为什么我劝传统企业别急着上大模型
大模型解决的是「生成」,而传统企业的大多数痛点根本不是生成问题。顺序错了,钱花了,问题还在。
这两年我被问最多的问题是:「我们也想上大模型,从哪开始?」
我的回答通常是:先别上。
不是技术不行,是顺序不对。
大模型解决的是「生成」
把话说简单一点:大模型擅长的事情是——你给它一堆信息,它给你一段文字、一张图、一个方案。
这个能力很强,但它有一个前提:信息得先是干净的、结构化的、能被找到的。
而多数传统企业的问题是:这些前提一个都不成立。
- 客户数据散在三个系统里,互相不认识
- 项目经验在老师傅脑子里,从来没写下来
- 同一个指标,财务部和业务部算出来的数不一样
在这个基础上接一个大模型,它生成得越快,错得越远。
这是在不平的地基上盖楼。
我见过的三种典型失败
第一种:把大模型当搜索引擎
买了个私有化部署,把公司所有文档灌进去,指望它回答问题。
三个月后没人用了——因为文档本身就没整理过,检索出来的东西半对半错,还不如直接问人。
第二种:把大模型当写手
让 AI 写方案、写文案、写汇报。产量确实上去了,但质量参差不齐,改稿的时间比原来写得还久。
问题在于:没人能判断哪一篇是对的,因为组织里根本没有"好方案"的标准。
第三种:把大模型当项目
立了个"AI 转型"的项,做了一年,演示效果很好,业务指标一点没动。
因为从头到尾没人回答一个最简单的问题:这个东西上线之后,哪个数字会变?
那些做成的,顺序是什么
回头看老干妈、TCL 这类被反复引用的案例,会发现它们的顺序和大多数人猜的不一样。
老干妈不是先上大模型,是先解决了一个具体工序。
辣椒分选——高速相机、视觉识别、气流剔除。这是一个边界极清楚、对错当场可判的问题。做好了,不良率降到 0.02%。
这件事里没有"大模型",只有计算机视觉。
TCL 是先有了场景,才去训模型。
TCL 做星智大模型,是因为半导体显示领域有海量的缺陷样本、有明确的判定标准、有现成的产线数据。这些条件攒了十几年,模型才有地方长。
它们的共同点:先有闭环,再谈模型。
正确的顺序
我的建议是这个顺序,一步都别跳:
第一步:把流程数字化
一件事怎么开始的、经过谁、在哪个环节停住、结果怎么算——先把它变成可记录的流程。这一步不需要 AI,只需要决心。
第二步:让数据能对上
同一个指标全公司一个口径。做不到这一点,后面所有分析都是幻觉。
第三步:把判断写成规则
哪些情况该怎么做,写下来。写不出来的部分,标出来——那才是真正需要人判断的地方。
第四步:才轮到模型
到这一步,你会发现自己其实不需要一个通用大模型,你需要的是一个在特定场景里足够准的东西。可能是个小模型,可能只是一组规则,也可能根本不需要。
一点边界
这个顺序不是所有企业都适用。
如果你的业务本来就轻、数据本来就干净、流程本来就标准化,直接从模型切入没问题——互联网公司大多属于这一类。
但对大多数传统企业来说,跳过前三步直接上模型,等于把不确定性又叠了一层。
最后
大模型是好东西,但它不是起点,是结果。
真正难的部分从来不在模型,在模型之前那三步——那三步不性感、没噱头、上不了新闻,但决定了后面所有事情成不成。
急着上大模型之前,先问自己一句:我的流程跑通了吗?
没有的话,先去做那件事。