当AI说“照原样做不到”时 — 拆解做不到的原因,找到可替代测量的东西(1)
当AI或数据负责人回答“照原样做不到”时,项目往往就此停下。但这个回答可以不是终点,而是重新定义问题的起点。本文结合OpenAI停用AI文本分类器、首尔市深夜公交、用电力数据确认独居者平安、用卫星图像绘制贫困地图等案例,介绍如何把做不到的原因拆成数据、规定、准确率三类,以及如何用同步变化的值来测量无法直接测量的对象,也就是代理指标的用法。
AI洞察、实战指南与行业观点
当AI或数据负责人回答“照原样做不到”时,项目往往就此停下。但这个回答可以不是终点,而是重新定义问题的起点。本文结合OpenAI停用AI文本分类器、首尔市深夜公交、用电力数据确认独居者平安、用卫星图像绘制贫困地图等案例,介绍如何把做不到的原因拆成数据、规定、准确率三类,以及如何用同步变化的值来测量无法直接测量的对象,也就是代理指标的用法。
让AI找素材后,标注出处变得更容易了,但写上出处并不等于这份素材可以使用。本文分别梳理了如何阅读公共努里(KOGL)与知识共享许可的条件、AI声音与韩国《反不正当竞争法》、美国配音演员起诉Lovo案、AI产出的著作权登记标准,以及《人工智能基本法》透明度指南与YouTube合成内容披露规则。
脚本、配音、素材画面、字幕都交给AI分担后,一个人也能做出一条视频。剩下的工作是审核。本文以电视台的AI主播运营方式、低质量AI视频的泛滥与YouTube的变现政策、CNET的AI文章错误事件、美联社的生成式AI准则为依据,梳理如何拆分内容制作工序,以及在工序之间的哪些位置安排人工确认。
AI写的仿真器通常都能跑起来,图表看上去也像模像样。但能运行和算得对是两回事。本文依据谷歌研究团队的FEABench、挪威Sleipner A平台沉没事故、哥伦比亚号事故调查以及FDA关于仿真可信度的指南,梳理在把仿真结果用于决策之前要确认的四项原则和实施顺序:实测参照、验算、标明校准值、列出模型的盲区。
改产线、上设备、重做样品,这类决定哪怕只试一次都要花大钱。这样的问题可以先用一个小型仿真器跑一跑;如今AI能帮忙写分析代码,门槛又降低了一截。第1篇结合起亚光明工厂、韩国中小风险企业部的自主型工厂项目、KISTI虚拟设计中心和中小企业案例,梳理哪些问题适合交给仿真器、哪些问题应该避开。
如今用AI做一个业务工具,一天就够了。问题在于之后:各部门纷纷复制,很快就没人知道哪个才是最新版本。本文从AX的角度,整理了区分公共部分与可变部分的设计方法、计算交给系统而叙述交给AI的原则,以及扩展之前的判断标准。
即使用埋好答案的合成数据测试AI,如果假数据不像真数据,分数也会被抬高。第2篇基于逆犯罪、域随机化、ISO图像分析标准以及韩国个人信息保护委员会的合成数据指南,整理了如何用同一把尺子比较真假数据、如何逐个改变条件找出误差原因,以及以实物验证收尾的执行步骤。
验证AI或自动测量系统需要正确答案,但现场数据往往没有答案,人给出的答案也会摇摆。这时可以先做一份事先埋好答案的试卷。第1篇通过葡萄酒评审、神秘顾客、变异测试、合成细胞图像等韩国国内外案例,整理了埋入答案的方法,以及针对不同业务制作试卷的做法。
把直觉拆成条件之后,还要决定怎样把这些条件组合起来、直觉在多大范围内值得信任,以及把老师傅放在什么位置。本文依据格罗夫等人关于临床预测与公式预测的元分析、卡尼曼与克莱因关于直觉成立条件的论文、韩国政府制造业隐性知识项目中的熟练工报酬争议,以及WHO手术安全核查表研究,梳理完成标准的原则和八步实施顺序。
