RAG 之父Douwe Kiela发表了一场演讲：RAG系统在企业中的落地实践，特别是和“AI代理”结合的应用。他分享一些自己走过的坑和总结出的经验。

💡 为什么企业AI很难落地？

现在大家都说AI是个大机会，甚至麦肯锡说能给全球经济带来 4.4万亿美元的增值。但现实呢？很多企业投入了很多钱，却发现：

“效果呢？我们的AI投资到底带来了什么？”

实际上，只有25%的企业能真正从AI中获得价值。这就像是AI界的“莫拉克斯悖论”： 

• 打败人类下棋很容易， 
• 但让机器人扫地、自动驾驶却难得要命。

看似简单的事，AI做不好；
看似很难的事，它又能轻松搞定。

📌 真正的挑战：上下文问题

虽然语言模型（比如GPT）越来越厉害，会写代码、做数学题，但它们最难的是：

• 理解上下文
• 结合背景知识处理具体问题

而这，正是人类最擅长的。

🧠 企业要的不是“方便”，而是“变革”

AI确实能提升效率，但企业更想要的是：

“用AI真正改变业务。”

想达到这种“转型”，AI就必须能理解企业自身的复杂上下文。

🏗️ 我们的实践经验

1️⃣ 语言模型只是系统的20%

大家一出新模型就很兴奋，但实际项目里：

模型只是整个系统的一小部分，系统才是真正解决问题的关键。

• 普通模型 + 好系统 > 强模型 + 差系统

2️⃣ 通用AI很酷，但专业化才落地

别总想着“通用人工智能（AGI）”，真正落地的项目靠的是：

• 专业化的AI代理
• 为具体业务量身定制

3️⃣ 企业的数据虽乱，但很值钱

数据是企业真正的“护城河”，即使很脏：

也别想着“先清理再上AI”，而是“让AI能处理脏数据”。

4️⃣ Demo 很简单，上生产很难

试点项目很容易搞，但当CEO一拍桌子：

“我们3个月内用AI替代一半客服！”

你就傻眼了。

上线后才是真正的挑战：

• 千万级文档
• 成千用户
• 安全、合规要求高

5️⃣ 速度比完美更重要

不要等完美再上线，先做能跑起来的版本。

早点上生产线、早点拿真实反馈，才有机会不断优化。

6️⃣ 别让工程师忙琐事

像“分块策略怎么选”“提示词怎么调”这些事：

能自动化就自动化，让工程师做有价值的事。

7️⃣ AI系统要“好用”才行

很多企业上线了AI，结果没人用：

• 太复杂
• 没集成进流程
• 合规限制太多

所以：

设计要易用，最好能直接融入工作流。

8️⃣ 尽快给用户“哇”的一刻

一旦用户觉得：“哇，AI帮到我了！”
他们就离不开了。

有用户找到了7年前的隐藏资料，感动到不行。

这类“小胜利”才是AI推广的关键。

9️⃣ 不是只看准确率，而是看“错的时候怎么办”

AI永远不可能100%准确，但你要关注：

“那5%错的怎么处理？”

• 要能追溯来源（引用自哪个文档）
• 要有审计日志（特别是金融、医疗行业）

🔟 最大的教训：目标太小才是失败原因

很多项目不是失败在“做得太大”，而是：

“只让AI回答假期有几天、Wi-Fi密码是多少。”

这不是AI的真正价值。

我们正处在AI的“登月时代”：

不要只摘低垂的果子，要敢想敢做。

✅ 总结

• 上下文才是核心问题
• 系统 > 模型
• 专业化 > 通用
• 要敢跑、敢错、敢迭代
• 目标要够大

把这些问题当机会，而不是障碍
你就能在企业AI时代脱颖而出