AI商业架构没搭好，别急着买工具
过去两年，企业买AI工具的热情很高。ChatGPT之后，几乎每个部门都在问：我们是不是也该上一个？市场部想用AI写文案，客服部想用AI回消息，技术部想搞个智能体。销售甚至直接自己买了账号，开始用。
这股热情背后，其实是一种怕错过的焦虑。同行都在说AI，投资人也在问你们用了没有，老板担心落后。于是先买了再说，买了再慢慢想怎么用。结果往往是用不起来。
但过一阵子回头看，很多工具变成了摆设。账号开通了，接口接了一半，员工用了一周就不用了。问题不是AI不够聪明，是企业在买之前没想清楚：这个AI到底要替谁解决什么问题。
我们把它叫做AI商业架构。不是技术架构，也不是产品选型，而是先回答：业务里哪件事适合AI做，做了之后谁受益，怎么衡量效果。这三个问题答不清楚，后面很容易走偏。
这篇文章不讲具体工具怎么搭，只讲三件事。把这三件事想明白了，选型、部署、推广都会顺很多。
第一件事：AI要解决的是业务问题，不是技术问题
很多企业上来就问：现在最好的大模型是哪个？应该买豆包（字节跳动）还是通义（阿里巴巴），还是直接上Claude 3.5（Anthropic）？这个问题本身就有问题。
选模型是第六步，不是第一步。第一步应该是：我们公司现在最耗人力的环节是什么？哪个流程重复、规则明确、出错成本高？比如电商退货审核、合同条款比对、客户投诉分级、发票信息录入。这些才是AI能干好的活。
反过来，如果一个问题连人内部都争论不休，AI也帮不上忙。比如品牌定位、定价策略、要不要进入新市场、明年预算怎么分配，这些决策需要判断和经验，不是给AI喂点数据就能出来的。
还有一类情况更常见：问题本身不难，但边界不清楚。你说让AI"提升客户体验"，它根本不知道从哪下手。改成"把客服响应时间从平均45分钟降到10分钟以内"，这才是一个AI能接住的任务。
判断业务问题有一个简单标准：这件事如果现在用人工做，能不能列出明确的输入、步骤和输出？如果可以，AI大概率能帮上忙。如果每次做都不一样，靠经验靠感觉，那AI暂时只能做辅助。
所以先别急着比模型参数。把业务问题写清楚，比选什么工具重要十倍。
第二件事：数据和工作流能不能接得住
AI不是神仙，它吃的是数据。很多企业想做客服智能体，一问才发现：历史聊天记录散落在三个系统里，产品手册有八个版本，退货规则每个月都在变。训练出来的AI，客服不敢用，因为不知道它哪句是对的。
数据不干净，AI再聪明也会胡说。这还不是最麻烦的。更麻烦的是工作流接不上。AI给出了建议，但下游没人执行；AI识别了风险，但审批流程还是走老系统；AI生成了内容，但发布还要人工复制粘贴。
还有一种情况很常见：数据有，但格式不统一。同一个客户，在CRM里叫"张三"，在订单系统里叫"张先生"，在客服系统里叫"13800138000"。AI分不清这是一个人还是三个人。数据打通不是技术问题，是标准和责任问题。
一个能落地的AI项目，通常要先做三件事：把相关数据整理到一个地方，把决策标准和权限定清楚，把AI输出和人类工作的交接点标出来。这三件事不性感，但缺一个，项目就会卡壳。
我们见过一个案例。一家零售企业想做库存预测AI，数据倒是全，但采购部门和门店之间没有统一的数据口径。AI预测出来了，采购不信，门店不用。三个月后项目停了。不是算法不好，是两边对"畅销"的定义都不一样。
所以上AI之前，先看看你的数据能不能喂给它，工作流上有没有地方让它插进去。这两块没准备好，再先进的模型也跑不动。
第三件事：人和组织能不能跟上
AI项目失败，最常见的原因不是技术，是人不想用。员工担心被替代，主管担心失控，IT部门担心背锅。大家都不说，但心里都在算一笔账：这个工具到底是在帮我，还是在淘汰我？
很多公司把AI当成一个工具部署下去，要求大家用，但没说清楚：用了之后，岗位职责怎么变？绩效怎么算？出错谁负责？数据隐私怎么保护？这些问题不回答，员工只会表面配合，实际上绕开它。
比较顺的项目，通常有一个共同特点：先把一个小团队拉进来做试点，让这个团队看到AI确实帮他们省了时间，再把经验复制出去。而不是从全公司推。一次试点成功，比发一百封通知有用。
培训也很重要。不是培训怎么用按钮，而是培训什么时候该信AI，什么时候该自己判断。很多人要么完全不信，要么完全照抄，两种都危险。
组织适应的速度，往往比技术部署慢两倍。这一步不能省。很多时候，买AI只需要几天，让人接受它要几个月。
智能体和普通AI工具，不是一回事
现在聊AI，很多人会混用两个词：AI工具和智能体（Agent）。其实差别很大。
AI工具更像一个高级搜索或者高级编辑器。你问它答，你让它改它就改。它不会主动做事。智能体不一样，它能自己调用工具、完成任务。比如一个销售智能体，可以自动查客户资料、写跟进邮件、更新CRM、预约下次沟通时间。
智能体有用，但不是所有场景都需要。如果只是偶尔写个文案，普通AI工具就够了。如果某个岗位每天重复做七八个步骤，而且步骤之间要跳转不同系统，才值得考虑智能体。
判断标准是：这件事有没有人愿意一直盯着它做完。如果有，就先做成智能体；如果没有，可能连普通AI工具都不需要。
智能体的另一个特点是它会积累上下文。一个销售智能体跟踪客户三个月，它记得每次沟通内容。这个连续性是人很难复制的，但也是出错后最难追溯的。所以日志和回放机制必须提前设计。
还有个容易忽略的点：智能体出错后的成本更高。因为它会连续执行多个动作，一个判断错了，后面可能错一串。所以做智能体之前，必须先把每个动作的人工复核点设计好。
AI是工具，架构是前提
说到底，AI不会自己产生价值。价值来自AI嵌入业务的方式。而这个方式，就是AI商业架构要回答的问题。
企业不需要追每一个新模型。需要的是先把业务问题、数据工作流、组织配合这三件事想清楚。想清楚了，选什么工具反而是小事。选错了可以换，方向错了再换就难了。
当然，这三件事想清楚不容易。很多公司不是不懂，是没时间和精力把它拆细。如果接下来你也在考虑上AI项目，不妨先拿一张纸，把要解决的问题、手头的数据、会受影响的人列出来。写完这张纸，比开十个选型会有用。
我们不是说不该用AI。该用。但用之前，先把架构搭好。
