为什么AI项目最后总会卡在那个最懂业务的人身上？丨FDE重新理解责任单点 一个企业的合同审查系统上线了。 这套系统用了一个Agent，专门读合同、标风险。标准合同它处理得很好：付款条款、违约责任、常见的保密约定，几秒钟扫完，标得又快又准。销售团队很满意，因为大量标准单子不用再排队等法务了。 但只要合同里出现一条非标准条款——一个客户硬要塞进来的特殊赔偿上限、一句措辞含糊的知识产权归属——系统就把它标成"需人工复核"，然后，这条复核请求，无一例外地，落到同一个人桌上：那位最懂业务的法务专家。 ...
为什么AI项目一进入跨部门协作，就会变成所有人的兼职？丨FDE重新理解资源承诺 微软2025年《工作趋势指数》报告，调查了31个国家、约3.1万名职场人。一个数字是：全球80%的劳动力——员工和领导者都算在内——说自己缺乏足够的时间或精力完成手头的工作。另一个数字是：82%的领导者有信心，会在未来12到18个月里用"数字劳动力"，也就是AI Agent，来扩充组织的容量。 ...
为什么很多系统不是死于错误，而是死于正确？丨FDE重新理解局部最优 销售部门选了一套最适合销售场景的AI工具，转化率确实涨了；客服部门选了一套最适合客服场景的AI，平均处理时间确实降了；法务部门选了一套审查最严格的AI，合规风险确实小了。每一个决定，都经过了各自部门认真的论证，也都拿到了看得见的结果。 半年后，企业发现自己拼不出一个统一的系统关系图，一次跨部门的安全审计，要先花两个月才能厘清到底有多少AI系统在处理哪些数据。真正的问题，从来不是哪一个部门选错了工具，而是没有任何一个决定，需要为整个系统负责。 ...
为什么好的架构师，总是在为未来的错误设计系统？丨FDE重新理解可逆决策 2024年夏天，摩根大通上线了内部生成式AI平台LLM Suite——这是一家年科技预算高达180亿美元的银行，完全有能力、也有资源直接押注市面上当时最强的那个模型。但它没有这么做。它选择自己在内部搭建一套系统，让OpenAI、Anthropic的模型可以同时接入，随时可能替换掉其中任何一个。八个月内，用户涨到20万，2025年拿下American Banker年度创新大奖。 ...
为什么最先进的架构，经常输给最普通的方案？丨FDE重新理解复杂度 2023年初，AutoGPT发布，核心卖点是"全自主"：给一个目标，GPT-4自己拆解步骤、自己决定用什么工具、自己执行到底，不需要人设计流程。几个月内GitHub star冲到10万+，融资随之涌入。 两年后，AutoGPT团队自己动手，把这套系统最初引以为傲的东西拆掉了——负责长程记忆的向量数据库。原因是：这份复杂度带来的收益，抵不上它的维护成本。他们拆掉的，恰恰是当初最引以为傲的技术优势。这不是"当初做错了"，是行业的发展产生了根本性变化——同一赛道里的CrewAI，生存的方式是不那么"野心勃勃"：固定角色、清晰交接、人工审批节点，不再追求"完全自主"。 ...
为什么优秀团队，总是在最后一刻才锁定方案？丨FDE重新理解信息价值 2025年年中，Karpathy说了一句话，很快传遍整个行业：该用"上下文工程"取代"提示工程"。这句话为什么会成立？因为大量团队在生产环境里发现，真正卡住agent的，从来不是prompt写得好不好，是有没有在每一步喂对信息。Shopify CEO Tobi Lütke几乎同时公开附和，几个月后，Gartner的报告里正式写下"提示工程正在过时"这个判断。 ...
为什么真正优秀的团队，总是在拒绝项目？丨FDE重新理解战略放弃 2020年，Palantir成立满17年，估值约200亿美元，准备在纽交所直接上市。招股书第一次被迫公开了这家公司一直讳莫如深的东西——客户名单，总共大约125个。这家公司此前几乎不透露自己在为谁服务，硅谷多年来一直把它当成最神秘的公司之一来议论，没人说得清它到底在给谁干活，只隐约知道它跟情报机构、军方走得很近。CEO Alex Karp多年前就说过，上市会让这样一家公司很难经营下去；这些年融到的每一轮资金，投资人也是按"是否认同长期使命"筛出来的，不是按谁给的估值最高筛出来的。 ...
为什么很多AI项目，从立项那天就已经失败了？丨FDE重新理解工程可行域 2012年，IBM与Memorial Sloan Kettering癌症中心（MSK）合作，开发一套辅助肿瘤医生制定治疗方案的系统——Watson for Oncology。2015年，IBM把它做成独立的Watson Health部门，推向全球，先后进入印度Manipal Hospitals等多家医院。 问题成立——癌症治疗方案的选择，直接关系生死，重要性毋庸置疑。 ...
为什么最先被提出来的问题，往往不是最值得解决的问题？丨FDE重新理解问题价值 “哪个项目值得占用建设资源”——这是选对项目要回答的问题。但即使一个项目已经通过了这道筛选，团队真正开始动手的时候，能摆上台面的问题不止一个，先解决哪一个，往往没有现成的答案。 大多数团队会用一套排序方法：谁最痛苦，谁最着急，谁的声音大，谁的问题就先解决。打开需求评审表，排在最上面的，通常是工单量最大的那一类，或者是上周刚刚闹到管理层的。这几乎是本能反应。 ...
为什么越容易做的AI项目，往往越不值得做？丨FDE重新理解机会成本 2025年，MIT媒体实验室旗下的NANDA项目做了一次覆盖150多位高管访谈、350份员工问卷、300个公开AI部署案例的调研。结论只有一句话：95%的GenAI（生成式AI）试点项目，对P&L（损益表）没有产生任何可以衡量的影响。真正带来收益的，只有5%。 这份报告还有一个更扎心的补充：这95%里，大多数项目并没有卡在"做不出来"这一步——它们大都顺利上线了，技术本身没有问题。企业把最多的预算投向了销售和市场类AI试点，因为这类项目demo效果最好、最容易过审批；可恰恰是这类项目回报率最低。真正带来最高回报的，是后台自动化这类不起眼、不容易拿去汇报的项目。 ...