8.0
深览指数
产品人人都是产品经理·叶小钗··AI 生成
20 个 AI 课题复盘实录：各个公司到底在用 WorkBuddy 做什么？
文章基于20多个企业陪跑项目复盘，指出AI项目落地的核心瓶颈已从技术转向业务。业务人员普遍“懂业务但不懂实现”，常将“功能需求”误作“业务场景”，且缺乏将隐性业务经验显性化为可执行SOP的能力。作者强调，AI项目成功的关键在于业务建模、数据治理和规则治理，而非单纯的Prompt或模型调优。适合正在推进AI项目落地的产品、业务负责人及技术管理者阅读。原文 ↗
核心观点
- ▍AI项目落地的真正瓶颈已从“技术实现”转向“业务梳理与治理”：业务人员懂业务但无法将隐性经验显性化，导致AI产出一堆“看起来很完整的垃圾”。
- ▍低代码AI工具（如WorkBuddy）降低了“做出第一版”的门槛，但使过去的隐藏问题（业务逻辑不清、数据不可用、组织协作脱节）提前暴露出来。
- 01许多项目开始于“我要一个看板”或“我要一个AI销售助手”，但这只是产品形态，而非业务场景。真正的需求应从“发生在哪个业务环节？原来怎么处理？卡在哪里？要产生什么结果？”开始。
- 02典型案例：一位销售想通过AI从聊天记录中找到“让客户决定购买的那句话”，但继续深问发现，业务自身也无法定义成交的关键触发点，即“说不出中间的判断逻辑”。
- 03公司有数据，不等于AI能用。常见问题包括：数据不存在、数据拿不到、数据格式不适用、以及业务方自己都不知道数据治理的规则。
- 04面对“AI不准确”的问题，正确做法不是调Prompt，而是将复杂判断拆分为多个边界更明确的节点，让每个节点做模型擅长且可被检查的事。
- 05项目需要区分Demo（验证关键能力可行性）和MVP（验证最小业务闭环）。正确的顺序是：先用人工复制粘贴或最低成本的方式验证业务价值，再工程化、产品化。
- 06不是所有有价值的问题都值得用AI解决。如果业务本身没有稳定的解释框架（如经营分析、产品立项洞察），应先做业务研究，而非AI实现。
- 07“超级个体”与“组织能力”是两回事。个体能做出局部AI能力，但若不与上下游对齐“要什么、给什么”的标准，整体业务链路依然无法跑通。
反方 / 局限
- — 文章隐含一个前提：只讨论企业AI项目落地问题，并未覆盖个人创作者或小团队使用AI的场景。对于后者，文中关于“业务治理”和“组织对齐”的问题可能不适用。
- — 案例中提到的“销售成交话术分析”，实际上触及了因果推断的复杂性问题。文章指出业务自身无法定义规律，但未讨论当业务逻辑本身不确定时，AI给出的“规律”可能存在过拟合或虚假相关性风险。
15 分钟 · 4 卡片 · 9 资料
读原文 →