[AI未來已來-4] 廠房重組 : 從接上了到用起來

我們用了三篇的篇幅，把AI落地為什麼這麼難這件事拆成了三層：電動機裝好了但傳動軸沒動（現象），規則是黏合劑拆一條牽一串（機制），恐懼、邊界、斷層三道人關都發生在現場（人）。

三層講完，問題收攏到一個點：廠房重組到底要重組什麼？

不是換工具。工具已經換了，API接上了，大模型買了。要重組的是分工邏輯、信任機制和控管方式。這三件事聽起來抽象，但它們在實踐中對應著三個具體的行動方向。

這聽起來最不像「行動方向」，更像是常識。但你如果在企業裡推過系統，就知道它是最難做到的那一條。

原因前面講過。老闆知道「我想要什麼結果」，一線員工知道「我每天哪裡卡住」。這兩種知識從來不在同一個房間裡。中間隔著好幾層組織架構，每一層都在做資訊的過濾和轉譯。等老闆的需求傳到一線，往往已經變了形。等一線的痛點傳到老闆那裡，往往已經被簡化成幾句話。

Datawhale發布的《FDE案例100》報告裡，有一個鞋服電商的案例把這件事講得很透。FDE進場之後，第一件事不是搭系統，是觀察員工每天到底在幹什麼。他發現員工每天花大量時間在一件看起來很瑣碎的事情上：生圖要寫很長的提示詞，生成完還有水印要處理。這些問題對員工來說很麻煩，但對工程師來說可能只是一個很小的工具調整就能解決。

報告裡有一句話點出了整個過程的本質：很多需求在會議室裡是問不出來的。要真正進到現場，看員工每天的時間到底花在哪裡，真正的痛點經常藏在這些細節裡。

我自己在推公司內部系統上線的時候，對這一點深有感觸。系統導入的共識會議上，有人說了一句話我一直記到現在：「如果要讓新系統發揮效益，不要一直拿舊模式套在新系統上，否則發揮不出效益，不如不要換。」

這句話表面上是講系統，實際上講的是人。舊模式是老闆腦子裡的戰略框架，新模式需要從一線員工的真實工作流裡長出來。兩者之間的翻譯和拼接，才是系統能不能活下來的關鍵。

所以廠房重組的第一步，不是畫一張新組織架構圖，是有人走進現場，看見真實的約束條件。不是老闆在會議室裡想清楚「AI應該怎麼用」，是有人蹲在工位旁邊，看見員工每天在搬什麼數據、卡在哪一步、浪費了多少時間在機器能做的事上。

FDE這個角色之所以突然爆發，不只是因為技術需要，更是因為組織需要。機器能做的事越來越多，但能替機器理解現實的人，反而越來越稀缺。

走進現場不是為了收集需求清單。是為了破冰。報告裡的FDE進場後先解決小問題，不是因為小問題容易解，是因為小問題能破冰。員工馬上就能感覺到，你來這裡是真的能幫他少幹一些重複工作的。信任建立了，系統才有可能真正進入工作方式。

破冰破的是什麼？是恐懼。是員工心裡那個「它會不會動我的位置」的問題。你用行動回答了這個問題：我來是幫你的，不是替你的。

上一篇講了，自動化的邊界不是技術畫的，是犯錯代價畫的。AI能做的不等於AI該做的。犯錯代價小的事交給機器，犯錯代價大的事留給人。

但這裡有一個更深的問題：邊界不是一次性畫定的。

AI的能力在快速變化。今天AI做不了的事，半年後可能就能做了。今天犯錯代價很大的事，半年後AI的準確率上來了，代價可能就降下來了。所以邊界需要持續校準。

怎麼校準？行業裡常用「80、95、99」來描述AI從原型走到正式使用的過程。這裡說的不是AI考了多少分，而是它能覆蓋多少真實業務情況。

80%是第一道坎。接上通用大模型，再給它一些產品資料和提示，覆蓋常見問題，不難。一個行銷工具能根據產品頁自動生成文案方向和基礎受眾分析，一個客服能回答「你們的營業時間是幾點」。80%的demo看起來已經很驚豔了，匯報時掌聲不斷。但demo不是產品。

95%是第二道坎。同一個問題，客戶有很多種問法。資料裡有行業術語，模型未必理解。知識庫裡可能還混著已經過時的規則。這道坎麻煩，但還能靠工程手段解決。加知識庫、加檢索、加產業常識注入。

99%是第三道坎。客戶的退款條件看上去符合，但帳戶信息對不上，怎麼辦？後台系統臨時沒有回應，怎麼辦？哪些操作必須人工審核？做錯了，怎樣發現和恢復？

關鍵在於：這三道坎的邊際成本不是線性上升的，是指數級跳升的。從80%到95%，你可能花一倍的力氣。從95%到99%，你可能要花十倍的力氣。最後那4個百分點，成本可能超過前面所有的總和。這是行業裡的經驗估計，但方向是確定的。

這就是為什麼那麼多AI項目停在試點階段。不是做不出來，是做不過99%那道坎。

回到我自己的CMO工具。80%這道坎已經輕鬆跨過了。丟一個產品頁網址進去，AI解讀完頁面後，自動填入品牌名、核心產品、賣點，然後生成報告。通用大模型加產品資料，覆蓋常見行銷問題，不難。

