AI 项目的 “真与假”：为什么聊了很多，却没优质项目？

我们做To B在AI这个时代很尴尬，大家都明确知道AI肯定是一个增长点，至少它是一个不跟上就真的会掉队的点，但是大家好像都不知道要如何跟着AI才能跨越周期，所以只能先投入着保证还在桌子上。

AI项目交流体现出来就是感兴趣的客户非常多，商机根本聊不完，但是做了几道筛选以后好像非常没有优质的项目，这些大概可以分为下面几类。

• 预算低，要求低：5%需求，能接受局限性，解决单点问题。比如“希望能在公司的工作流平台上建一个xx助手”。通常说“我知道不好搞，我没那么高要求”。
• 预算低，要求高：80%需求，不太理解局限性，希望解决系统性问题。比如“希望能用AI实现公司的无纸化”。通常说“现在不都上AI了吗，一套系统3-5万就够了吧。”
• 预算高，要求高：10%需求，不接受局限性，只关心系统性问题的处理结果。主要在细分、有业务沉淀的场景。比如“要求AI处理告警的准确率不低于95%”。通常说“你们再想想办法，现在还不能用”
• 预算高，要求低：5%需求，能接受局限性，亮点创新为主、增值服务较多，比如“需要一起申报一个省级创新成果”。通常说“还有个什么什么事情，你们得一起做一下”。

对，最后聊下来，大部分的需求要不是在许愿，要不预算拼多多要求京东，还有一部分其实并不关注是不是用AI，还是传统需求想看看现在能不能达到了。

我们想想客户肯定是没问题的，市场当然是这个逻辑“钱就在谁手上谁就是对的”，所以我们有理由怀疑自己，要回过头来反思自己的问题：什么是AI项目到底思考清楚没有？到底能提供什么样的价值？有什么优势让甲方交出自己的预算？

我其实是有点理解甲方们，他们也很尴尬，手里拿着预算肯定是要解决什么问题的，或者说他们得找到某些痛点问题的解决办法才好去申请预算的，但如果去找业务部门问，千篇一律的肯定都是知识库建设、业务风险监测、数据分析辅助、法律法规支持、合同风险筛查、业务标准比对、自动录单、AI客服优化这些需求，分类下来常见且能做的应用场景无非就这么几个。

1、降本增效驱动

基本上公司自建都是这个逻辑，采购1台DS一体机+dify部署服务+若干个工作流搭建服务+RAG知识库搭建服务。

• 一是日常工作辅助提效类，这一类主打流程重构，通过AI驱动的SOP实现业务流程的简化，当然大部分需求其实是自动化的需求，只是甲方们普遍觉得用AI实现起来可能成本只有原来的1/10，就类似在闲鱼上看到原来觉得性价比不高的东西现在只要1折了，这个ROI心动了，冲动想下单了，但是懂的都懂。
• 二是知识库类，这一类其实是之前云盘类项目需求的补充，在解决了文件归档、多人编辑的基础上，优化自然语言检索的体验，再加上对话逻辑，看起来就像客服那么回事了，但是RAG技术并没有吹的那么有效，最后还是不可避免的陷入数据治理，预算不够的基本就只能当玩具了。

2、价值创造驱动

原本做不了的事情，通过AI找到了新的价值创造的方向，特点就是不成熟，你说原来做不了确实是做不了，你说现在能做了好像也做的不怎么样。按照功能作用分三类：

• 一是服务增值类，比如AI行业文案编制（技战法、可研报告），核心逻辑是“反标准化”，针对行业特色、客户类型、领导要求、个人风格提供工作支撑，满足通过细粒度服务创造客户依赖度的增值需求。
• 二是决策支撑类，比如AI企业经营预测，根据历史及当前的业务数据、财务数据对比，AI智能学习并挖掘，分析历史数据，预测未来趋势，为公司提供决策支持。
• 三是异常检测类，比如AI业务逻辑漏洞检测，针对未鉴权、越权访问等传统规则无法检测的业务逻辑风险进行识别。

