AI项目最难的从来不是技术，是把老板的焦虑翻译成真实需求

ALINA LINZI · FIELD NOTES

上一篇文章，我写了企业真正需要培养的，是一批懂业务、能把 AI 用进真实工作流的“业务型 FDE”。

但他们走到业务现场，第一件事该做什么？

先别开电脑。

因为老板嘴里说出来的需求，很可能根本没法开工。

“我们公司也要 AI 化。”

“能不能做几个数字员工？”

“竞争对手已经在用 Agent 了，我们不能落后。”

“最好能帮我少招几个人。”

这些话都是真的。老板的着急也是真的。

这些话还不能用来立项。最多能确认一件事：老板很焦虑。

焦虑会让人愿意听课、愿意开会、愿意看方案，甚至愿意掏钱试一试。但一个 AI 项目能不能活下来，最后要看企业里有没有一个高频、昂贵、可以被衡量的问题。

说白了，“我怕落后”是一种情绪，“这个流程每周都在重复消耗人力”才开始接近需求。

PART 01

“我们也要AI化”，这句话没法开工

我做商业教练这些年，经常听到一句话：

“老师，我的定位不清晰。”

如果我直接顺着这句话改定位，很容易改错。

他可能根本不缺定位，缺的是产品没卖过、内容没人看、销售不敢聊，或者交付完以后客户拿不到结果。

“定位不清晰”只是他给自己问题起的名字。

企业说“我们要 AI 化”，也是一样。

到底是销售跟进总断掉？客服回答同一批问题太慢？新人培训周期太长？经营数据每周都要人工搬运？还是老员工一离职，很多事情就没人会做？

这些问题的解法完全不同。

有人一听到“AI 化”，马上开始推荐模型、知识库、智能体、自动化平台……这跟客户一说“我定位不清”，马上替他改一句 Slogan 没什么区别。

动作很快，问题没找对。

技术越便宜，这种错误反而越危险。

以前做错一个系统，预算太高，大家还会谨慎。现在 AI 做原型很快，几天就能拿出一个能演示的东西，于是很多人急着开工。

做得越快，错得越快。

一个没人需要的 AI 项目，开发速度提高十倍，价值依然是零。

“我们要 AI 化”还不能开工，先把它拆成一个真实岗位里的具体问题。

PART 02

好的需求，是被一层层问出来的

商业教练的工作，很多时候并不复杂。

客户说了一个很虚的词，我继续往下问。

你说获客难，具体难在哪一步？没人看内容，还是有人看但不来找你咨询？

你说销售不行，是没有客户可聊，还是客户来了却成交不了？

你说产品要升级，现在有多少人付过钱？他们为什么买？交付以后拿到了什么？

问到最后，原本一团模糊的问题会变成一个可以行动的决定。

企业 AI 需求也要这样问。

• 谁每天在做这件事？

• 他现在怎么做？

• 一个月发生多少次？

• 每次花多少时间？

• 最容易错在哪里？

• 错一次会损失什么？

• 什么结果算合格？

• 谁有权决定新流程真的用起来？

如果这些问题没有答案，先不要聊模型。

FDE 的第一份交付物，也不该是一张技术架构图。

先把问题诊断清楚。

毕竟企业购买 AI 项目，最终买的是业务结果。技术方案只是拿到结果的一种方式。

一层层问到具体的人、真实成本和验收结果，需求才有可能成立。

PART 03

用户反复做的动作，比他说的话诚实

我做 AI 霖子的时候，没有先坐下来列一百个“AI 可以做什么”。

产品最早的一批功能，来自我在商业教练业务里反复处理的问题：定位、产品、内容、销售、咨询复盘……

这些问题已经发生过很多次，我知道用户在什么地方会卡住，也知道什么样的答案算有用。

产品上线以后，我继续看真实使用。

有些功能听起来很重要，用户很少打开。有些需求我没打算重点做，用户却一遍遍调用、提问、反馈。

这次带 Obsidian 知识库和 AI 霖子插件打卡营，我又经历了一轮更直接的验证。

讲到销售，学员真的会上传自己的聊天截图、跑一份很长的销售逐字稿；讲到 Skill，大家真的会用自己的文件、路径和业务指令去创建工作流。

PNG 上传失败、长任务中途断掉、插件口头说“已完成”但结果并没有真正写入……这些现场暴露出来的问题，都比一句“我希望功能更强大”具体得多。

哪里反复卡住，需求就在哪里。每一个具体失败，都能直接进入下一轮修复和验收。

AI 霖子插件直接工作在用户自己的 Obsidian 知识库里，真实文件、路径和任务都会参与需求验证。

用户当然会表达想法。但他的时间、使用频率和付费，比一句“这个功能很好”诚实得多。

所以我判断一个需求值不值得继续做，会看四件事。

第一，它是否重复发生。只出现过一次的特殊要求，很可能只适合人工处理。

第二，它是否正在产生真实成本。这个成本可以是时间、错误、返工、客户流失，也可以是某个一直卡住的收入机会。

第三，结果能不能验收。“感觉更智能了”没法验收；处理时间从两小时降到二十分钟、错误率下降、销售跟进不再遗漏，这些才可以。

第四，有没有人对使用结果负责。项目上线以后谁来推？员工不用怎么办？出错了谁判断？没人负责，再好的原型也会躺在角落里。

四件事都能说清楚，才值得进入方案和开发。

判断需求，不只听用户怎么说，更要看他是否真实使用、反复使用、愿意付费，而且结果可以验收。

PART 04

先诊断，贵一点反而更省钱

很多人觉得，既然 AI 开发越来越快，前期就不用讨论那么久了。

我刚好相反。

执行越便宜，判断越值钱。

代码写错了可以改，方向错了，整个项目都在浪费钱。更麻烦的是，一个能演示的原型特别容易制造“项目已经有进展”的错觉，所有人围着它继续加功能，最后谁也不愿意承认一开始的问题就没找对。

如果有企业需要AI 培训或落地，不应该先准备一套通用课件。

应该先听不同岗位的人怎么描述同一件事。

老板想解决什么？一线员工每天怎么做？中层担心什么？现有资料和数据在哪里？谁最希望它成功？谁会因为新流程受到影响？

再从里面挑一个值得先做的问题。

范围尽量小，结果必须清楚。先跑出一个最小完整闭环，再决定要不要扩大。

这也是商业教练能力在 AI 时代很值钱的地方。

会提问还不够。要从一堆想法、情绪和漂亮概念里，找到别人真正愿意为结果付钱的问题，再把它变成一套可以执行、验收和复制的方案。

老板有 AI 焦虑很正常。

服务方如果顺着焦虑卖一堆工具，最后只会留下更多焦虑。

先把一句“我们公司也要 AI 化”，翻译成一个具体的人、一个具体场景、一笔具体成本和一个明确结果。

这时，项目才真正可以开始。

需求找到了，下一步还有一个问题：谁来把它推进下去？

要不要马上招聘 FDE？

下一篇，我接着写。