最近我们在做一个企业尽调智能体。说实话，一开始我没太当回事，就觉得丢给模型跑跑就行了，现在的模型那么强，还有什么做不了的？

但做着做着，我卡住了。一个非常根本的问题摆在面前——我们团队没有一个人真正懂尽调。

不懂意味着什么？意味着模型之外你能做的事情非常有限。数据不知道该怎么处理，知识库不知道要搭什么，甚至都不清楚什么样的输出才算"合格"。因为你不懂这个领域的标准，你连验收的标准都没有。模型吐出来的东西，你觉得好像还行，但到底行不行，你说不准。

公司倒是有做尽调的人，你可以去咨询他们、调研他们。但说实话，咨询跟真正参与到项目里、为结果负责，完全不是一码事。对业务人员来说，你的咨询就是个负担——他手头还有自己的KPI，你的项目做成了跟他没关系，做砸了也跟他没关系。所以他最多敷衍一下，告诉你大概方向，不会坐下来帮你一起想这个功能应该怎么设计、那个指标应该怎么算、什么数据源是靠谱的什么是不靠谱的。

做不到这个程度，你还做什么智能体？模型就是个大脑，你连该喂它什么信息、该怎么喂都不知道，这个大脑再聪明也是空转。

· · ·

后来我停下来想了一下，这不是我们一个团队的问题。

现在很多企业做AI，默认的姿势就是：找一个懂技术的团队，调一个大模型，写一堆提示词，然后以为就完事了。至于业务经验？有就有，没有拉倒，反正模型那么强。

但如果你真的下场做过，你会发现这个想法根本站不住脚。问题有三层。

第一，AI对于非公开的业务经验，几乎一无所知。

模型训练的数据是公开的，互联网上能扒到的它都见过。但一家企业真正值钱的东西，从来不在公开资料里。什么数据该用、什么数据该扔，什么指标能算、什么指标算了是误导，什么场景该走A流程、什么场景该走B流程——这些判断标准散落在员工的脑子里、文档里、聊天记录里、会议纪要里，模型根本接触不到。

这些就是业务上下文。模型连你的业务上下文都不知道，你让它怎么帮你做决策？

你需要的是一群懂业务的人，把这些经验提炼出来，浓缩成有效信息，在有限的上下文窗口里塞给模型。提炼和浓缩这四个字听着简单，实际上比写代码难得多——你不懂业务，你提炼什么？你连什么东西重要、什么东西不重要都分不清。

第二，模型不擅长计算，也不擅长处理复杂逻辑。

这是很容易被忽略的一点。大模型本质上是个语言模型，它玩的是文字接龙，不是真的理解规则。比如你要它算一个企业的资产负债率，它可能会给你一个数字，看上去有模有样，但那个数字是接龙接出来的，不是真正用财务公式算出来的。你说这能用吗？

真正靠谱的做法，是你先用程序把计算逻辑写好，算好了再喂给模型，让它去解读和输出。但问题在于：算什么、怎么算、算完怎么用——这三步里，每一步都需要业务专家的经验。如果没有人告诉你这个行业应该算哪些指标、权重怎么分配、异常值怎么识别，你的程序写出来也是瞎算。

这还只是计算。如果你面对的是一个跑了好几年的老系统，里面的业务规则是多年来一块块补丁叠上去的，那更麻烦。因为这些规则不是一条条写在文档里的，是写在代码里的，而且写得很乱。你丢给AI让它去理解，它理解不了的。最后还是得人来梳理——而梳理这些逻辑的人，必须是懂业务的。

第三，如果只是丢给模型就能做，那你的产品有什么核心竞争力？

这个问题的残酷之处在于：大家都能调API，大家都能写提示词，大家都能搭RAG。如果不需要做任何额外的处理就能做出一个产品，那凭什么你做的东西别人做不出来？你的护城河在哪里？

我现在的判断是：真正有壁垒的AI产品，壁垒一定不在模型本身。模型是大家的，甚至可能过两个月别人的模型就比你的强了。但你在一个垂直领域里积累的非公开数据、业务规则、处理逻辑、工作流设计——这些别人拿不走，模型自己也不会，因为它们不在任何公开资料里。

你做得越通用，越没有竞争力。因为通用意味着谁都能做，意味着用户可以直接用WorkBuddy、用扣子、用任何通用工具，为什么非要用你的？越是企业级的应用，越要往垂直和定制化的方向走。但垂直的前提是什么？是你真的懂这个垂直领域。