3、业务闭环驱动

复杂一点的项目，其实都是工程型项目，可能涉及集成、自动化、提效AI、价值AI，主要目标是完成系统性闭环，AI从工具变成“业务中枢”。

• 综合类：将规则、知识库、智能问答、风险分析、决策辅助、智能生成全部结合起来，解决系统性的场景问题，如AI巡检和AI自动化值守，都是需要先通过自动化逻辑采集所有设备信息，再通过规则逻辑分析告警数据，再是大模型进行综合风险研判，再是知识库入库和历史数据问答，最后生成巡检报告或者事件报告，形成一整套闭环。

其实这个框架基本上就是一个甲方去考虑新技术的应用，从“单点尝试”到“价值突破”再到“系统重构”的思路了。

比如我想做整体管理提效，我可能先做一个最简单的HR招聘助手来验证思路和获取认知，再考虑任务list管理助手、项目进度监管助手，再考虑把这些标准化的数据结合起来做一些分析、检测、决策，再考虑把单点验证过的助手系统结合起来变成一套管理分身方案并进行整体的流程迁移。

但是尴尬的点来了，甲方是没有地方去获取真实认知的呀，也没几个乙方做过什么正经的AI项目呀，行业里AI项目都不标准，所以市场信息差很大呀，需求稍微模糊一点什么报价都会出来。 最后就是乙方都吹自己都能干，用自媒体包装过的文案又包装了一个美好的解决方案，实际他们可能只知道能干，也讲不太清楚具体要干什么、怎么干，更不知道程度、成本。 甲方一边还在挠头呢，这些AI需求怎么都这么抽象，再去找乙方一聊一看，你们的东西咋都长一样呀，和我往网上搜的资料差不多呀，然后把价格的水分一挤，预算就定了，3-5万差不多了。

当然大部分甲方都是受限于没有优质的信息渠道来源，所以第二个尴尬的点又来了，很多甲方真的是纯聊天啊，我们一个人工智能方向的高级解决方案工程师，一个月聊了20几个客户，跑了几个省十几个地市，全白瞎，因为都是科普需求呢，虽然聊了才可能有成交机会，但也受不了只聊天不成交呀，然后老板拉了个会说“是我的决策失误，浪费了大量的真正机会”，得了，甲方们只能找同样挠着头只能聊聊天的乙方聊天了，最后费劲心力没了解到啥有用的东西，在汇报里敲下一行字“AI好像没啥用”，抬头想了想，又加了一句“乙方也都不专业”。

第三个尴尬点，很多公司数字化都没有做，就开始提需求说：“我自己想不清楚要怎么分析、怎么发展、怎么安排工作，我希望AI时代了，他能够帮我去做，不用我自己想清楚。”
这个本质上是抛弃过程谈结果，不想要过程的可解释性，只想要一个好的正确的结果，我们可能会笑他们异想天开，那是因为我们默认没有一家乙方公司会拥有某个场景下全套的、通用的、适用全行业的流程和方法论，所以不可能做出一套能指导甲方们开展业务工作的智能工具，但是万一真有企业把这类场景做出来呢？——反正现在没有

第四个尴尬点，AI项目是有局限性的，任何需求就算加上AI他还是一套系统，毕竟不是真的人，也是按照用户提供的需求去做的功能实现，他的特点是可覆盖的需求范围多，但是每个点都做的不怎么样，你要问能不能做肯定可以回答你都能做，你要是问能不能做好肯定会回答你有信心但是要加钱，如果你想马上要效果只能告诉你方法有点多得试，你想要超出基模的效果可能会告诉你加钱还不一定能做到。最后坦诚的被赶出去了，拎不清的留下来了，甲方们大喊“你最开始不是这么说的啊” 。

我们先要理解现在到底是一个什么时代，和上一个时代的区别在哪里，AI到底解决的是什么问题。

1、工具时代

规划（创新创造）主体是人，执行（技术生产）主体是人，流程（业务贯通）衔接是人，监督（监督管理）也是人。
人是绝对的主体，工具是锤子、枪，是人肢体的延伸，负责某方面工作的辅助。

2、机器时代

规划主体是人，生产的执行主体逐渐机器化，流水线型的流程衔接也渐渐以机器为主，监督（监督管理）主体还是人。

最开始，人负责衔接流程，机器负责流程中的某个节点完成，人干主要的，机器干一部分。
慢慢的，机器负责衔接流程和各个节点的完成，机器干主要的，人干一部分。
最后，机器负责所有生产工作的完成，人负责调试机器，此时生产工作可以做到完全无需人来参与，人和机器处于同等位置上，人没有优越性，生产经营者按成本做选择。
此时人的主要工作是通过自然语言传递信息和经验能力的积累。

