上周把那场培训工作完成之后，我整个人处于一种瘫软的状态里头。
并不是身体觉得累，而是脑子被掏空了的那种疲惫感。一家大型互联网公司，前中后台得以实现全面覆盖，从产品经理到运营再到销售和客服，每个部门都带着真实的业务场景来对AI究竟怎么落地进行询问探究。三天下来，我三年攒下来的那些经验，被他们一轮又一轮的问题全给逼出来了。
有个瞬间我就在心里琢磨，这活儿除了我之外还有谁能够接得住呢。
他们早就不是那种来对AI究竟是个什么进行学习了解的状态了。
两年前我给企业开展培训工作，学员问的还是AI能干些什么。这次不一样了，开场头一个小时，有个运营同学直接甩出一张架构图，说他们已经选用AISet搭建配置了一套自动审核流程，服务器自己进行配置的，域名自己进行绑定的，现在想问的是怎么把知识库调校得更加精准。
我当时整个人直接愣在那了。
后来聊多了才发觉，这种野生AI能力在他们公司已经扩散蔓延开了。产研部门不再是唯一的技术提供来源，业务端的人自己就能把大部分的工具链路搞定。Coze并且AI表格还有AISet，这些名字在他们嘴里蹦出来的时候，跟说Excel一样自然顺畅。
但有个事儿跟外面吹嘘的状况不太一样。
自媒体天天喊Agent要颠覆所有一切，真落到业务里头，大家用得趁手的反而是那些不起眼的工具。AI表格排在头一个，Coze跑跑杂活计，真正复杂的Agent反而在后排候着等待。原因很简单，表格那套逻辑业务人员本来就熟悉，上手成本几乎为零。Agent要调Prompt并且进行工具配置以及流程设定，光理解概念就得耗费半天时间。
真正好用的东西从来不会去进行炫技。
这次培训工作让我印象深刻的，是他们问的问题已经钻到核心业务里头去了。
不是怎么运用AI写周报这种浅层提效方式，而是怎么把我的业务经验蒸馏提取出来。一个做了八年的资深运营，手上有几百个案例的判断逻辑，她想问的是，这些东西怎么变成AI能够调用的知识库，同时怎么让新来的同事也能把她的判断标准运用上。
这才是AI落地真正的难点所在。
数据工程并且知识库设计还有评价标准，这些东西产研团队替不了业务人员。你让一个工程师去定义什么样的销售话术算好，他定义梳理不出来。业务人员得自己把标准梳理界定清楚，输入是什么，判断维度是什么，通过和不通过的边界在哪处，输出模板长得什么样。
要是没有这些东西，AI就只能是个聊天机器人，干不了真正的活计。
我给他们举出了一个具体的例子。
要是你要让AI点评一幅画，知识库不能只是一堆优秀作品图片。你得先把定义弄清楚，点评的结构是什么，先识别对象，用户画的是哪一幅、处在哪个学习阶段，再评价表现，构图并且色彩还有笔触各有什么问题，末了给出行动建议，对应的知识点以及练习方法。
这是三个知识域的路由组合方式，而不是让模型在一个大文档里自由进行发挥。
很多人对AI有个误解认知，觉得它能自己进行学会。真不是。AI能干好的前提，是你把判断逻辑拆解得足够细、足够清晰。它所做的是放大，而不是创造。你喂给它什么，它就放大什么。喂给的是模糊的判断，它就放大模糊。喂给的是清晰的逻辑，它就放大效率。
培训工作到第二天下午，有个组的方案让我直接给喊停了。
他们想做一个自动回复客户的系统，把所有常见问题都交给AI进行处理。我问了一个问题，要是AI回复错了，客户流失了，谁来承担责任。他们直接愣住了。
我说，你们得先把一件事情想清楚，自动化应该消除的是无价值的搬运，而不是有价值的人际接触交流。
客户主动发消息给你，本身就是一个建立关系的机会。你把它全自动处理了，业务人员根本不知道客户发生了什么事情，后续怎么进行跟进。有些公司上线了智能客服之后，客户满意度不升反降，原因就在于这儿。客户觉得你连个真人都不愿意派出来，那我也就没必要跟你深入聊。
后来我们制定了两个应对策略。
客户价值高并且错误成本高的场景，选用白名单模式，只有确认安全的问题才让AI直接回复，其余全部进行人工确认。人力成本优先的场景，才考虑选用黑名单模式，大多数问题自动回复，只拦截红线问题。
先跑一个品类，确认评价并且知识调用这套链路跑通了，再复制迁移到其他品类。不要一上来就想全流程自动化。见过太多公司一上来就想搞大而全的系统，结果每个场景都跑不通，末了连一个能用的都没有。
三天培训工作结束之后，他们问能不能增加课程。
我答应了，但心里其实在暗自琢磨，这帮人的问题太硬了。他们来对问题进行解决，而不是来学习概念的。每个问题背后都是真实的业务卡点，每个方案都得在他们的实际流程里头跑通。
这种培训工作比讲PPT累得多，但也更有意思得多。
现在很多公司对AI存在着两种不同的焦虑情绪。
一种是疯狂启动项目，每个业务单元都被要求搞点AI业务出来，过了几个月技术发生了变化或者业务本身就不成立，又给砍掉。另一种是凭借AI开展降本增效工作，把能自动化的全部自动化了，结果把一些隐形的业务关系也给搞没了。
AI真正的价值，并不是让你少雇佣几个人。
这家公司的学员问得多的，是怎么在不减人的前提之下，提高个性化服务的密度。AI帮他们进行处理的是那些重复性判断，释放出来的精力，用来做那些真正需要人去做的部分，理解客户并且建立关系同时处理复杂例外。
这才是AI落地真正该有的样子。
培训工作结束之后我回看这三天的内容，发觉一个有意思的点。
那些真正落地成功的AI项目，背后都有一个共同特征，业务人员把AI当作工具进行运用，而不是当作外挂运用。他们不是把AI扔给技术团队就不管了，而是自己下场对业务逻辑进行梳理，自己把输入输出的标准定义好，自己验证AI生成的结果对不对。
这种主动性，比任何技术选型都要来得重要。
技术团队的角色也在发生变化。以前是接需求做开发，现在是搭平台做支撑。业务团队想试一个新场景，技术团队提供工具链并且成熟的实践案例，剩下的让业务自己去跑。跑通了再开展工程化工作，跑不通就换方向。
这种模式的好处是试错成本低。一个业务场景从想法到验证，可能就一两周时间。不像以前，光需求评审并且技术选型就得折腾一个月时间。
但坏处也有，业务团队得具备那个能力去把自己究竟要什么定义清楚。
很多AI项目死在这上面。业务团队说我要一个智能客服系统，技术团队问你要什么样的，业务团队说能回答客户问题的。这种模糊的需求，做出来一定不是业务想要的。
你得把问题拆解开来，客户会问哪几类问题，每类问题的判断标准是什么，什么样的回答算合格，什么样的回答会引发投诉。这些东西业务团队如果不开展梳理工作，技术团队做出来的就是聊天机器人，而不是业务系统。
培训工作末了有个学员问我，AI会不会把他们的工作取代掉。
我说，AI取代的是那些你自己都不清楚逻辑的活儿。要是你的工作就是搬运信息，你也不知道为什么要这么搬，那确实会被取代。但要是你清楚每个判断背后的原因，知道为什么这个客户要这么回复那个问题要那么处理，AI反而会把你的价值放大。
它把那些重复性的判断帮你做了，让你有精力去对那些真正需要判断力的部分进行处理。
这才是AI落地真正该追求的目标。