95%這道坎，才是真正開始燒腦的地方。行銷場景的95%是行業術語和品牌調性。「做這行的人都知道、但AI不一定知道」的常識。這道坎的核心不是AI的能力，是我的領域經驗。AI能幫我把報告寫出來，但「這個產業的常識是什麼」「品牌調性跑偏了沒有」，這些判斷只有做過這行的人才能做。

99%這道坎，在行銷場景裡是這樣的：成效廣告的預算超支了，系統要不要自動停損？ROAS看起來很好，但品牌心智在下降，當一個指標變成目標，它就不再是好指標。這道坎的核心不是AI能做什麼，是出了問題誰兜底。預算燒穿了誰負責？投放出錯誰修？

80%靠技術，95%靠經驗，99%靠組織決策。

畫清邊界的本質，是搞清楚你現在在哪道坎上，以及你打算花多大代價跨過下一道。不是所有場景都需要做到99%。有些場景做到80%就夠了，有些必須做到99%。這個判斷，技術給不了你，只有走進現場、看見犯錯代價的人才能做。

這是最容易被忽略的一條。大部分企業推動AI落地，做完了就做完了。項目結束，知識留在報告裡，經驗留在某個人的腦子裡。下一個項目從頭再來。

Palantir的故事能說明這件事。

Palantir曾經被華爾街嫌棄為「人力密集的諮詢公司」。你派工程師到客戶現場，客戶付錢，項目結束，一切歸零。下一個客戶從頭再來。人越養越多，利潤越來越薄。後來故事翻了，市值一度衝過三千億美金量級。

翻轉的關鍵是什麼？箭頭的方向。

傳統駐場工程師的模式，箭頭是從公司指向客戶的。你把人力送出去，換一次性的項目款。項目結束，知識留在客戶那裡，你兩手空空回來。這是放血。

Palantir的FDE模式，箭頭是從客戶指向公司的。你派人到現場，但真正帶回來的是客戶現場的知識。你把這些知識沉澱成產品，下一個客戶就能直接用。這是吸星大法。

翻譯成人話就是：傳統駐場做完一個客戶，你什麼都沒留下。FDE做完一個客戶，你的產品厚了一層。諮詢的皮，軟件的芯。

我把這個過程叫「雙向蒸餾」：廠商端把客戶的共性問題沉澱成產品功能，客戶端把員工的經驗整理成AI能用的知識規則。兩個方向的箭頭都指向同一個目標：讓知識不再是一次性的消耗品，而是可以複用的資產。

這裡有一個判斷框架：數據是內容，標準是容器。你做的每個客戶都是內容，會做完、會過期。但你從這些客戶身上蒸餾出來的判斷框架，什麼時候客製、什麼時候通用、邊界畫在哪，這才是你的容器。容器一旦成型，第10個客戶就不需要10個人月了。

雙向蒸餾的關鍵方法論是一條：區分「客戶特殊要求」和「行業共性問題」，只把後者做成通用功能。

回到我自己的CMO工具。300個功能模組的架構設計，裡面有跨渠道歸因分析、廣告素材視覺分析、虛擬消費者調研、宏觀數據整合。當我想把部分模組客製化給企業端使用時，正確的問法不是「要不要客製化」，而是：每個企業客戶的需求裡，哪些是這個客戶的特殊要求，哪些是行業的共性問題？

「這家公司的會員體系有特殊的積分規則」，特殊要求，客製化處理，不沉澱。

「成效廣告的預算超支需要報警」，共性問題，做成通用功能，下一個客戶直接用。

「品牌調性的把控方式因行業而異」，介於兩者之間，做成可配置的參數，不硬編碼。

分對了，你是在蒸餾。分錯了，你只是在加班。

這個區分的能力，是AI給不了你的。AI能幫你把通用功能寫出來，但「哪些該做成通用、哪些該留作客製」這個判斷，只有做過足夠多客戶、踩過足夠多坑的人才能做。

而更關鍵的是：每做一個客戶，你要記錄的不是程式碼，程式碼AI能重寫。你要記錄的是你做過的判斷。為什麼選了這個方案，為什麼排除了那個方向，這個客戶的什麼特徵讓你做了不同的選擇。這些判斷的軌跡，才是你真正的護城河。容器一旦成型，第10個客戶就不需要10個人月了。

三個行動方向說完了。走進現場、畫清邊界、蒸餾經驗。

走進現場只是起點。走進去之後，你要看見犯錯的代價，畫清人和AI的邊界。畫清邊界之後，你要把每次客製的判斷沉澱成通用的容器，讓第10個客戶少走彎路。這三件事做完，你才算從「接上了」走到了「用起來」。

回到這個系列的起點。電動機在19世紀80年代就進了工廠，但生產率等了40年才真正提升。現在你知道為什麼了。不是電動機不夠好，是規則咬合、人的恐懼、兩種知識的斷層，把那40年填滿了。

AI大概不會等40年。但「接上了」到「用起來」之間的組織距離，遠比大多數人想像的要長。因為這段距離不是技術距離，是組織距離。

下次你看到一家公司說「我們已經在用AI了」，你可以問一個問題：他們是在舊規則上插了一個新工具，還是重新設計了規則？