[见闻] AI项目中最累的活儿 [转]

0 序

关键词:

• AI智能体 / 数据清洗与数据治理 / ...

• 前两天约了一个做AI的朋友喝咖啡。他刚从一家大厂出来，开始自己做AI智能体定制项目。
• 原本只是想随便聊聊近况，结果一坐下，两个人不知不觉聊了将近两个小时，从大厂出来单干怎么接项目、怎么做公众号、哪里找客户、ToB和ToC到底该怎么选，一直聊到小龙虾乃至AI行业发展的未来趋势。无论需求大小，大部分时间都不是在搭框架、写提示词，而是理解他们的业务、拆解业务流程、规范数据结构、对接各种内外部系统，以及做大量的基础内容治理工作
• 但我后来回想这段聊天，印象最深的，是我们几乎每聊到一个项目，最后都脱不开下面这些事儿：

• 客户的知识库很乱，数据要花时间清洗，需求边界很难定，客户老觉得你做的只是表面那一层，真正花时间的地方却没人看见等等。

• 也就是说，表面上你是在给客户做智能体，实际上大半时间都在替企业补课。我觉得这才是今天企业AI落地最值得被写出来的地方。

• 现如今，外面讲AI的内容太多了，讲谁家新出的模型参数有多强、讲哪家的小龙虾有多火、讲哪个平台干起活儿来多自动化、还有哪个企业做了多漂亮的案例，其实这些都很容易讲，天天吹牛谁不会～但真正做过项目的人都知道，企业买进来的像是个新技术，但却会被逼着面对另一件事：它要认真开始做基建了。

1 很多项目，都是"看起来很AI"

• 他给我讲了一个之前做过的项目。

• 他们团队当时在做一个风控相关的系统，核心目标是通过各种数据线索，识别用户是否存在诈骗或者作弊行为，然后自动推荐对应的风控策略。

• 听起来其实挺"AI"的。需要把用户订单、投诉记录、风险预警、客服反馈这些数据汇总，分析后去推荐对应的风控策略。

• 他们内部已经有几万条策略，人工要从里面挑选最合适的几条，其实很耗时间。

• 做完这个系统之后，本来需要几天才能完成的策略制定，现在一天左右就可以做完。

• 从业务效果来看，其实是个挺典型的AI提效案例。

• 但他后来跟我说了一句很现实的话。这个项目真正花时间的地方，根本不在策略推荐。而是在做数据处理、数据线上化、知识清理和基建搭建。

• 因为数据来源是分散的，订单系统一套表结构，投诉系统一套表结构，客服系统又是另一套。每一套系统的数据格式都不一样。所以要把这些数据整理成一套能用的数据结构。

• 还有很多数据本身是杂乱的：字段不统一、数据缺失、记录重复、标注不清。如果这些问题不解决，后面任何模型或者规则都很难跑得准。所以团队大量时间都花在这些事情上。

• 等这些基础工作做完之后，后面的分析、策略推荐，反而没那么复杂。但问题是，这些工作在公司内部往往不太被认可。

• 因为老板看到的，是功能上线了、指标提升了。至于前面那些工作，很少有人会专门关注，做再多也未必有人觉得有价值。

• 这件事我太有感触了。因为不是风控项目才会这样。

• 比如有些企业一开始会觉得，知识问答智能体应该是最容易落地的，材料都在，公司制度也有，业务手册也有，只要把这些东西放进去，员工就能随时问、系统就能随时答。

• 听起来好像只是把模型接上知识库，技术上并不复杂。

• 可真正做进去之后才会发现，难点根本不是问答本身，而是企业内部那些材料从来没有被真正整理过。

• 哪些制度还有效、哪些版本已经更新了、哪些内容属于总部口径、哪些内容到了不同部门会有不同解释、哪些问题该回答到什么程度，背后都要重新梳理。

• 最后你会发现，所谓在做一个问答智能体，前面大量时间其实都花在知识筛选、结构整理、口径统一和边界确认上。系统能不能答好，往往不取决于【模型】和【向量化检索能力】，而取决于企业有没有先把自己知道的东西整理清楚。

