AI工具的真相与幻象：从客服看AI应用的理性边界

作者 | 松子（李博源）

繁华褪去的寒冬

张文是某科技公司 AI 产品部门的负责人。在公司年度战略会议上，他面色凝重地站在投影屏幕前，展示着一组触目惊心的数据：他们投入巨资开发的 AI 客服系统，仅有四分之一达到了预期效果，大部分已经被客户"退货"。

"我们低估了问题的复杂性，也高估了技术的成熟度。"张文坦言。

会议室里鸦雀无声。六个月前，这个项目还是公司的明星，吸引了大量投资，被视为开拓市场的利器。如今，热潮退去，留下的是冰冷的数据和难以回答的问题。

这不是个例。当 AI 大模型席卷全球时，无数企业纷纷押注，试图抓住这波技术浪潮。然而，正如潮水退去才知道谁在裸泳，当初的狂热逐渐被现实所冷却。

当然，张文的团队并非全军覆没。在客服项目陷入困境的同时，他们的 AI 编程助手却意外地获得了成功，用户留存率高，满意度好，收入稳定增长。

"为什么同样是 AI 工具，差别这么大？"张文反复思考这个问题。

经过深入调研，他逐渐理解了其中的奥秘："AI 目前绝大部分情况被用来总结信息。为什么写代码的 AI 工具层出不穷，估值一直在涨？因为这是目前利用 AI 来解决问题的最佳场景。”

张文在内部报告中写道：”其他工具绝大部分情况下只是在做总结的工作，帮人'划水'、'摸鱼'、'糊弄'自己和领导“。

“我们必须认清这一现实。在 AI 行业，真正转化为生产力工具的也就是那么几家，其他都是亏钱在做。”

正如一位资深工程师所言：”我们不指望 AI 能直接生成完美的代码，而是把它当作智能的搭档。它帮我处理重复性工作，我负责创造性和关键决策。我们各司其职，相得益彰。为什么 AI 编程工具的使用场景最好？因为大概只有程序员没有妄念，知道这东西终究需要人工协作。”

与程序员的务实态度形成鲜明对比的是，其他领域的用户往往抱有不切实际的期望。

回顾 AI 客服的失败案例，张文发现了一个普遍现象：大多数客户期待 AI 能够完全替代人工，通过“完美的提示词”让 AI 自动处理所有问题，无需人工干预。

张文回忆道，“我们有一个金融客户，期望 AI 能处理 90% 以上的客户咨询，包括复杂的投诉和情绪化问题。当我们建议设计人机协作的工作流程时，他们认为这是技术不成熟的表现，坚持要纯粹的原生 AI 解决方案。”

六个月后，这家金融机构的 AI 客服被全面下线，客户满意度一度跌至谷底。

张文渐渐明白，在非技术领域，AI 工具“绝大部分情况下只是在做总结的工作，帮人'划水'、'摸鱼'、'糊弄'自己和领导"。这不是技术的问题，而是应用场景与期望不匹配的结果。

"大部分 AI 使用者都妄图通过一段'完美的提示词'，让 AI 自动完成所有工作，生成理想化的结果，"张文在一次内部讨论会上指出，"如果能稍微辅以人工干预，也不至于认为 AI 的使用场景匮乏。问题不在 AI，而在我们对它的期望。"

2023 VS 2025 不一样的转变

张文在一次内部研讨会上分享了他对 AI 落地的新见解："2023 年的 AI 降本增效和 2025 年是完全不一样的。"

"2023 年企业内降本增效，只能是围绕场景，然后用 AI 提效去加持，进而提升效率降低成本。"

"那时候做的最多的，一个是结合 RAG 对话，一个是 ComfyUI 工作流，还有一个是归类任务提升审核效率。"

当时的局限："大部分场景还是依托大量工程的，对 AI 提效的实施既要求执行人懂业务，又要求执行人能调配资源。基本上大的提效方案都是从多个小分支逐一提升后，获得整体链路提升。"

"但这件事从 2024 年底就开始完全不一样了。"

成与败的组织

危机也是转机。随着第一波 AI 客服的失败，市场开始冷静下来，人们逐渐意识到 AI 并非万能药，而是有着明确边界的工具。

团队在重新设计 AI 客服产品时，遇到了一个更深层次的难题——组织结构的阻力。

"现在企业如果还想做 AI 提效，应该完全换一个思路，"张文在董事会上提出，"不要再依托任何业务团队在原有的基础上做，让以前团队的某个小组跑去做中台支持型工作，比如让 CTO 带技术团队去支持业务做 AI 提效，这种做法拿不到好结果。"

"土壤不对，AI 就长不出芽。"张文引用了一位行业专家的话，"在原有的团队里一个需求做 2 周，给一个 AI Lead 的人去做 2 天交工了，那他绝对在这个团队活不下去。"

