企业的历史文档格式都不统一，能直接做成软件系统吗？

可以。客户只需要说明这类文档在业务里怎么用，再提供一批历史样本，AI 会自动分析样本、归纳出共同的结构和规律，据此在系统里实现规范化的功能。不需要客户先整理出一份完整的模板规范。

第一版做出来和实际业务有出入怎么办？

这正是「先做后改」的设计初衷。客户在使用中发现需要调整的细节，直接告诉我们的运维人员，运维人员把需求交给 AI 修改，修改成本很低，通常很快就能更新上线。

适合业务文档多、格式大体一致但细节各异、过去靠表格和模板手工维护的传统企业，比如制造、贸易、工程服务等行业。

很多传统企业的数字化，卡在一个看起来不起眼的问题上：文档不标准。

这篇文章复盘我们为一家阀门工厂做的第一期项目，讲讲 AI 是如何改变「非标数据上云」这件事的做法的。

这家阀门工厂的日常业务里，有大量需要反复制作的文档：

过去，这些文档都保存成多套 Word / Excel 模板。员工每次找一个相近的旧文件，复制一份，手动改内容。时间一长，模板越来越多，版本越来越乱，同一类文档在不同员工手里长得都不太一样。数据也散落在一个个文件里，想统计、想追溯都很难。

客户的诉求很明确：把这些文档搬进软件系统，变成规范、统一、可以查询统计的数据。

按照传统的软件开发流程，第一步是把需求彻底搞清楚再开工：每一类文档有哪些字段、字段之间什么关系、哪些情况下格式会变化——全部梳理成一份标准的模板规范，双方确认定稿，然后开发。

问题在于，这一步对双方都非常困难。

对客户来说，过去的文档本来就是非标的——大体一致，细节各有差异。要一家不是互联网行业的企业，整理出一份符合软件开发标准的模板规范，几乎是不可能完成的任务。客户往往说不清楚，也没有精力去说清楚。

对开发方来说，投入人力去逐份翻阅历史文档、归纳差异、和客户反复确认，同样耗时耗力。而且即使花了大力气定稿，真正用起来之后，往往还会发现遗漏和偏差——这时候再改，成本又很高。

结果就是：前期梳理拖得很久，客户压力很大，项目迟迟落不了地。

这个项目里，我们换了一种做法。

客户只需要做两件事：

剩下的交给 AI： AI 自动分析这些历史样本，找出它们共同的结构和规律——哪些是每份都有的核心字段，哪些是特定情况下才出现的内容，不同写法背后其实是同一个意思。在此基础上，我们用 cowork 在软件系统里实现了规范化的报价单功能，快速交付了第一版。

维修报告、送货单也是同样的流程。客户不需要先产出任何规范文档，就拿到了一个能用起来的系统。

第一版不可能百分之百贴合所有细节，我们也不追求这一点。

系统投入使用后，客户在越来越多的业务场景里用起来，自然会发现一些需要调整的小地方：某个字段要换个位置，某种特殊型号要多一栏说明，某个打印格式要和老习惯保持一致。

这些需求，客户直接告诉我们的运维人员，运维人员把需求交给 AI 去修改，很快就能更新上线。因为开发成本已经降得很低，每一次调整的成本也非常低。

这个项目最大的收获，不是某项具体技术，而是工作方式的转变：用「先做后改」取代了「先定稿再做，做完可能还要高成本返工」。

对客户来说，门槛大大降低——不需要先变成软件专家，只要讲清楚自己的业务；对我们来说，研发成本大幅下降，可以更快地交付客户真正能用的东西；对项目来说，系统更快地进入了客户的日常业务，在真实使用中不断变得更贴合。

很多传统企业不是不想数字化，而是被「先把需求说清楚」这道门槛挡在了外面。AI 正在把这道门槛拆掉。