張文是某科技公司 AI 產品部門的負責人。在公司年度戰略會議上，他面色凝重地站在投影螢幕前，展示著一組觸目驚心的資料：他們投入巨資開發的 AI 客服系統，僅有四分之一達到了預期效果，大部分已經被客戶"退貨"。
"我們低估了問題的複雜性，也高估了技術的成熟度。"張文坦言。
會議室裡鴉雀無聲。六個月前，這個專案還是公司的明星，吸引了大量投資，被視為開拓市場的利器。如今，熱潮退去，留下的是冰冷的資料和難以回答的問題。
這不是個例。當 AI 大模型席捲全球時，無數企業紛紛押注，試圖抓住這波技術浪潮。然而，正如潮水退去才知道誰在裸泳，當初的狂熱逐漸被現實所冷卻。
當然，張文的團隊並非全軍覆沒。在客服專案陷入困境的同時，他們的 AI 程式設計助手卻意外地獲得了成功，使用者留存率高，滿意度好，收入穩定增長。
"為什麼同樣是 AI 工具，差別這麼大？"張文反覆思考這個問題。
經過深入調研，他逐漸理解了其中的奧秘："AI 目前絕大部分情況被用來總結資訊。為什麼寫程式碼的 AI 工具層出不窮，估值一直在漲？因為這是目前利用 AI 來解決問題的最佳場景。”
張文在內部報告中寫道：”其他工具絕大部分情況下只是在做總結的工作，幫人'划水'、'摸魚'、'糊弄'自己和領導“。
“我們必須認清這一現實。在 AI 行業，真正轉化為生產力工具的也就是那麼幾家，其他都是虧錢在做。”
正如一位資深工程師所言：”我們不指望 AI 能直接生成完美的程式碼，而是把它當作智慧的搭檔。它幫我處理重複性工作，我負責創造性和關鍵決策。我們各司其職，相得益彰。為什麼 AI 程式設計工具的使用場景最好？因為大概只有程式設計師沒有妄念，知道這東西終究需要人工協作。”
與程式設計師的務實態度形成鮮明對比的是，其他領域的使用者往往抱有不切實際的期望。
回顧 AI 客服的失敗案例，張文發現了一個普遍現象：大多數客戶期待 AI 能夠完全替代人工，透過“完美的提示詞”讓 AI 自動處理所有問題，無需人工干預。
張文回憶道，“我們有一個金融客戶，期望 AI 能處理 90% 以上的客戶諮詢，包括複雜的投訴和情緒化問題。當我們建議設計人機協作的工作流程時，他們認為這是技術不成熟的表現，堅持要純粹的原生 AI 解決方案。”
六個月後，這家金融機構的 AI 客服被全面下線，客戶滿意度一度跌至谷底。
張文漸漸明白，在非技術領域，AI 工具“絕大部分情況下只是在做總結的工作，幫人'划水'、'摸魚'、'糊弄'自己和領導"。這不是技術的問題，而是應用場景與期望不匹配的結果。
"大部分 AI 使用者都妄圖透過一段'完美的提示詞'，讓 AI 自動完成所有工作，生成理想化的結果，"張文在一次內部討論會上指出，"如果能稍微輔以人工干預，也不至於認為 AI 的使用場景匱乏。問題不在 AI，而在我們對它的期望。"
張文在一次內部研討會上分享了他對 AI 落地的新見解："2023 年的 AI 降本增效和 2025 年是完全不一樣的。"
"2023 年企業內降本增效，只能是圍繞場景，然後用 AI 提效去加持，進而提升效率降低成本。"
"那時候做的最多的，一個是結合 RAG 對話，一個是 ComfyUI 工作流，還有一個是歸類任務提升稽核效率。"
當時的侷限："大部分場景還是依託大量工程的，對 AI 提效的實施既要求執行人懂業務，又要求執行人能調配資源。基本上大的提效方案都是從多個小分支逐一提升後，獲得整體鏈路提升。"
"但這件事從 2024 年底就開始完全不一樣了。"
危機也是轉機。隨著第一波 AI 客服的失敗，市場開始冷靜下來，人們逐漸意識到 AI 並非萬能藥，而是有著明確邊界的工具。
團隊在重新設計 AI 客服產品時，遇到了一個更深層次的難題——組織結構的阻力。
"現在企業如果還想做 AI 提效，應該完全換一個思路，"張文在董事會上提出，"不要再依託任何業務團隊在原有的基礎上做，讓以前團隊的某個小組跑去做中臺支援型工作，比如讓 CTO 帶技術團隊去支援業務做 AI 提效，這種做法拿不到好結果。"
"土壤不對，AI 就長不出芽。"張文引用了一位行業專家的話，"在原有的團隊裡一個需求做 2 周，給一個 AI Lead 的人去做 2 天交工了，那他絕對在這個團隊活不下去。"
