AI 在 To B 软件项目落地的3个主要难点以及解决措施
开篇来个抱怨，在外出差，只要做好手头项目的事情，在公司了不但要做好手头项目，还要参与各种会，各种别人主职责的会，一下午在讨论评估AI在公司产品，好好学习别人的分享。
会上讨论AI技术在几个试验局项目中的落地实施，主要存在哪些问题，最后通过几个项目上实战总结，To B（尤其是金融、企业核心系统）软件项目里，AI 落地难的不是模型能力，而是组织、业务、数据、流程、责任这一整套旧体系如何接住 AI。
一、业务侧难点：复杂、合规、模糊，AI 很难直接懂客户定制化的需求。
1.AI 训练数据多是行业通用知识，缺我们具体的授权阈值、特色业务、地方监管解释。
2.业务边界模糊、变更频繁，AI 上下文易漂移。如业务方自己也说不清“对公优化”到底改哪些（范围蠕变），一个需求来回改，AI 多轮对话里前面假设被覆盖、遗忘。
解决措施：建立本地的业务规则苦，统一定义核心概念（账户类型、交易种类、授权级别、凭证类别、合规触发点等），形成机器可读 + 人可维护的业务文件。
需求变更记在邮件/群聊/口头，没结构化各个系统分散，接口不全。
解决措施：将历史 PRD、评审意见、合规制度、系统文档结构化入库本地化知识库，打造 AI 可读的企业过程资产，解决隐性知识调用难问题。
PM 用 AI 写 SRS → 开发要看 Jira/Confluence → 中间靠人搬运。
输出不稳定，同一 Prompt 两次输出略有差异（措辞、结构、细节程度）。
解决措施：在 AI 与老系统之间建立中间适配层或智能体（Agent）编排层，通过 API/RPA 安全调用老系统，屏蔽底层异构差异，实现边用边改。
新东西的出现，总会有很多的困难点。多多学习，多多总结，总会有收获的。
夜雨聆风
