从企业 IT 到 AI 产品：业务理解比算法能力更重要
一、公司第一个 AI 项目失败，不是因为模型不准，是因为做出来的东西没人用
这是一类典型的失败案例：团队里有 3 个 AI 算法工程师，用最先进的模型做了一个"智能客服 Agent"。自动回答率 85%，看起来不错。但上线后发现，用户最常问的 20 个问题里，10 个需要人工权限（退款、投诉、VIP 政策），AI 根本回答不了。剩下 10 个中，5 个因为术语问题 AI 答非所问。最终用户使用率不到 5%，项目被叫停。
根因不是技术能力不够，而是做 AI 的人不理解业务。企业 IT 背景的技术人转型 AI，最大的优势恰恰在于"比 AI 工程师更懂业务"。你不需要成为算法专家，但需要成为那个"把 AI 能力翻译成业务价值"的人。
二、企业 IT 人的 AI 能力迁移路径
企业 IT 人已有的能力和 AI 场景需要的能力高度互补：
核心认知：你不是要和 AI 研究员竞争"写出更好的 Transformer"——那是另一个赛道。你的赛道是"用现有的 AI 能力解决企业里的真实问题"。这个赛道需要把企业系统的数据、流程、权限和 AI 的推理能力结合起来。
三、三条务实的转型路径
路径一：从"企业搜索"切入。每个公司都有人抱怨"找不到文档"。企业 IT 人最熟悉公司的文档在哪里、怎么组织、不同角色需要看什么。做一个企业知识库 RAG，技术上只需要 2-3 周（LangChain + 向量数据库 + 已有文档的 Embedding），但业务价值立竿见影——从"找不到"变成"秒级问答"。这个项目里，你的核心贡献不是调 RAG 参数，而是梳理文档结构、设计权限隔离方案、定义回答质量的标准。
路径二：从"流程自动化"切入。报销审批、合同审核、周报生成——这些都是规则明确、重复性高、企业 IT 早已熟悉的流程。用 Function Calling 把这些流程串联起来：OA 提取报销信息 → 规则引擎检查合规性 → LLM 生成审批意见 → 自动流转到下一个节点。技术难度不高，但需要深刻理解每个流程的审批规则和例外情况——这正是企业 IT 的积累。
路径三：从"数据增强"切入。企业里的 BI 报表和仪表板，都是"展示数据"而不是"解释数据"。一条营收曲线下降了 15%，BI 只能展示这个数字，但不知道原因。LLM + 企业数据可以让 AI 自动生成"波动归因"——"本月营收下降 15%，主要由华南区订单量下降 30% 导致，该区域近 30 天流失了 3 个大客户。"这类分析要求对数据仓库的表结构和业务指标的定义非常熟悉。
四、避坑指南
不要一开始就做"通用"AI 产品：有些团队一上来就想做"企业级 AI 中台"，支持所有部门的所有场景。结果做了一年还在做底层框架，没人真正用上 AI。正确策略：选一个部门的一个场景（如客服团队的 FAQ 自动回复），2 周上线 MVP，3 个月让一个部门先跑通，再复制到其他部门。我们团队做过一个典型的对比：A 项目试图做一个"全公司的 AI 知识中台"，半年后架构设计才做完，业务方已经失去耐心。B 项目只做"财务部的报销单自动归集"，三周上线，省掉了财务每天 2 小时的手工分类工作。财务总监主动在管理层会议上汇报了这个项目的价值，其他部门陆续来找我们提需求。B 团队什么都没变，就因为选对了场景，从"求着别人用"变成了"别人求着我们做"。
不要试图用 AI 解决"不需要 AI"的问题：每天自动发一封天气提醒邮件，用 Cron Job + API 就足够了，不要为了"用 AI"去调用一次 GPT。判断标准：如果规则可以穷举（如 "if 请假天数 > 3 then 需要经理审批"），就用规则引擎。如果规则无法穷举（如"用户投诉的情感分析"），再考虑 LLM。一个实用的判断框架是：拿三个真实案例来看，每个案例需要多少条 if-else 规则能覆盖？如果 80% 以上的案例能用 10 条以内的规则覆盖，就别上 AI。规则引擎的可维护性和可解释性远超黑盒模型。
把模型当黑盒，专注做产品：不需要理解 Attention 机制的数学推导，但需要理解 Token、Temperature、Function Calling 这些概念。你的价值在于——知道客户投诉 500 条时，是让 AI 自动分类打标签（30 秒完成）还是让人工客服逐条看（2 小时），并且能把这个过程落地为产品。更进一步，企业 IT 人的独特优势是理解数据的来龙去脉：CRM 里的客户标签是哪个团队维护的？ERP 里的库存数据延迟是多久？OA 里的审批流程有几种异常分支？这些知识是纯 AI 工程师一年都补不上来的，而它们恰恰是"AI 产品能做多深"的关键。
五、总结
企业 IT 技术人转型 AI 的核心优势是"比你懂 AI 的人没你懂业务，比你懂业务的人没你懂技术"。转型不是放弃已有的企业系统经验去学 AI，而是在已有的系统基础上叠加 AI 能力。建议从三个方向切入：企业搜索（RAG）、流程自动化（Function Calling）、智能分析（LLM + BI 数据）。最关键的决策：选一个能用 2 周上线、3 个月看到业务效果的场景，而不是"做一个伟大的 AI 平台"。不需要成为顶尖的算法工程师，但需要成为那个把 AI 做成产品的人。