资深员工的直觉,会在他退休那天和他一起离开公司。能交给AI的不是直觉本身,而是把直觉拆成条件、并为每个条件定好测量方法的标准。第1篇借助松下面包机、阿普加评分、韩国政府的制造业隐性知识AI试点项目和冲压工序课题,梳理如何把老手的判断拆成有名字的条件,并为每个条件配上测量方法。
如果不知道AI落地该从哪里开始,每天有人在手工完成的信息收集工作就是很好的第一个任务。本文从AX的角度,整理了把行业动态、监管公告和竞争对手消息自动化为晨间简报时需要确定的事项、各部门的用法、防止信息收集悄无声息地中断的运维机制,以及保障版权与准确性的内部规则。
视觉检测AI找不到比相机能看到的更小的东西;人的判定一旦摇摆,它也会把这种摇摆原样学进去。第2篇结合韩国国内外案例,整理了如何从需要找出的最小缺陷反推分辨率,如何先用Gage R&R检验测量系统,如何单独评估合格线附近的产品,以及导入前的检查清单。
想用相机和AI测量尺寸或检出不良的咨询越来越多。但导入后最常听到的抱怨,是AI与原有测量值对不上。多数情况下并不是AI错了,而是在没有定好测什么、怎么测的情况下就开始了。第1篇结合韩国国内外案例,整理了如何用文字写下尺寸的定义,以及如何把基准设备与单位统一起来。
从失败案例中提炼出的原因句,只有落实到设计表和会议中才有用。本文介绍如何把韩国聊天机器人Lee Luda一度停服、改进后重新上线的2.0版本变更清单变成检查表,加里·克莱因在《哈佛商业评论》中介绍的事前验尸(pre-mortem)怎么开,以及半天内完成失败剖析的六步执行顺序。
一谈到用AI做新产品或新服务,大家往往先去找成功案例。但真正能用于设计的信息,更多留在那些先尝试过又放弃的公司身上。本文结合RAND报告列出的AI项目失败五大原因,以及IBM Watson for Oncology、Zillow Offers、Humane AI Pin和韩国AI数字教科书等案例,整理了把失败转化为一句话原因的方法。
越是把全公司AI转型当作为期一年的大型项目来启动的企业,越容易半途停滞。本文依据小型项目成功率61%、超大型项目仅6%的数据,介绍如何把AI落地路线图拆成“方向、季度目标、2–4周任务”三层,如何挑选任务,以及拆分时容易掉进的陷阱。
本文梳理运营记录型 AI 工作法时必然遇到的陷阱,以及为了不至于想一口气全做完而累垮、把落地拆成四周的推进顺序。结合国内外 AI 编程工具的落地成效,我们还提出一个今天就能立刻开始的做法。记录型 AI 工作法系列最后一篇。
个人的记忆和笔记,只有我自己读。团队该知道的决策和流程,就要升格进问题追踪器、wiki 和代码仓库。本文借助 Toss 的自动文档化、架构决策记录、GitLab 手册、Google 与 Spotify 的文档文化,以及探讨文档质量与绩效关系的 DORA 研究来展开。记录型 AI 工作法系列第 5 篇。
要能接着往下干,留下的不该是「做了什么」,而是「为什么这么做」。本文借助提交信息的写法、架构决策记录(ADR),以及野中的知识外化理论,讲清只剩摘要的记录,和能重新读一遍就直接接上的记录之间的差别。记录型 AI 工作法系列第 4 篇。
不是规则、而是日后要再用的教训和陷阱,该往哪里留?本文对照卢曼的卡片盒笔记法和第二大脑,以及 MemGPT 这类 AI 智能体记忆研究,梳理「一个事实一个文件、目录一行」的自动记忆原理。记录型 AI 工作法系列第 3 篇。
如果你每次都在向 AI 重复同样的指示,那就到了该把这些规则汇总进一个文件的时候。本文梳理 CLAUDE.md、AGENTS.md、Cursor 规则、GitHub Copilot 仓库指令这类会在会话开始时被自动读取的规则文件的原理,以及被遵守的规则和被忽略的规则之间的差别。记录型 AI 工作法系列第 2 篇。