· · ·

反过来想一下：如果一个团队真的懂这个垂直领域，做出来的AI会是什么样？

首先，他们知道哪些数据是关键数据、哪些是噪音。不会一股脑把所有数据都灌进去，而是会做筛选和清洗——该聚合的聚合，该剔除的剔除，该补全的补全。这个东西模型不会帮你做，它只会基于你给它的数据去推理。垃圾进垃圾出。

其次，他们知道这个领域的判断逻辑是什么。比如做尽调，你拿到一个企业的工商信息之后，先看什么、后看什么、什么指标异常了要重点深挖、什么指标看着不对但实际上可以解释——这是一套有先后顺序、有权重分配的判断流程。不懂业务的人做出来，可能就是平铺直叙地把所有数据列一遍，跟百度百科似的，用户看了跟没看一样。

第三，他们知道输出给谁看、对方要什么。尽调报告给风控官看的，和给业务部门看的，和给老板看的，格式完全不同。风控要的是数据来源和推理逻辑，业务要的是结论和风险点，老板要的是结论加建议。这些对输出格式和内容的理解，没有业务经验你根本不知道。

所以你看，有业务经验和没有业务经验，做出来的东西根本不是同一个产品。前者是一个有判断逻辑、有筛选机制、有输出标准的专业工具；后者就是一个"什么都给你但什么都不准"的半成品。

· · ·

那到底该怎么做？

我的答案其实很简单，但很难执行：业务团队必须领头，而不是被"咨询"。

回到尽调智能体的例子。最好的做法是什么？是高层推动，让做尽调的业务人员正式进入项目组，为项目结果负责。不是"有空了帮我们看看"，而是"这就是你的工作，做不好是你的问题"。角色变了，态度就变了——从敷衍变成认真，从帮忙变成责任。

而且不只是"参与"这么简单。业务人员要做的是：把你们脑子里那些隐性的经验往外掏。什么数据源是靠谱的、什么判断标准是行业默认的、什么场景容易出错、什么输出格式是客户要的——这些东西，没人比你更清楚。你把它整理出来，AI团队才有办法把它工程化，变成系统能执行的逻辑。

这个过程很痛苦，因为隐性知识变成显性知识本来就是一个很累的事。但你不做，AI就永远只能停在"看起来还行"的水平。

还有一点。做出第一个版本不是目的，能持续可用才是。模型会出错，客户会反馈，政策会变化，数据源会失效——你得有机制去回溯问题、修正错误、持续迭代。而这些，同样需要懂业务的人来判断：这个错误是模型的问题，还是业务规则的问题？这个反馈意味着要调整什么？

没有业务经验的人，连这些判断都做不了。

· · ·

我之前还操盘过一个金融领域的SaaS产品，从零到一搭起来的。回想起来，那个产品最核心的从来不是用了什么技术、接了什么接口，而是我对这个行业足够了解——我知道获客链路怎么走，知道交易结构怎么设计，知道合规边界在哪里，知道客户的真实痛点是什么、哪些是表面问题不能花时间、哪些是根本问题必须死磕。

这些判断力，模型能辅助，但不能替你做决定。因为这些判断依据太私有了——不在任何公开资料里，不在任何教程里，是在行业里摸爬滚打、摔了无数次跤之后慢慢长出来的直觉。

就像医生看病。学了理论之后，你得看过各种病人，见过各种疑难杂症，才知道怎么处理。AI就像刚学完所有教科书的医学生，知识面比你广得多，但你问它"这个病人到底怎么回事"，它只能根据书上写的给你一个"最可能"的答案。而你知道，真实的病人从来不按教科书生病。

你就是那个看过真实病人的医生。你的价值不在知识量，在临床经验。在你知道书本之外的那些"奇怪但就是这个"的判断。

· · ·

所以我现在越来越确定一件事。

AI时代，真正值钱的不是"会用AI"，而是"有业务经验，并且还懂AI"。

会用AI的人满大街都是。写个提示词、搭个工作流、调个API——门槛太低了。一个刚毕业的新人加上AI辅助，也能在短时间内做出看起来像模像样的东西。你在这个层面跟他们卷，卷不过，也没必要卷。

你的优势在哪里？在于你在真实环境里做了那么多年的项目，踩过各种坑，见过各种疑难杂症。你知道AI在什么场景下能打、什么场景下不能打、它的短板该怎么补。你知道什么是AI能替代的、什么是只有人才能做的判断。

这些东西，才是你的竞争力，才是AI替代不了的。

所以别光想着"我要学AI"——你脑子里那些行业经验、那些踩过的坑、那些说不清道不明的直觉，就是你的AI竞争力。

把它喂给AI，让AI做你的手脚。你的大脑，是你自己的经验。