3、数字化时代

规划主体还是人，生产的执行主体基本机器化，流程衔接也渐渐以软件系统为主，人管理机器和人。

人类创造了非常多的软件系统来一次次重塑流程和体验，目的都是更好、更快、再更好、再更快。
流程审核繁琐、重复、无聊？好，那就做一套流程软件，数据记录麻烦容易出错？好，那就做一套数据录入流转软件。
通过大规模、长时间的软件系统建设，软件系统基本可以完成所有流程的线上化，我们购物、付钱、娱乐，都只需要通过软件系统就能完成。
同时，流程设计、状态预测、决策判断、监督评价等原来只能人为完成的工作，只要人类能把规则抽象出来，都可以作为规则的形式交由系统进行判断，人类慢慢开始将部分管理工作也交给系统负责。

4、智能体时代

目前为什么说是进入智能体时代，而不是数字化时代里产生了一个新技术，因为思考的逻辑变了。

数字化解决不了2个问题，一个是人会偷懒，因为人的状态是变化的，流程、规范、要求执行过程中人往往会偷懒，不执行、不反馈或不监督，人的思考理解能力不够就会丢失信息，也可能为了掩盖错误故意让信息失真，这一点在自然语言处理上相对人反而会好一点，也不会偷懒。一个是创造力问题，软件是按逻辑设计执行的，它无法处理未编码的逻辑，所以它不能在预设规则之外设计一个特定需求的系统、创作一首主题风格的歌曲。

目前执行部分已经大部分可以交给机器了，包括技术生产和业务贯通，再慢慢的将自然语言和经验部分的知识型工作交由智能体执行，核心逻辑是能不让人干就不让人干，人类主要负责提出以绝对人类社会为主体的真实需求（AI其实是不知道要创造什么才是有用的，需要人类来定义），以及补充智能体局限性问题。

最开始，人会把AI当成专家，去询问一些知识性工作相关的问题，借助智能体的大参数推理能力提升思考和人&人交互效率。

主要解决部分人思考不够、和简单的自然语言交互的问题。

慢慢的，智能体变成管理中的重要卡点，人需要给智能体反馈知识型工作执行信息，智能体负责统计和分析，辅助进行工作过程进度同步和展示

主要解决部分人类在无法完全数字化工作的管理过程中对工作过程不重视、标准SOP理解不足导致工作结果不稳定的问题。

最后，智能体负责规划SOP和checklist流程，在过程中监督人类完成特定的知识型工作，并审查工作完成结果，推动过程标准化执行。

主要解决部分人类不执行、不反馈、故意信息失真等需要人类通过管理手段解决的问题。

未来可能真的不需要人类完成太多具体工作，人类只负责设定发展方向和价值观目标，并将数字社会与物理社会做结合。

所以，AI项目的核心在是否解决认知类问题，项目价值多少主要来自AI对人类认知工作的接管程度，AI项目聚焦于“预测、决策、理解、生成”等需要“智能”的任务；非AI项目聚焦于“采集、执行、记录、展示”等可通过固定规则完成的任务，混合类项目主要是区分AI是否是核心驱动。

当然在目前的情况下，AI还做不到完全替代人，AI项目本质还是一套系统，但是一定得是往这个方向在走。

所以要做好一个AI项目，一定得有非常有效的方法论应用，得有对应业务必需的有效配套数据（业务知识）沉淀，实际执行过程中还需要能对数据进行持续优化迭代的业务人员、和能对方法论进行深度理解和应用的管理人员。

AI项目配套的智能体不能解决业务配套数据沉淀的问题（当然乙方得考虑怎么帮甲方解决），也很难解决数据持续迭代优化的问题（当然可以甲方自己干，但都自己干了还要乙方干什么），项目的机会就在这里，如果有乙方能找到足够细分的场景，提供某个场景的方法论最佳实践，并将这个方法论变成可以将流程重构的智能体，让企业较为简便的进行深度应用，那一定是有市场的。

