AI 最难的不是技术,是找到愿意付钱的场景
技术能力早就过剩了。真正卡住 AI 的是两件事:能力落不进具体场景,场景跑不出能算清的账。
Meta 前阵子紧急叫停了原定的裁员计划,理由是 AI 没达到预期能力。
他们 CTO 给了一组数字:AI 大规模使用后,代码改动量同比上涨 220%,但用户可见的功能改动只有 36%;重大事故增加 40%,故障处理时间增加 70%。
大多数人的解读是「AI 还不行」。
我不这么看。
AI 最难的地方早就不是能力了,是场景化和商业化。 这两件事没做成,能力越强,浪费越大。
先看 Meta 这组数字说了什么
代码改动量涨 220%,用户可见的功能只涨 36%。
这两个数字之间的差额去哪了?
它变成了内部重构、试验性改动、修修补补——都是动作,但没有一个变成用户可以感知的东西。
事故涨 40%、排障时间涨 70%,说明这些动作还带来了额外的负担。
用一句话概括:产能翻了三倍,价值几乎没动,成本还上升了。
这不是模型不够强。这是产出没有落进场景。
场景化:能力落到哪
我做了 13 年营销,见过太多「能力已经很强,但没人用」的东西。
一个CRM系统功能齐全,销售不用,因为录一次客户信息要跳七个页面。 一套内容工具生成能力很强,市场部不用,因为生成的调性和品牌对不上,改的时间比自己写还久。
AI 正在重复这个循环。
大模型什么都能生成,但企业的真实问题是:我这个环节具体卡在哪、生成出来的东西接不接得上后面的流程、谁来验收。
这三个问题不解决,再强的模型也只是多了一堆没人打开的工具。
场景化的本质不是"找地方用 AI",是把一件事拆到足够细,细到能说清楚"这一步 AI 做成什么样算合格"。
商业化:谁掏钱
这是更难、也更容易被跳过的一层。
技术团队评估 AI 项目,习惯问"能不能做"。业务团队问"有没有用"。但真正的分水岭是第三个问题——谁掏钱?
- 是客户愿意为这个功能多付钱?
- 还是公司内部省下了一笔成本?
- 还是它只是一个"别人都有我们也要有"的配置?
这三者看起来都成立,价值差着量级。
Meta 的问题恰恰在这里:他们用 AI 提升的是内部生产效率,但这部分效率提升没有转化成用户价值,也没有转化成收入。省下来的时间又被新的返工吃掉了。
一个能力,如果找不到愿意为它付钱的场景,它就只是成本。
为什么技术出身的人容易看不到这一层
因为技术人的价值坐标是「能做出来」。
做出来了、跑通了、性能达标了——在技术语境里这就是成功。至于这东西有没有人用、用了之后赚不赚钱,不在他们的坐标系里。
这不是能力问题,是位置问题。站在生产端,天然看不到消费端。
而营销人恰好反过来。我们被训练的第一件事就是:这个动作到底会不会有人买单。
所以我一直认为,这轮 AI 落地真正的稀缺资源不是算法工程师,是能把技术翻译成场景的人。
一个可以照着用的判断法
评估一个 AI 场景值不值得做,我现在只问三个问题:
一、这个环节现在是谁在做?
如果没人做,说明它不重要。如果有人在用很笨的方式做,那才是机会。
二、做完之后,哪个数字会变?
不是「效率提升」,是具体的数字:成交周期、返工率、响应时长。说不出来,就别做。
三、省下来的时间,会去干什么?
这是最容易被忽略的一条。省下来的时间如果只是让人多开两个会,那这次提效就是零。必须提前说明省下的资源投到哪里,否则效率提升会被组织自然吸收掉。
三个问题有一个答不上来,这个场景就不成熟。
一点边界
这套判断法对「提效型」AI 项目成立。
但有些 AI 应用是探索性的——比如能不能做出一个今天还不存在的新品类。这类项目用上面三个问题去卡,会被直接枪毙。
那种项目的定位应该是研究投入,不是业务落地。企业立项时写的往往是后者,评估时用前者——这就是错配。
最后
这两年所有人都在讨论模型能力、参数、榜单。
但真正的分水岭不在那儿。
能跑通的场景,比能跑分的模型值钱。 因为前者能算出账,后者只能算出一个排名。