他進一步解釋了根本原因："每個團隊都不希望自己的權利範圍有所縮減，所以也不會主動支援推動 AI 降本增效，外加讓創新最快死亡的方式就是把創新當兼職去做。"
"換個思路，從企業裡篩選出 5 個對 AI 很瞭解的人，他們持續關注 AI，動手實踐。然後把他們組建成一個 AI 小組，從以前的組別抽離出來，單獨彙報。"
"讓他們自己選課題，做任何的東西都可以。長期你會回收一套 AI 組織文化和辦事的框架。"
會議室裡的氣氛開始活躍起來。一位董事提出疑問："但這樣做短期內很難看到回報吧？"
"如果你想讓這筆投入有快速的回報，你可以把課題限定在 AI 增長上，讓他們做增長工具，搞量。做市場要求團隊既懂使用者又懂 AI，這就是業務團隊的雛形。能搞來流量的團隊，產品也能做好。"
"5 個人，單獨出來，文化不一樣了，結果也不一樣。拿到好結果，就給他們再補幾個人，或者再搭建一個 5 人團隊。"張文描繪著願景，"慢慢就會有很多 AI 文化的團隊出來，從前的土壤就會被新鮮血液再次啟用，慢慢組織文化就會被更替掉。"
隨著更多 AI 專案從概念走向落地，市場開始分化。一批專注於實際問題、注重人機協作的公司逐漸脫穎而出，而那些過度誇大 AI 能力、忽視人工價值的公司則陷入困境。
張文坦言面臨的挑戰："大多數公司之所以無法落地 AI 效能提升，或者效率過低，根本原因還是沒有建設出一個 AI 學習型組織，缺少 AI 文化的地方，效率高就是刺頭，就一定會被打壓。你乾的又快又好，讓別人怎麼活？"
董事長李總若有所思："這套打法，說白了得靠老闆強勢拍板，不能和稀泥，需要拉一撥人脫離業務主線，去專注造 AI 文化、搞增長工具。"
張文嘆了口氣："但現實是，AI 真長出來前，還是得靠業務去養活公司，AI 只要有動作，必然會侵害業務的利益，老闆得天天平衡資源，誰都不敢輕易動主線團隊的筋骨。"
李總總結道："這就是個結構性困境，你知道舊土壤長不出新芽，但又拔不掉舊根。"
會議室陷入短暫的沉默。
三年後，張文站在同一個會議室，向董事會彙報公司的最新成績。幻想破滅後，理性的 AI 應用時代已經到來。
"我們錯過了第一波 AI 客服浪潮，但這可能是一件好事，"張文總結道，"那場失敗教會我們，AI 不是魔法，而是工具；不是替代，而是增強。更重要的是，我們學會了如何培育正確的組織土壤。"
三年前，公司採納了張文的建議，組建了一個獨立的 AI 創新小組。最初的挑戰和阻力不小，但這個小組逐漸找到了自己的節奏，創造出了一系列實用的 AI 工具，其中一些已經成為公司的核心競爭力。
"我們不再期待一夜之間的全面轉型，而是採取了漸進式的方法，在特定領域實現 AI 與人類的深度協作。"張文展示了幾組資料，"這種方法雖然慢一些，但成功率更高，也更可持續。"
螢幕上，一組資料展示了他們的新產品如何在不同行業創造實際價值。這些成功案例有一個共同點：都建立在理性預期、人機協作和正確的組織結構基礎上。
"大部分 AI 使用者都妄圖透過一段'完美的提示詞'，讓 AI 自動完成所有工作，生成理想化的結果。如果能稍微輔以人工干預，也不至於認為 AI 的使用場景匱乏。"
張文停頓了一下，補充道："而要實現真正的 AI 提效，我們還需要培育適合的組織土壤，建立學習型的 AI 文化，讓新的理念有生長的空間。"
窗外，晨光熹微，為城市鍍上一層金色。AI 浪潮的第一輪泡沫已經破滅，但真正的價值才剛剛開始顯現。在理性的曙光中，AI 與人類的協作，以及支援這種協作的組織結構創新，正在開啟一個新的時代。
後記：這個故事雖然是虛構的，但反映了 AI 行業的真實現狀。當我們回顧 AI 發展歷程，會發現技術本身並不是成功的唯一決定因素，如何理性看待 AI 的能力邊界，設計合適的人機協作模式，以及建立支援創新的組織結構，才是 AI 真正創造價值的關鍵。
這是一個虛構故事，裡面的人物姓名也是需求的，但反映了 AI 行業的真實現狀。當我們回顧 AI 發展歷程，會發現技術本身並不是成功的唯一決定因素，如何理性看待 AI 的能力邊界，設計合適的人機協作模式，以及建立支援創新的組織結構，才是 AI 真正創造價值的關鍵。
其它背景素材均來自網路不同網友。
松子（李博源），BI& 資料產品老兵一枚，漂過幾個大廠，23 年開始在 AI 大模型領域創業，現某廠 AI 及產品副總經理。