AI 一旦会话结束,就会把这次会话里知道的一切统统忘掉。于是每次都得从背景说明重新开始,上周才查明的原因,这周又要重新调查一遍。本文用国内外数据,梳理 AI 忘记昨天的结构性原因,以及这种遗忘所带来的上下文成本。记录型 AI 工作法系列第 1 篇。
用 AI 做出来的速度已经不是问题,剩下的工作是确认它是否正确。这个确认不会自动发生,需要设计。选择答案已知的案例、遮住答案让它作答、把答对和答错一起计数,这三个步骤以及解读结果的方法,我们用真实案例做了整理。
只给AI一行请求,能否得到真正可用的成果?我们做了两张地图来验证。在40分钟得出的结果背后,数据被整体替换了两次,还要抓出两处计算错误才算完成。本文用这两个实际案例,梳理工作中哪些事现在可以交给AI、哪些还不能,以及最危险的那一类——形式完整、看上去可信、内容却是错的成果——应该如何在进入汇报链之前识破它。
政府扶持项目并不是只有大公司才能拿。相当一部分 AI 相关的扶持项目,本就是为中小企业和个体经营者设计的,很多人只是因为不知道而错过,公告一过、预算用完,这一年就没了。本文梳理 AI 代金券和数据代金券到底是什么、去哪里找,以及怎么避开自付款和事后结算这些坑。公告一旦错过,这一年就只能等下一轮了。先看懂规则再申请。
AI 会编出不存在的统计数据、引用查无此文的论文,而且语气和答对时一模一样自信。幻觉不是故障,它就来自 AI 生成答案的方式本身。本文说明它为什么会出现,并给出可落地的实务标准:要求出处、设定人工复核线、把 AI 放在低风险任务上,让它在业务里既能用又不至于闯祸。完全消除幻觉做不到,管住它却是可以设计的。
问 AI「我们这个月销售额怎么样」,它答不上来——因为它从没看过你们的账。本文说明为什么聪明的 AI 却不知道你的库存、客户和日程,把 AI 接入公司系统到底意味着什么,以及如何借助 MCP 这类标准与 ERP 集成,安全地迈出第一步,让 AI 真正成为「我们公司的 AI」。这一步做好了,AI 才算真正为你所用。
把文档贴进去让 AI 总结,已经是家常便饭。可如果那份文档是客户名单,或者尚未公开的财务资料,你多半会停一下——它此刻已经到了别人的服务器上。本文说明喂给云端 AI 的数据究竟去了哪里、为什么有些公司的数据绝对不能外流,并从监管与成本两个角度权衡本地部署和中间地带的选择。关键始终是那一句:数据现在究竟放在谁的机器上。
同样的技术,有人说一个月三百块,有人说一个月三万块,差出一百倍。答案不在资费套餐,而在使用方式,而使用方式的计量单位就是 Token。本文讲清 Token 是什么、输入输出和上下文如何一起构成成本,以及用量增长时账单最容易在哪里失控,全部用中小企业听得懂的话。所以「多少钱」这个问题,正确的回答其实是「你打算用多少」。
有调查显示,98% 的组织存在未经批准的 AI 使用,最多 65% 的员工绕过 IT 部门自行使用 AI 工具,而拥有明确治理政策的组织只有 37%。员工在用,公司不知道,这就是影子 AI。本文讲清一刀切禁止为什么必然失败,以及如何在不扼杀创新的前提下,只把风险降下来。毕竟政策还没出台,使用早就铺开了。
AI 智能体导入热潮一年后的现实。企业软件的 80% 已内置智能体,真正投入运营的企业投资回报率达到 171%,但预计有 40% 的项目会在 2027 年前被取消。同样的技术,为什么结果截然相反?本文从中小企业视角,梳理拉开做出成果的少数与放弃项目的多数之间的四点关键差别,以及如何不停在试点阶段。差别不在技术,在做法。
