从设计软件到解决问题—AI 时代 IT 顾问的认知升级

作为IT顾问，我切身体会到从管理软件发展到AI，对顾问意识与知识的升级要求，工业AI尤其如此。

一、一卷电缆，两位顾问

一家民用电缆厂，仓库每天都在做同一件事：把大卷的电缆，按照订单需求，切割成各种规格的成品。

听起来再普通不过。但仓库主任有个长年的心病：边角料越堆越多。半米的、两米的、三米八的，花花绿绿一大堆，账面上都是资产，实际上没一段能凑成完整订单，最终只能当废料处理。月底一核算，切割浪费率长期在 25% 以上。

1.第一位顾问的答案：设计软件

10年前，工厂找来了一位 IT 顾问。

这位顾问经验丰富，做事也认真。他深入车间，访谈了销售、生产、仓库和财务，梳理出整个销售与切割流程，然后开出了一套解决方案：

建立 SKU 分类体系——把边角料按长度分档管理；设定库存预警阈值——超过多少就触发盘点；设计出库流程——每次切割都要记录用了哪卷料、切了什么规格。系统上线，数据上了，界面清晰，流程规范。

三个月后，工厂验收。库存数据确实清晰了许多。但浪费率呢？依然 25%，纹丝不动。

这套系统告诉我们“废料有多少”，但没有告诉我们“怎么有那么多废料”。

问题不在软件，在于当时顾问对问题的定性。

2.第二位顾问的答案：“解决问题”

10年后，工厂找来了一位新顾问。

第二位顾问来了，同样访谈，同样看数据。但他问了一个不同的问题：

“你们每天要切哪些规格、各切多少根？”

答：1.2 米的要 5 根，2.5 米的要 3 根，3.8 米的要 4 根……

顾问听完，停了一会儿，然后说了一句话：

“这不是库存问题，这是一个运筹优化问题。”

他打开电脑，没有搭系统，没有画流程图，而是建了一个数学模型：

给定一批长度为 10 米的原材料卷，现在需要同时满足若干种规格的需求量，问：如何安排每卷的切割方式，使总用卷数最少、余料最少？

这个问题有个专门的名字——Cutting Stock Problem（切割库存问题），是运筹优化（Operations Research，简称 OR）里有精确解法的经典问题，1960 年代就有学者系统研究过。

模型跑完，结果出来了：

同样的需求，同样的原材料，第一位顾问的方案需要 7 卷，浪费率约 26%；第二位顾问的方案只需 6 卷，浪费率降到 2.5%。省下的那 24% 的材料成本，就是识别出“问题本质”带来的价值。

差距不在系统有多先进，在于顾问有没有那一步——看出问题的数学结构。

二、这不是孤例

有人说，这只是制造业的特例。但如果你在 IT 顾问这个行业做久了，你会发现，这个故事几乎天天在发生，只是换了行业、换了场景、换了说法。

生产排程“工期太长”，背后是调度优化问题；设备维修“故障频繁”，背后是可靠性预测问题；采购管理“库存积压”，背后是需求不确定性问题；质量检测“次品率高”，背后是过程控制问题；物流配送“成本太高”，背后是路径优化问题。

这些场景，传统 IT 顾问的解法几乎是统一的：建系统、上流程、做仪表盘。数据进了系统，流程理顺了，报表好看了，但问题本身——那个让指标走高的数学结构——还在那里，没人动过。

IT 顾问每天面对的业务场景，背后几乎都藏着一个被流程思维遮住的数学结构。AI 时代的顾问升级，不只是学会使用工具，而是先要具备“看见那个结构”的眼睛。

那么，这双眼睛，究竟是怎么长出来的？

三、两个根本升级

传统 IT 顾问的转型，需要的不只是掌握一套新工具，而是两个更底层的升级：一个是意识，一个是知识。

升级一：意识——能看见问题背后的问题类型

电缆工厂的第一位顾问并非能力不足，他对系统的理解、对流程的设计都是专业的。他的局限在于：进入业务场景时，脑子里只有一个问题——“这里需要什么系统？”

而第二位顾问多了一个问题——“这是什么类型的问题？”

这个问题，听起来只多了几个字，但背后是截然不同的认知框架。

在运筹学和决策科学里，几乎所有的业务问题，都可以被归类为有限的几种数学结构：优化问题（找最优解）、预测问题（推断未知量）、分类问题（判断归属）、调度问题（排列顺序与时间）、路径问题（求最优路线）……

一旦你能识别出“这是哪类问题”，后面的工具选择就变得清晰了——就像医生先要判断“这是什么病”，才能开对处方。不识别病种，上来就开止痛药，疼痛能缓解，病根还在。

意识的升级，是从“这里需要什么系统”变成“这是什么类型的问题”。前者解决的是信息管理，后者解决的是结构性决策。

升级二：知识——知道每类问题对应的工具箱

光有意识还不够。识别出“这是个运筹优化问题”之后，你还需要知道：用什么方法解它？落地时有什么关键判断？

这就是知识层面的升级。好消息是，AI 时代大大降低了这道门槛。

过去，一个顾问想要懂运筹学，得系统学过线性规划、整数规划、随机过程……门槛很高，周期很长。今天，借助大语言模型，一个有意识的顾问可以快速找到“这类问题的主流解法是什么”、“Python / OR-Tools 怎么建模”、“有哪些开源库可以直接用”，Claude Code/Codex能帮助我们快速验证方案——AI 大幅压缩了从“识别问题”到“动手建模”之间的距离。

但有一点 AI 仍然替代不了：判断。

哪些约束条件是硬约束（必须满足），哪些是软约束（可以权衡）？业务方对”最优解”的定义是什么——是成本最低，还是时间最短，还是风险最小？现有数据质量够不够支撑建模？这些判断，需要顾问对业务的深度理解，需要经验，需要与人的对话，是 AI 无法独立完成的部分。

AI 负责降低技术门槛，顾问负责提供业务判断。两者叠加，才是 AI 时代顾问的真正价值所在。