项目AI含量低？你在做工作流、AI客服还是多轮QA呢
叶小钗约 7 分钟关注公众号，回复666，获取资料
前两天有粉丝正在做AI相关创业，看了《AI学习路线图》后给我发了一条消息：
小钗，我最近在整我们的项目，中间困惑了。整个项目AI含量很低啊，不知道你这边会不会也遇到，有没有一个概括性说明，让我可以快速catch up下呢？
怎么说呢，我们做AI项目一定要有大局观，需要清晰理解自己到底在做什么类型的AI项目，比如我们之前多所有的AI项目进行过分层：
这里不同类型AI项目的难度、成本、卡点完全不一样，所需的能力自然也不一样。再结合这两年实际服务过公司，大家需要关注的AI项目无非三类：
工作流AI； AI客服； 多意图、多轮知识问答系统；
如果你对团队正在执行的AI项目归类毫无概念，就一定要注意了，因为AI项目这东西有点玄妙：看起来简单，要做好并不容易，如果大的方法论没对，那就要多走很多弯路，这些就是所谓AI项目的试错成本了。
比如，去年我们为某公司做了一套AI客服系统，他们尝到效率提升的甜头后，就把客服团队全部裁了。
但后面自己做迭代时候又破坏了原来的大框架，最后系统出问题又没有客服可以补位，这就导致了大量损失，然后他们不得不召回一些客服以备不时之需。
总之，都是学费啦，为了避免大家教这些学费，我们这里偷偷分享一些实践经验给大家：
工作流AI
这两年我做AI+管理过程中接触了30多家企业，深度服务了10多家，做了23个AI项目，其中18个是标准的工作流AI项目！
即公司80%的需求都是工作流类AI项目！
对于这种项目粉丝的疑问就出来了：TMD，这也算AI项目？
因为他发现这类AI应用的重点、难点全部是梳理工作流、形成SOP，而AI在其中的比重反而不足20%！
于是粉丝不觉得自己打开方式不对，非要用类Manus方式，让AI自己去感知、规划再自动执行，系统复杂度倒是上去了，但是实际表现却很呆；
然后为提升效果，他不得不在提示词里面做大量的设计，甚至将完整的SOP口述给AI，结果还是表现不佳，于是他有些气馁：什么智能体，还不如工作流呢，费这劲干嘛？
以上，就是工作流类AI项目标志性的问题，做这类项目的时候大家一定要理解内核：这类项目本质在做数字化，梳理工作流当然是重点，没必要人为增加复杂度...
从企业视角来说，他们非常想要一套多人分散录入 → 集中汇总 → 统一分析的轻系统，这块肉之前Excel/OA/低代码/都在抢，现在抢得尤其厉害的是飞书多维表格与钉钉AI表格。
所有这类项目，难点不在开发，而在梳理SOP与行业KnowHow，他们的背后体现着一句话数据即流程，并且企业一直追求着成本低、上线快，什么工具体系能满足这一切，那么企业就会选择他。
这种项目核心是流程梳理，整体系统走下来AI占比不重。甚至如此低的AI含量将他们归类到AI项目都不太合适。
以最近的一个AI在HR体系的赋能来说，AI占比真的不足20%（蓝色是必须AI的部分）：
所以，面对这种项目，老老实实梳理工作流就好，最终你想写代码实现还是用AI表格实现，都随意，高兴就好，并且这类系统的难点其实在管理侧：
只不过这里有两个遗留问题：
第一，什么时候应该用到AI的泛化能力，增加整个系统的灵活性，让我们的AI系统能够像Manus一样既解决问题，又可以带着用户自由飞翔？
第二，钉钉提出了AI表格助理概念，可以帮我们一键生成SOP，这样是不是就不需要我们自己去生成SOP了？
这里先回答第二个问题，想多了！哪天你Claude Code能完全理解你的需求，那么那一天AI表格助理的基础可能才会成熟。
第一个问题还有点小复杂，我们后面再回答，这里先说下工作流AI的方法论。
工作流AI方法论
粉丝这里的问题暴露出来的是实施部分的困惑，我们除了要看到他说出来的内容，还需要看到他“隐藏”起来的内容，也就是：公司体系是如何实施工作流AI的？而这可以分为三个问题：