• 还有一类项目我自己做得更多。表面上是给销售赋能，给门店做话术推荐，给员工做知识问答，或者把一个专家的经验做成一个智能体。客户听到这里的时候，往往会觉得，核心是你有没有一个好模型，有没有一个好用的产品界面。但真到了交付阶段，最费劲的从来不是那层展示。【真正费时间的】是把原来靠老员工口口相传、靠部门之间默契配合、靠一线经验临场应对的东西，一条一条拆出来，整理成结构，确定边界，统一说法，再固化进系统里。

• 也就是说，企业真正缺的，不是个AI外脑，而是一套被认真整理过、能被调用的【内部秩序】。只是过去没AI的时候，这种混乱还可以靠人的经验扛着走，所谓"越老越吃香"。现在一旦想交给系统，这些问题就全暴露了。

2 企业期望和实际落地的GAP

• 今天很多企业，对AI项目的期待和真实的项目工作之间，是有明显GAP的。
• 企业买项目的时候，最想看的是结果。最好是几周内能上线，最好是界面很完整，最好是员工一用就提效，最好是老板能直接看到一个可对外讲的成果。
• 这种期待本身也不奇怪，谁花钱都想买个立刻能见效的东西。但问题是，真正决定这个结果能不能稳定成立的，往往是前面那些极其不性感的工作：你有没有把知识整理清楚，有没有把业务流程拆明白，有没有把边界讲透，有没有把客户的预期提前管理住。
• 偏偏这些工作最不容易被看见。【数据清洗】看起来不像成果，【知识库治理】看起来不像创新，需求确认和反复沟通更不像什么高大上的AI能力。很多老板会天然把它们当成实施环节里的附属劳动，觉得这些东西本来就应该有，甚至觉得你做这些是在"拖延进度"。但很多项目之最后能不能成，往往就差在这些地方。
• 所以你会发现，能跑，不等于能用；能用一次，不等于能稳定交付；能做一个demo，不等于能变成企业里的长期能力。
• 这个落差，几乎是今天所有AI项目落地都会遇到的。

3 AI行业的另一种错觉

• 我们后来又聊到了写AI内容。
• 他说他出来之后，开始做公众号，写AI定制智能体项目相关的内容。有几篇文章阅读量还不错，也带来了一些客户咨询。
• 但他也发现一件挺有意思的事：很多AI文章里写的东西，和真实项目的工作结构是不一样的。
• 大多数AI自媒体博主讲的是：工具怎么用、提示词怎么写、Skill怎么搭。
• 这些内容很容易传播，因为它们看起来简单，而且马上就能试。
• 但如果真的去做企业项目，很快就会发现，无论需求大小，大部分时间都不是在搭框架、写提示词，而是理解他们的业务、拆解业务流程、规范数据结构、对接各种内外部系统，以及做大量的基础内容治理工作。
• 这些事情既不酷，也不容易讲成"干货"。所以在内容世界里，它们往往是被忽略的。但在真实项目里，它们反而是最核心的部分。

4 AI并没有把事情变复杂，只是把原来藏着的问题提前暴露了

• 很多人会觉得，是因为AI这件事太新、太复杂，所以项目才这么难。其实不完全是。
• 我越来越觉得，AI不是把事情变复杂了，而是把原来就存在的复杂性照亮了。
• 前两天我还发了条朋友圈，说要用好OpenClaw，必须强制激活自己的结构化思维，而很多人则是凭"直觉和经验"做事的，个人尚且如此，企业就更不用说了。

朋友圈:申悦

为什么人们装了OpenClaw之后反而觉得更累了？我觉得这是好事，因为他强制激活了人们的"系统化工作思维"，而用这种慢思考来想事情，本来就会很累，但这个过程会把原本靠经验完成的工作，变成需要拆任务、定规则、想流程的慢思考，所以短期一定更耗脑。
一旦把这些结构想清楚并沉淀下来，很多重复劳动就能交给系统，长期反而会更轻松～

