AI工具的真相与幻象：从客服看AI应用的理性边界

推荐语

AI工具的真相与幻象：从客服看AI应用的理性边界

核心内容：
1. AI客服系统的实际效果与预期差距，项目失败的反思
2. AI编程助手的成功案例分析，程序员对AI工具的理性态度
3. AI应用的理性边界探讨，非技术领域用户对AI的不切实际期望

杨芳贤

53AI创始人/腾讯云(TVP)最具价值专家

一、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。

“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。”

二、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。”

三、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。”

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。

四、畅想的三年后

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。”