2026 年 1 月施行的韩国 AI 基本法,并不只针对开发 AI 的公司。只要你用 API 调用别人的 AI,或者在官网挂了一个聊天机器人,你就已经站在这部法律的舞台上了。本文用一页篇幅梳理它对中小企业课以的义务、高影响 AI 的判断标准,以及缓冲期内必须准备好的事项。这一次谈的不再是建议,而是已经生效的法律义务。
对 AI 的期待越高,「这个能不能也用 AI 做」这句话就出现得越频繁。有时可以,但有时不做才是正解。准确知道 AI 在哪些场景下不是答案,和会用 AI 一样重要。本文列出 AI 在结构上就做不到的五件事,并说明如何把组织的期望值调整到现实的水平上。认清边界不是放弃,而是让判断变得更准确,也让预算花在真正有用的地方。
一边是员工把客户数据丢进 ChatGPT 生成报告,公司毫不知情;另一边是「别用 AI」的气氛让所有人都不敢碰,竞争对手却已经把客服时间砍掉一半。两种情况的根源都是没有政策。本文介绍如何用三个层级,把企业 AI 使用政策做成一条清晰的边界线,而不是一份禁止清单。有了边界,员工才能在里面放心地自由使用。
AI 落地不是一个项目,而是一种文化。报告交上去、负责人受到表扬、项目顺利结项,可半年之后登录次数下降、提示词模板无人更新、新人没接受过培训,它就悄悄消失了。本文从反馈循环、成果分享、允许试错的氛围,一直讲到新人培训与负责人交接,说明要让 AI 长期留在组织里、持续产生价值,需要搭起什么样的结构。结构决定它能活多久。
AI 帮你写了初稿,可加上核对和修改的时间,跟以前差不多——原因很简单:AI 只是被加在原有流程之上,等于多了一道工序,步骤反而变多了。本文讲清如何做流程再设计,让 AI 成为工作流本身的一部分,而不是压在员工身上的额外负担,并结合几个常见业务场景,给出可以直接落地执行的具体做法。目标是让节省下来的时间真正出现。
AI 工具上线一个月后,每天真正在用的只有团队的 20%。学习成本看起来比收益大,用错了还要被追责,手最后还是伸向 Excel。本文具体讲清怎么培养核心带头用户、如何设计贴近实务的培训,以及用什么样的入职引导把阻力降下来,让工具真正被用起来。习惯的改变靠的从来不是意志,而是结构;本文也给出可以直接照做的落地步骤。
试点是一个被精心控制的环境:自愿参与、动机很强的少数人,负责人贴身支持,还有整理干净的数据。一旦以为全公司铺开也能拿到同样结果,多半会失败。本文讲清从试点走向运营前必须检查什么、推广为什么会卡住,以及卡住之后该怎么处理。试点和全公司推广本来就是两场完全不同的比赛,面对的人不同,条件不同,准备方式也必须跟着变。
我们的组织,真的准备好开始做 AI 了吗?本文把整个系列的要点压缩成 20 个问题,覆盖问题定义、数据、人力、预算与安全这五个方面。无论还没启动,还是已经做了一段时间,照着答一遍,就能在一页纸上看清现在所处的位置、下一步最该补的是哪一块,以及可以从哪一篇文章接着往下读、继续推进。先把准备补齐,再谈落地。
AI 上线了,同事也在用,感觉是方便了一些。可管理层一句「那到底有多少效果」,你就答不上来了——因为一开始就没定衡量标准。本文从 KPI 设计讲到 Before/After 对比、ROI 计算,再到怎么向管理层汇报,给出一整套可以照着做的具体方法。衡量这件事,其实必须在引入 AI 之前就开始准备。没有数字就没有结论。
把需求交出去,几个月后再来收成果——这种做法在建筑和制造业行得通,在 AI 项目里行不通。数据一打开就和预想的不一样,模型跑出来精度不达标,业务部门用过之后需要的又变了。本文讲怎么挑对合作伙伴、如何设计不会失败的合同结构,以及怎样把知识真正留在公司内部。「交出去、等结果」这种外包方式,在 AI 项目里失败概率最高。