我们要如何决策先用AI去做什么； 我们要如何去做实施，如何说服老板支持我们去做； 最后才是粉丝遭遇的困惑，具体如何做这个简单的问题；
实际操作起来也没那么复杂，我给大家一句口诀：先看预算再分拆，能用AI就AI：
所谓先看预算，就是要将公司的业务全部整理出来，看看哪个部分是花钱的大头，那么我们就优先处理他；
其次是分拆，也就是我们要将这个业务每个节点拆得足够细，比如这个样子：
或者这个样子：
如果需要汇报的话，需要再做三件事：
第一是，将其中需要用到AI的部分标红出来； 第二是，将这个节点的成本结构分析出来； 第三是，将该节点用AI实现的成本做出来；
最终老板需要一个大的账本：我们用AI具体去解决了业务哪个部分的问题，之前这个部分花了多少钱，需要花多大的代价用AI去解决他？
相较于具体实现，能说服老板，确定预算也算是前期重要卡点！
结语
近来有很多同学嫌我写文章比较啰嗦，所以这篇文章的内容就到先此为止了，最后总结一下：
其实，工作流AI属于最简单的AI项目，属于顺手就做了而且多半会成功、大概率会提效的项目类型，这种稳赚不赔的项目，作为公司CTO不去推广提升自己影响力就太吃亏了。
当然，他的问题也很明显：AI含量很低，不太像一个AI项目，如果想要做AI含量高的项目，就不得不提另外两大AI项目类型AI客服与多意图多轮问答系统了，这里最后啰嗦一句：
AI客服
AI客服属于入门级AI应用，重点在于简单数据处理，多用于一问一答，在本体任务也就是SOP执行结束后，是可以引入类Manus闲聊的。
这种项目的难点也不在代码而在数据处理一块，因为是简单问答所以数据复杂度较低，几乎不存在太大的技术卡点，当前很多AI客服系统遭遇的最大问题应该是准确率；
如何将系统准确率从80%提升到90%是提示词工程的问题；
如何将准确率从90%提升至95%是数据工程的问题；
如何将准确率从95%提升至98%是飞轮系统的问题；
如何将准确率推进至99.99%是快慢系统的问题，我们这里就不赘述了。
多意图多轮知识问答
多意图多轮问答属于殿堂级AI应用，其核心在于数据工程与CoT，国内多数公司在这个领域都属于想做但玩不明白的状态。
这确实不能怪他们，因为工作流类AI难度是4，AI客服难度是5的话，多意图、多轮知识问答的难度就是10了，他的难点有三：
第一，如何将认知整理成知识，或者已经有知识的情况下，如何组织数据； 第二，数据应该如何与AI交互，保证每次AI都能拿到相关数据。发现由于数据不足导致的AI问题，应该如何用生产数据反馈系统优化知识库，这就是我们常说的数据飞轮系统，他是数据工程的一个分支； 第三，也是最后一个关卡，意图识别；
从整理数据到与AI交互再到后面的数据反馈，组成了我们常规的数据工程。
并且，很多知识是依赖于专业人员，如医生、律师，这种非互联网工种根本无力整理自己的认知，于是需要互联网人组织他们，这里又涉及到了管理学工程，大家要相信，管理医生和律师去工作是很简单的，但要让他们做输出是很难的。
比如我之前的下属有北大和首都医科大学（安贞医院）的硕士，他们是很轴的。
最后，数据工程是个漫长的周期，会导致AI项目的时间周期很长，并且系统一会表现得好、一会表现得差的，这会很消耗团队的士气，这里又涉及到了项目管理。
综上，复杂的AI项目其实是个偏工程的项目，特别是其中KnowHow、数据与技术架构、模型特性几者的纠缠会很复杂，如果不是本身水平很高的人，要么把这个事情理不清楚，要么没有管理能力去调动各个专业口的人员。
但如果已经是高管的人，很难沉下心来一点点梳理KnowHow与数据，这可能是导致复杂AI应用很少的主要原因。
这里一下没收住又说多了，具体到AI客服与多意图、多轮知识问答的难点、卡点和成本结构，我们下次再继续吧...
点击上方卡片关注叶小钗公众号，查看下方二维码，添加我个人微信：