他进一步解释了根本原因："每个团队都不希望自己的权利范围有所缩减，所以也不会主动支持推动 AI 降本增效，外加让创新最快死亡的方式就是把创新当兼职去做。"

"换个思路，从企业里筛选出 5 个对 AI 很了解的人，他们持续关注 AI，动手实践。然后把他们组建成一个 AI 小组，从以前的组别抽离出来，单独汇报。"

"让他们自己选课题，做任何的东西都可以。长期你会回收一套 AI 组织文化和办事的框架。"

会议室里的气氛开始活跃起来。一位董事提出疑问："但这样做短期内很难看到回报吧？"

"如果你想让这笔投入有快速的回报，你可以把课题限定在 AI 增长上，让他们做增长工具，搞量。做市场要求团队既懂用户又懂 AI，这就是业务团队的雏形。能搞来流量的团队，产品也能做好。"

"5 个人，单独出来，文化不一样了，结果也不一样。拿到好结果，就给他们再补几个人，或者再搭建一个 5 人团队。"张文描绘着愿景，"慢慢就会有很多 AI 文化的团队出来，从前的土壤就会被新鲜血液再次激活，慢慢组织文化就会被更替掉。"

随着更多 AI 项目从概念走向落地，市场开始分化。一批专注于实际问题、注重人机协作的公司逐渐脱颖而出，而那些过度夸大 AI 能力、忽视人工价值的公司则陷入困境。

张文坦言面临的挑战："大多数公司之所以无法落地 AI 效能提升，或者效率过低，根本原因还是没有建设出一个 AI 学习型组织，缺少 AI 文化的地方，效率高就是刺头，就一定会被打压。你干的又快又好，让别人怎么活？"

董事长李总若有所思："这套打法，说白了得靠老板强势拍板，不能和稀泥，需要拉一拨人脱离业务主线，去专注造 AI 文化、搞增长工具。"

张文叹了口气："但现实是，AI 真长出来前，还是得靠业务去养活公司，AI 只要有动作，必然会侵害业务的利益，老板得天天平衡资源，谁都不敢轻易动主线团队的筋骨。"

李总总结道："这就是个结构性困境，你知道旧土壤长不出新芽，但又拔不掉旧根。"

会议室陷入短暂的沉默。

三年后，张文站在同一个会议室，向董事会汇报公司的最新成绩。幻想破灭后，理性的 AI 应用时代已经到来。

"我们错过了第一波 AI 客服浪潮，但这可能是一件好事，"张文总结道，"那场失败教会我们，AI 不是魔法，而是工具；不是替代，而是增强。更重要的是，我们学会了如何培育正确的组织土壤。"

三年前，公司采纳了张文的建议，组建了一个独立的 AI 创新小组。最初的挑战和阻力不小，但这个小组逐渐找到了自己的节奏，创造出了一系列实用的 AI 工具，其中一些已经成为公司的核心竞争力。

"我们不再期待一夜之间的全面转型，而是采取了渐进式的方法，在特定领域实现 AI 与人类的深度协作。"张文展示了几组数据，"这种方法虽然慢一些，但成功率更高，也更可持续。"

屏幕上，一组数据展示了他们的新产品如何在不同行业创造实际价值。这些成功案例有一个共同点：都建立在理性预期、人机协作和正确的组织结构基础上。

"大部分 AI 使用者都妄图通过一段'完美的提示词'，让 AI 自动完成所有工作，生成理想化的结果。如果能稍微辅以人工干预，也不至于认为 AI 的使用场景匮乏。"

张文停顿了一下，补充道："而要实现真正的 AI 提效，我们还需要培育适合的组织土壤，创建学习型的 AI 文化，让新的理念有生长的空间。"

窗外，晨光熹微，为城市镀上一层金色。AI 浪潮的第一轮泡沫已经破灭，但真正的价值才刚刚开始显现。在理性的曙光中，AI 与人类的协作，以及支持这种协作的组织结构创新，正在开启一个新的时代。

后记：这个故事虽然是虚构的，但反映了 AI 行业的真实现状。当我们回顾 AI 发展历程，会发现技术本身并不是成功的唯一决定因素，如何理性看待 AI 的能力边界，设计合适的人机协作模式，以及建立支持创新的组织结构，才是 AI 真正创造价值的关键。

后记

这是一个虚构故事，里面的人物姓名也是需求的，但反映了 AI 行业的真实现状。当我们回顾 AI 发展历程，会发现技术本身并不是成功的唯一决定因素，如何理性看待 AI 的能力边界，设计合适的人机协作模式，以及建立支持创新的组织结构，才是 AI 真正创造价值的关键。

其它背景素材均来自网络不同网友。

作者简介

松子（李博源），BI& 数据产品老兵一枚，漂过几个大厂，23 年开始在 AI 大模型领域创业，现某厂 AI 及产品副总经理。