AI 是自己做,还是交给外面做?内部能力不足,拖了一年只做出完成度五成的东西;或者供应商一撤,系统再没人能改动,追加费用像滚雪球一样往上涨。没有判断标准就贸然开工,几千万预算就这么消失了。本文给出区分自建与外包的具体标准、现场最常见的几种错误,以及一套不靠感觉、可以直接套用的决策框架和分界线画法。先画线,再动手。
做一个内部小工具,外包报价就是几百万;招一个开发,年薪又要几千万。于是只能用 Excel 硬扛、反复说着「以后再上系统」——这堵墙如今正在变矮。不懂代码的人也能和 AI 一起做应用、自己设计业务工具。本文坦率地讲清楚:现在到底哪些事真能做成,哪些还做不到,以及从哪条线开始就应该交给专业开发者来做。边界清楚,才敢动手。
就在两年前,AI 还被关在文字的世界里,要图像得另找图像 AI,要语音得另找语音 AI。如今一个模型能一边读文字,一边看图、听声音、理解视频,还能自己生成。本文讲清多模态 AI 到底是什么,在实际业务中怎么用,又是怎样改变工作方式的。比技术解释更重要的,是它究竟怎样改变了我们日常的工作方式。而这一切,已经不再是明年的事。
AI 正从回答问题的工具,变成能自主完成工作的同事。本文说明聊天机器人与 AI Agent 到底差在哪里,邮件分类、日程协调、数据收集等已经在真实业务中运行的 Agent 是什么样子,哪些环节仍有风险、必须保留人工确认,以及中小企业应该从哪一类业务开始试,才不会一上来就踩坑、白白花掉预算和团队的信任。
中小企业靠 AI「取胜」,并不是要去支配市场,而是在自己的客户、自己的领域里,做出大企业结构上给不了的价值。本文先剖析大企业 AI 强大背后必然付出的代价,再讲中小企业如何用速度、精准和贴近现场这三样独有的优势正面出牌。大企业的 AI 确实强大,但强大从来都是有代价的,而那个代价正是中小企业的机会所在。
一查 AI 工程师的年薪,八千万到一亿五千万韩元;就算招进来,也未必有足够的全职活儿给他做。于是又回到「等公司再大一点吧」。可是「运营 AI 就必须有 AI 专家」这个等式,只在大企业成立。本文讲现有员工兼任的结构、外部合作伙伴怎么用,以及如何把维护量设计到最低。第一步,是先把真正需要专家的活儿和现有员工就能做的活儿分开。
新闻里的 AI 项目动辄几个亿,供应商报价也是几千万,于是你得出结论:以我们的规模,还太早。可两年前只有专家才能用的功能,如今一份月费几千元的订阅就能拿到。问题从来不是预算,而是怎么组合这些工具用到真实业务里。本文讲中小企业如何用每月不到 5000 元启动 AI。贵的 AI 才叫 AI,这个前提本身就该被推翻。
读到大企业靠 AI 一年省下几百亿的新闻,人会同时冒出两种情绪:我们也得赶紧上,以及我们根本做不到。这两种情绪都来自同一个错觉——以为大企业的做法就是 AI 唯一的做法。差别不在资源,而在游戏规则本身。本文拆解大企业 AI 隐含的前提条件,以及中小企业该走的另一条路。照着大企业的剧本演,中小企业只会把自己的优势也一并丢掉。
数据一旦输入 AI,它就被实实在在地存到了某个地方,而这个「某个地方」正是关键所在。安全在规划阶段总是被排到最后,出事时却第一个上新闻。本文整理管理层必须向技术团队、向供应商、也向自己提出的那些问题,以及三个不能下放、必须由决策者亲自拍板的决定,并说明云端服务与本地部署之间的差别。边界应该在设计阶段就划好。