所以卖智能体不是卖技术，其实核心是卖SOP和Checklist，并把这套东西做成能嵌入流程中的东西，可能就是大家说的know-how，AI项目一定要把先进的流程嵌入进去，而不是单单把现有流程加一些AI元素进去。

AI项目得明确说明，原来的流程是怎么样的，现在优化的流程是怎么样的，流程里正常有哪些角色，AI替代了哪个或哪些角色，人机交互方式是怎样的，替代程度是怎样的（要不得成本更低、要不得效果更好、要不是原来做不了现在能做一部分）。

智能体时代的预算，本质是为认知能力迁移买单，AI项目要求当然要高一点，他作为一个跨越周期的新技术，应该是“以流程重塑为核心、以价值飞轮为目标”的。

AI项目落地中最核心的矛盾：技术侧需要长期基础建设才能启动飞轮，而业务侧渴望即时价值交付以降低使用门槛。这种矛盾的本质不是人不理解AI，而是人对工具的期待与AI技术的底层逻辑存在天然差异。关键是要让AI工具同时扮演即时价值提供者和基础建设催化剂的双重角色，在满足短期需求的同时，悄悄推动长期沉淀。

所以，AI项目开始的标志是梳理了一个典型业务流程并完成Demo验证，这一步的核心是先让AI在流程中跑通一个闭环，而非一开始追求大而全的技术架构。AI项目初步完成的标志是用AI的逻辑启动了业务飞轮，AI的价值不是一次性的效率提升，而是通过新流程带来的正向循环，持续产生价值。毕竟，AI的确定结果和可解释指导，依赖于它背后的“经验沉淀（数据化）和基础建设（流程 / 数据规范）。

• 建设初期，可以用少量预算制定轻量化工具，用“轻量化工具”提供“确定性指导”，降低门槛、提升认知、验证价值。
• 慢慢地，当用户习惯工具后，工具可以逐步提出轻微的规范要求，但用更好的结果作为交换，用工具的反馈机制倒逼基础设施建设，让用户愿意配合基础建设。
• 随着数据积累和用户行为规范，工具逐渐从规则驱动升级为AI驱动，此时长期基础建设已通过用户的日常使用自然完成，而用户获得的指导质量也持续提升。经验沉淀已转化为模型中的特征和数据（老员工的经验被数据化），基础建设已体现为自动化的数据采集、标签体系和流程规范（无需刻意维护），用户在直接获得高质量指导的同时，不知不觉推动了飞轮转动。

其实，AI 工具的终极价值是让人少走弯路，而非跳过必经之路。

用户希望跳过长期经验沉淀和基础建设，本质是希望少付出试错成本，而不是拒绝必要的积累。AI项目的落地智慧，就在于把必要的积累转化为用户在使用中自然完成的动作，把长期的基础建设拆解为每次使用的微小价值反馈。

初期提供拐杖式指导，解决有无问题，乙方必须具备解决细分场景问题的经验和能力，而不是卖通用方案；中期用解释性反馈建立信任，推动轻量规范，乙方必须具备数据治理的耐心，而非卖完产品就撤；长期用数据与流程的自动化沉淀替代人工经验积累，最终实现用户轻松获得优质结果，飞轮在后台自动转动，乙方必须接受小步快跑的多轮验证，而不是一次吃个饱。
这样一来，用户既没有被迫做长期基础建设的痛苦，又能在过程中持续获得价值，而AI项目的流程重塑和飞轮建设，也在这种润物细无声的协同中自然完成。

分辨不清楚AI项目，最主要的原因是大家都已经习惯了任何新技术出来，都是说要重塑流程，实际上只是名词变了，工作还是那些，有种炒冷饭的感觉，会天然觉得，这不就是那啥啥啥么，就会觉得没意思。

其实说的也没错，就像从算盘到计算器再到Excel，算对数字的目标从没变，但我们能达到的精度、效率、深度，以及能解决的问题难度变了，最主要的是承载“算对数字”目标的基础逻辑变了。

而在这个过程中的接口对接、业务梳理、流程优化、数据治理、自动化等等工作，都是AI项目要做的基础，是这道大菜的原材料，没有这些，巧妇也难为无米之炊。