型号、参数、适配性、产能、能耗和安全等级；
- 价格、交期、质保与性能承诺由授权人员确认；
- 涉及防爆、安全、法规、非标设计和现场条件时必须技术介入；
- 关键结论需显示有效来源和版本，冲突资料不得自动裁决；
- 客户图纸、工艺和商业信息按授权、脱敏与最小权限处理；
- 自动跟进不得无视退订、拒绝或争议状态。
小结
机械销售AI最适合做“需求读全、资料找准、交接写清”，而不是替技术人员完成最终选型。用要素表约束输入，用受控资料约束事实，用人工确认守住参数和承诺，再以完整率、退回率和方案周期验证价值。相关销售工作流可参考 企业AI解决方案；如需结合产品线设计试点，可通过 关于我们 沟通。
常见问题
参数错误如何避免？
参数只从有效手册或产品主数据读取，答案展示来源与版本；AI不得补全缺失数值，最终由技术人员确认。
AI能否直接推荐型号？
可生成候选清单和缺失条件，但在工况未确认或存在安全影响时，不能给出最终选型结论。
先从哪个环节试点？
先做询盘要素提取和补问草稿，稳定后再扩展到资料检索、方案摘要和跟进提醒。