项目一大堆,术语又陌生,金额还不小,可你手里没有判断贵不贵、需不需要的标准。于是要么照单全批,要么凭感觉砍价,两种都不是好决策。本文逐项拆解 AI 项目报价单的含义,告诉你钱究竟花在哪里、哪些部分有谈判空间,以及比较不同方案时该看什么。报价单上的数字大,并不意味着这就是一个好项目。看懂了结构,谈判才有真正的底气。
演示很精彩,案例也漂亮,可回到办公室却说不清自己到底要买什么。这不是你不懂,而是 AI 市场的营销本就刻意含糊。本文逐条解读「企业级」「准确率 95%」这类常见话术,告诉你听到它们时该追问什么,以及怎样区分真正靠谱的方案和只有包装的方案。知道听到哪句话该追问什么,判断就完全不一样了,签约前的风险也会小得多。
「我们基于 LLM 做 RAG,必要时再微调」——你点着头,脑子里却一片空白,然后就这样批了预算、选了供应商。本文把 AI 项目里最常出现的概念用最通俗的方式讲一遍,并列出决策者应该当场追问的那些问题,让你不必懂技术也能做出靠谱判断。你不需要亲手做技术,但必须清楚这些东西到底在做什么,才能提对问题、挡掉不靠谱的提案。
问题定义好了,工具也试过了,小规模实验看到了可能性,于是你站到了管理层面前。可一句「那要花多少钱,什么时候能看到效果」就把提案卡住了。被批准的从来不是好点子,而是好的说明。本文介绍构成说服力的四个模块,以及分阶段推进的具体方法。关键在于把技术的可能性翻译成管理层听得懂的数字,并按阶段推进,而不是一次就要到全部预算。
AI 替代的不是人,而是任务。一个岗位是几十项任务的集合,AI 拿走的只是其中一部分。报价单自动化之后,销售并不会消失,而是把时间挪到挖掘客户需求、经营关系和谈判策略上。本文讲清各岗位具体会怎么变,以及个人现在该准备什么,才能在转变发生时站得住。但要提醒的是,这个转变不会自动发生,需要有人去设计。空出来的位置要有人填。
同一个客户在系统里有三个名字,每张表的日期格式都不一样,关键字段有 30% 是空的。决定 AI 表现的从来不是模型,而是数据。本文给出诊断数据就绪度的五个问题,以及在数据并不完美的现实条件下,如何一步步把项目真正推起来的可行做法。数据混乱的根源多半不在技术,而在业务的做事方式,这一点也决定了该从哪里下手。
AI 项目不是死于系统故障或预算超支。会议推迟一次,负责人被别的活儿占住,数据整理比预想的久,试点结果又含糊,有人说「先放一放」,然后就再没人提起。本文拆解这种安静死亡的五个阶段,并说明在每一个阶段还能做什么,把项目重新拉回轨道。这种死亡是有规律可循的,认出规律,就能在它彻底停下之前把项目救回来。认出信号就还来得及。
框架只有在现场真能跑起来,才有意义。本文用报价单自动化、新人入职培训、营销效果分析这三个贴近现实的场景,从问题定义到工具筛选,再到 AI 与 AX 的具体应用,把全过程从头到尾完整走一遍,并从中提炼出中小企业可以直接照搬到自己业务上的问题解决模式,以及实际操作中最容易走错的那几步。希望能帮你少走一些弯路。
问题刚定义完就直奔「用哪个 AI」,就像还没诊断就先报药名。工具的范围远比软件宽:一位外部专家可能把六个月的开发压成两周咨询,砍掉一道审批就能疏通瓶颈,调整团队之间的沟通路径有时比任何软件都管用。本文介绍一套快速、广泛、轻量的工具探索框架。诊断做完了,处方就该以开放的心态来写,而不是先认定答案。工具比你想的更宽。
会议室里到处都在问「我们能用 AI 做什么」,可最后什么也没落到手里。原因是工具选在了前面——手里拿着锤子,看什么都像钉子。真正做出成果的企业,起点从来不是选技术,而是定义问题。本文讲如何提出好问题,并给出一套可以直接用在实际工作中的问题定义框架。选项从来不缺,缺的是一个被真正定义清楚的问题。本文正是为此而写。