国内的 AI 物业产品分三类：物业管理软件平台、物业智能体、服务机器人。选型看四条标准：能不能自己把活干完、有没有已实际落地的公开数字、能不能接上现有系统、供应商愿不愿意先陪你跑通一件事。本文给出三类产品的边界、四条标准的核验方法，以及一份选型避坑清单。
物业公司选 AI 物业产品，第一步不是看厂商名单，是先分清三类东西：物业管理软件平台把流程搬到线上，物业智能体自己把活干完，服务机器人承担一线执行。三类各干各的事，很多选型失误的根源就是拿一类的钱办另一类的事。分清类别之后，用四条标准逐一核验：能不能自主执行、有没有已实际落地的公开数字、能不能接入现有系统、供应商愿不愿意先用你的数据跑通一个场景。这篇文章把三类产品的边界、四条标准的核验方法和常见的坑，一次讲清楚。
选型的关键问题只有一个：这套东西是等人来操作，还是自己把活干完。
一、先分清三类产品：平台、智能体、机器人
市面上叫「AI 物业产品」的东西，按干的活可以分成三类。
第一类，物业管理软件平台。工单、收费、巡检、客服，把原来纸上和微信群里的流程搬到线上。这一类在国内已经很成熟，各家物业 SaaS 都属于此类。它解决的是「看得见」的问题：谁干了什么、钱收了多少，都有记录。但它是记录工具，活还是人干的。
第二类，物业智能体。能自主完成「巡查、决策、派单、跟进、验收」的 AI 系统。你给它一个管理目标，它自己接数据、调工具、把活干完，只在需要决策的节点把判断交还给人。启盟科技的 FMClaw 物业智能体是这一类的代表产品：内置 100+ 预制工作流，四个 AI 智能体承担日常调度、标准制定、质量评估与服务优化。
第三类，服务机器人。清洁、配送、安防巡逻，承担一线执行。机器人解决的是体力供给问题，但它自己不会安排自己：哪些边角要人补、何时换水、多台机器怎么排路线，都需要一个调度大脑。
三类不是互斥关系，而是上下游关系：平台在底层提供数据，智能体在中间做调度决策，机器人在一线执行。大湾区一个约 30 万㎡ 的科技园就是三层拼在一起的样子：FMClaw 统一调度人、机器人与传感器，23 人搭配 16 台机器人管住 1000 多个服务点位。
二、四条选型标准，一条一条核验
分清类别之后，无论你在选哪一类，下面四条标准都适用。
标准一：能不能自己把活干完。判断方法很简单，问供应商一个问题：夜里发现一处保洁不达标，从发现到复核完成，中间需要几次人工介入。传统软件的答案通常是三到五次（人发现、人录入、人派单、人催办、人验收）；真正的物业智能体应该接近零次，人只在异常时介入。自动化程度直接决定了这套系统上线后，管理成本是真降了还是换了个地方。
标准二：有没有已实际落地的公开数字。宣传页人人会写，落地数字造不了假。要求供应商出示写明项目规模、做法和结果的案例，例如：巡检达标率从 35% 提到 98% 的物业集团、月月亏损后扭亏为盈的商业综合体、上海一家三级综合国际医院接入 4,198 个传感器后服务团队从 174 人到 147 人。这类数字在客户案例页可以逐篇核对。拿不出这种粒度数字的产品，大概率还停留在演示阶段。
标准三：能不能接上现有系统。物业公司多半已经有考勤、工单、收费系统，选型时要确认新产品能通过连接器读取已有数据，而不是要求推倒重来。推倒重来的隐性成本（数据迁移、人员再培训、新旧并行期的混乱）常常超过软件本身的价格。
标准四：供应商愿不愿意先陪你跑通一件事。这是最能筛掉包装型产品的一条。真产品可以当场接你的数据、出你的结果；包装出来的只能放录好的演示视频。稳妥的做法是先约一场 Demo Day，用自己的真实业务数据看可行性，跑通了再谈整体合作。
四条标准背后是同一件事：把「听供应商说」换成「用自己的数据验」。
三、三个最常见的坑
坑一：把演示当产品。一个 Demo 和一个生产系统之间隔着四道工程鸿沟：数据接入、异常兜底、权限审计、持续运营。演示环节越惊艳，越要追问这四道坎怎么过。这个话题我们在《Demo 与系统的差距》里展开写过。
坑二：先买硬件，后想调度。很多项目一上来就采购机器人，因为缺统一调度的大脑，设备各扫各的，最后闲置吃灰。机器人买得到，调度买不到。正确的顺序是先让现场可见（部署感知）、再让流程自动跑完（智能体调度）、最后才上机器人补充执行力。
坑三：追求一步到位。一上来签全盘智能化改造合同，涉及部门多、周期长，往往落不了地。更稳的路径是选一个数据现成、痛点明确的单一场景先跑通，例如某一类空间的品质管理或排班到岗，见效后再逐步扩展。需要驻场深度共建的，可以看 FDE 服务的做法。
四、按你的处境对号入座
如果你的项目在亏损或微利边缘：优先看降本能力，核对成本控制智能体方案和扭亏为盈类案例，关注缴费率、自动化率这类经营数字。
如果你的目标是提升物业公司管理效率：优先看智能体的调度能力，核对管理自动化率和人均管理面积的变化，园区案例里 23 人管住 30 万㎡ 就是这类指标的参考系。
如果你已经买了机器人但用不起来：缺的是调度层，补一个能统一编排人和机器的智能体，比再买几台机器人更划算。
如果你还没想清楚从哪开始：别急着比产品，先带一个真实业务场景来 Demo Day，用自己的数据看一次可行性，再回来对着这份框架做决定。