先判断AI是工具还是能力
家居企业引入AI，第一步不是找技术公司开发，而是判断这个场景到底属于“通用工具”还是“企业能力”。凡是办公提效、内容生成、客服辅助、会议纪要、数据看板、流程提醒这类场景，本质上是多数企业都会用到的标准能力，优先购买成熟SaaS即可。人人都需要的AI能力，不值得从零自研。
自研真正适合的，是能沉淀企业独有数据、工艺规则、订单经验和组织方法的场景。比如企业长期积累的柜体结构规则、非标报价逻辑、板材利用率模型、拆单异常处理策略，这些数据越用越有壁垒。只有能形成差异化经营能力的AI场景，才有自研价值。
通用型SaaS优先，核心原因是成本结构更优
通用AI SaaS的优势不只是便宜，而是把模型训练、算力部署、功能迭代、安全维护都摊薄到了大量客户身上。家居企业直接购买，相当于用较低成本获得成熟产品能力，不需要承担底层技术风险。对于中小型定制工厂来说，这比一次性投入几十万元做定制开发更现实。
自研AI系统的成本不止开发费，还包括需求梳理、数据治理、接口联调、模型调优、人员培训、后续维护和版本升级。很多老板只看到了合同金额，没有算长期使用成本。AI项目真正的成本，往往发生在上线之后。
| 场景类型 | 推荐方式 | 核心原因 |
|---|---|---|
| 文案生成、图片处理、会议纪要 | 购买SaaS | 标准化程度高，替代成本低 |
| 客服话术辅助、知识库问答 | 优先SaaS | 行业差异有限，可快速落地 |
| 财务报表分析、经营看板 | SaaS+系统集成 | 数据结构相对通用 |
| 自动报价、智能拆单、排产优化 | 谨慎评估自研 | 依赖企业工艺、规则和历史数据 |
| 板材利用率、非标工艺决策 | 可考虑自研 | 能沉淀企业独有能力 |
不是所有报价和拆单都适合自研
全屋定制行业的报价、拆单、审单、排产，表面看都是AI可以介入的环节，但实际复杂度差异很大。如果企业基础数据不完整，工艺库不统一，物料编码混乱，前端设计标准不一致，自研AI系统很难真正跑起来。没有结构化数据，自研AI只会放大管理混乱。
很多失败项目不是模型不够先进，而是企业内部规则本身没有被标准化。设计师一套习惯，拆单员一套经验，车间又有一套执行方式，AI无法凭空理解这些隐性规则。此时更应该先用成熟SaaS解决协同、知识沉淀和流程规范，再考虑是否自研核心算法。
自研必须满足三个条件
家居企业判断一个AI场景是否值得自研，可以看三个硬条件。第一，企业是否拥有持续积累的数据，例如历史订单、错误拆单记录、补单原因、报价偏差、板材损耗、交付周期。第二，这些数据是否能转化为业务规则，而不是散落在员工经验里。
第三，这个场景是否能带来可量化的经营收益，例如降低拆单错误率、提升板材利用率、缩短报价周期、减少补单和返工。不能带来明确经营收益的自研AI，本质上是技术消费，不是经营投资。
- 有独有数据：企业多年订单、工艺、损耗、异常处理记录可被结构化。
- 有差异化规则：规则不是行业通用模板，而是企业自己的成本和交付能力。
- 有高频使用场景：每天、每周都被业务人员使用，而不是偶尔演示。
- 有可量化收益：能对应成本下降、效率提升、错误减少或交付缩短。
- 有内部负责人：业务部门能持续参与迭代，而不是完全外包给技术公司。
先买后建，降低试错风险
更稳妥的路径是先用SaaS跑通流程，再决定是否自研。企业可以先在设计协同、客户跟进、知识库、报表分析等低风险场景使用成熟工具，观察员工接受度和数据质量。这个阶段的重点不是追求“AI多先进”，而是验证AI能否进入真实业务流程。
当某个SaaS工具已经被高频使用，并且暴露出企业独特需求时，再评估自研或二次开发。比如通用报价工具无法覆盖企业特定五金组合、异形柜工艺、特殊封边标准，才说明这里可能存在自研空间。自研应该从真实业务痛点长出来，而不是从老板的技术焦虑开始。
AI投入要看沉淀，不看噱头
家居企业做AI投入，核心指标不是系统看起来多智能，而是能否沉淀数据资产和组织能力。如果一个工具换供应商后数据带不走、规则留不下、员工经验没有被结构化，那么这笔投入很难形成长期价值。买SaaS买的是成熟效率，自研买的是企业壁垒。
通用型SaaS解决的是“行业都缺的效率”，自研系统解决的是“只有你能积累的能力”。前者要追求快、稳、省，后者要追求深、准、可持续。家居企业在AI预算有限的情况下，优先顺序应当非常清晰：先采购成熟通用工具，再把自研资源集中到能沉淀独有数据和差异化能力的关键场景。