這兩年替企業做AI項目，表面上是在給客戶做 AI Agent，實際上大半時間都在替企業補課。我覺得這才是企業AI落地最值得被寫出來的地方。
名廚到了，才發現廚房沒通煤氣
外界對企業AI項目的想像，大抵是這樣的：一群聰明人圍在白板前討論策略，模型在後台飛速運轉，最後系統給出完美答案，皆大歡喜。現實完全不是這麼回事。項目真正花時間的地方，根本不在AI技術本身，而是在做數據處理、數據線上化、知識清理和基建搭建。現實中數據來源是往往是分散的，格式是混亂的，口徑是矛盾的。這些問題不解決，後面任何模型都無法給出令人滿意的結果。
這就好比請了一位名廚到家裏做飯，結果他到了才發現廚房沒通煤氣，雪櫃裏的食材過了期，調味料分裝在十幾個沒有標籤的瓶子裏，而菜譜還是三年前寫的，中間改過幾次，沒人記得哪個版本是最新的。這種情況下，名廚的手藝再好，也得先收拾廚房。
有些企業一開始會覺得，知識問答 AI 應該是最容易落地的，只是把模型接上知識庫，技術上並不複雜。可真正動手之後才發現，難點不是問答本身，而是資料從來沒有被真正整理過。哪些制度還有效？哪些版本已經更新了？哪些內容屬於總部口徑？哪些到了不同部門會有不同解釋？哪些問題該回答到什麼程度？背後統統要重新梳理。
項目真正費時間的，是把原來靠老員工口口相傳、靠部門之間默契配合、靠一線經驗臨場應對的東西，一條一條拆出來，整理成結構，確定邊界，統一說法，再固化進系統裏。這個過程，與其說是技術工程，不如說更像組織考古。我得一層一層往下挖，挖出那些埋在日常運作底下、從未被文字記錄過的隱性規則。而這些知識的擁有者，往往是幾位資深員工。他們自己都未必意識到，自己每天做的判斷裏，藏着多少年積累下來的、無法言傳的門道。
企業需要的，不只是一個AI外腦，而是一套被認真整理過、能被調用的知識庫。只是過去沒有AI的時候，這種混亂還可以靠人的經驗扛着走。現在一旦想交給系統，這些問題就全暴露了。
系統不會替你腦補
過去一家企業內部有很多問題，是可以靠經驗、靠人情、靠資深員工的默契、靠部門之間默認的協作方式先運轉起來的。流程說不清楚沒關係，老員工懂。文檔版本亂一點沒關係，老員工知道哪個是新的。職責邊界模糊一點也沒關係，出事了總能找到人補位。
AI不吃這套。
你想讓一個系統接住業務，前提是你得先說清楚：什麼場景用什麼規則，什麼問題查什麼材料，什麼答案誰來負責，哪個流程誰先誰後，什麼屬於範圍內，什麼屬於範圍外。這些東西過去可以模糊，現在不行。因為系統不會替你腦補，也不會替你在會議室裏感受語氣、揣摩意圖、理解組織裏的潛規則。要用好Agent，必須強制激活結構化思維，而很多人，是依賴直覺和經驗做事的。AI轉型的隱性條件，是要求不少靠模糊共識運轉了多年的組織，把自己的運作方式講清楚。這件事的難度及重要性，比技術層面的事情更高。
最不性感的工作，決定最後的成敗
真正決定一個AI項目結果能不能成功的，往往是前面那些極其不性感的工作：有沒有把知識整理清楚，有沒有把業務流程拆明白，有沒有定好邊界，有沒有把客戶的預期提前管理住。
偏偏這些工作最不容易被看見。數據清洗看起來不像成果，知識庫治理看起來不像創新，需求確認和反覆溝通更不像什麼高大上的AI能力。很多客戶會天然把它們當成實施環節裏的附屬勞動，覺得這些東西本來就應該有，甚至覺得做這些是在拖延進度。但很多項目最後能不能成，往往就差在這些地方。
真的去做企業項目，很快就會發現，無論需求大小，大部分時間都不是在搭框架、寫提示詞，而是理解客戶的業務、拆解業務流程、規範數據結構、對接各種內外部系統，以及做大量的基礎內容治理工作。在媒體的敘事裏，它們往往被忽略。但在真實項目裏，它們是最核心的部分。
如果順着這層邏輯往下看，會發現AI轉型期最稀缺的人力，是能把企業業務翻譯成AI可執行結構的人。這些人要理解業務，要知道哪些需求值得做、哪些只是老闆一時興起，能把一線經驗總結成邏輯，把零散知識變成體系，把一句模糊的訴求翻譯成能交給AI的嚴謹文檔。這是髒活累活。但沒有這些基礎，AI很多時候就只是一個很美好的巴比倫塔，野心直指天際，地基卻建在沙上。
我現在看很多所謂AI落地案例時，已經不太看最後那個演示畫面了。我會更關心他前面到底做了多少整理工作，這些功夫是誰做的，客戶內部有沒有人配合，知識和流程有沒有被真正沉澱下來。這些東西不解決，後面所有效果都很脆弱。就像一棟外面光鮮，鋼筋卻沒綁好的高樓，禁不起任何搖晃。
AI落地的過程，會逼着每一個想用好它的組織整理好自己。整理自己的知識，整理自己的流程，整理自己的經驗，整理組織裏那些原來只存在於人腦和關係裏的東西。
這個過程不好看，不輕鬆，也並非性感的行業敘事。
但也許真正有價值的變化，本來就不會從最熱鬧的地方開始。
本文原刊於明報，刊登日期為 2026 年 4 月 13 日。