作者指出的「数据治理是AI天花板」并非空话。金蝶集团梳理了制造企业AI落地的10个数据坑，排第一的就是「数据孤岛，口径不一」——生产按工单、财务按成本中心、销售按另一套分类，AI训练光清洗映射就耗掉大半时间。另一篇分析则戳破一个危险认知：AI虽然能「理解」非结构化数据，但这种理解是概率性的，70%准确率在企业场景等于不可用。数据治理不是AI的替代品，而是AI的燃料。

作者提出的「先规则后智能」逻辑，本质上是在说：AI擅长处理规则明确的场景，而规则引擎正是将业务规则从代码中分离出来的标准化组件。Drools、VisualRules等开源与商业引擎，已经能处理多条件分支、冲突检测和优先级排序——这些能力恰好是「智能发薪系统」中子公司算薪规则差异的机械化解法。规则引擎成熟度越高，AI需要「理解」的模糊空间就越小，落地成功率也越高。

作者归因于数据治理和规则清晰度，但MIT等机构的调研指出更根本的原因是企业上下文体系缺失——大模型只掌握公共通识，完全不理解企业内部的业务术语、指标口径和历史处理规则。一篇虎嗅的分析认为，在全域企业上下文体系搭建完备前，根本不该启动项目。另一篇CSDN文章则把失败根因归结为「翻译障碍」：需求到执行的多重转换导致上下文丢失。同一批失败，三种诊断，对应的是不同层面的治理盲区。

作者提出AI PM的核心能力是「业务语言 ↔ AI能力边界 ↔ 用户价值」的三角翻译。但现实中最常见的失败是：业务语言脱离AI能力——比如要求大模型理解模糊的「隐性知识」；或者AI能力脱离用户价值——做出能跑但没人用的功能。真正值得追问的是：三角翻译的「校准机制」是什么？一个可操作的方法是：在每次翻译前，先用作者给的「3问筛选」卡住场景边界，再问一个逆向问题——「如果AI做不了，人基于什么判断做？」这个问题的答案，往往就是翻译的锚点。