TT@内卷日志
  安装前：星辰大海，AI数字游民，躺平数钱
  安装后：满头大汗，7x24运维，在线修虾

• 过去一家企业内部有很多问题，是可以靠经验、靠人情、靠资深员工的默契、靠部门之间默认的协作方式先运转起来的。流程说不清楚没关系，反正有人懂；知识材料版本乱一点没关系，反正老员工知道哪个是新的；职责边界模糊一点也没关系，反正真出事了总能找到人补位。
• 但AI不吃这套。你想让一个系统接住业务，前提就是你得先说清楚。什么场景用什么规则，什么问题查什么材料，什么答案谁来负责，哪个流程谁先谁后，什么属于范围内，什么属于范围外。这些东西过去可以模糊，现在不行。因为系统不会替你脑补，也不会替你在会议室里感受语气、揣摩意图、理解组织里的潜规则
• 所以很多企业会觉得，怎么一做AI，事情突然变这么多了？其实不是突然变多了，是原来那些没有被认真治理过的部分，终于没有地方再藏了。
• 你以为你买的是AI的智慧，最后却被迫去做一次组织体检。知识库一乱，系统就答不准；规则一模糊，Agent就容易跑偏；需求边界一不清楚，后面就会无休止地变更；客户教育没做好，验收时就一定会出问题.....
• 某种意义上，AI项目像一个放大器。它把企业以前凑合着能跑的地方，全部放到了台面上。也正因为如此，很多项目交付方都会觉得AI项目推进得很痛苦。痛苦不只是因为技术还没成熟，更是因为它要求企业第一次真正面对自己内部那些长期没有被整理过的东西。

5 如何替企业做这层业务的翻译官，变得越来越重要

• 如果顺着这层逻辑往下看，你会发现：未来真正稀缺的人，未必是最会讲模型、最会追热点、最会做演示的人，而是能把企业业务翻译成AI可执行结构的人。
• 这样的角色，也许是AI产品经理、提示词工程师、上下文工程师、前线部署工程师(FDE），Anyway~
• 这类岗位目前并不多见，通常是企业内部消化，由IT人员和我这样的AI咨询顾问承担，但他们的价值反而很硬。
• 你要理解业务在说什么，要知道哪些需求值得做、哪些只是老板一时兴起，要能把一线经验抽成规则，把零散知识变成体系，把一句模糊的诉求翻译成能交给研发的需求文档，把客户对AI的想象拉回到现实的交付边界内。这是脏活累活，但没有这层，AI很多时候就只是个很美好的"巴比伦"。
• 也是因为这个，我这两年做项目越来越强烈地感觉到，真正决定落地质量的，还是企业有没有人能把业务讲清楚，有没有人能把隐性的经验沉下来，有没有人能把项目边界守住，有没有人愿意去做那些不容易被看见、但决定成败的基础工作。
• 这也是为什么，我现在看很多所谓AI落地案例时，会更关心他前面到底做了多少整理工作，这些整理是谁做的，客户内部有没有人配合，知识和流程有没有被真正沉淀下来。这些东西不解决，后面所有效果都很脆弱。

6 致敬那些敢于落地AI的企业

• 这次聊天结束后，我突然意识到，今天这波企业做AI，刨除掉那些想用AI为借口裁员、给资本市场讲故事冲估值的理由外，可能不只在于它会给业务带来多少新产品、新功能，它更像是在逼着第一次认真整理自己。
• 整理自己的知识，整理自己的流程，整理自己的经验，整理组织里那些原来只存在于人脑和关系里的东西。这个过程并不好看，也不轻松，更不适合被拿来当作热闹的行业叙事。
• 但也许真正有价值的变化，本来就不会从最热闹的地方开始。从这个角度看，我反而觉得，这个行业开始往真实处走了。
• 一个行业如果只靠概念、流量和FOMO情绪往前推，它一定会很热，但也一定很虚。只有当越来越多的人开始意识到，企业AI的核心是交付能力、是组织吸收能力，这个行业才算真正进入下一阶段。
• 它不光是在把技术带进企业，也是在这个过程肯定很慢，也未必每家公司都能走下去。但至少，它让很多原来藏在水面下的问题，第一次浮了上来。
• 致敬那些敢于落地AI的企业和业务翻译官！

X 参考文献

• AI项目里最累的活，几乎没人愿意讲 - 小红书