ARTICLE · 1000405
AI军备竞赛之后:为什么＂现场＂反而更重要
上一篇写AI军备竞赛（AI军备竞赛：软件行业为什么越卷越不赚钱），最后留了一个问题：
当AI Coding、Agent、大模型逐渐成为所有软件公司的标配，我们到底还能靠什么赚钱？
如果大家都能用AI把代码写得更快、测试做得更快、项目交付得更快，这些效率提升最后大概率会像上一篇分析的那样——被行业竞争传导成更低的价格。
AI能让一家软件公司不掉队，却未必让它变得更值钱。
那真正的差异化从哪里来？
最近和企业客户聊得比较多，我有一个越来越强烈的感觉：
AI越普及，"现场"反而越重要。
一、AI真正进入企业，麻烦才刚开始
现在大家已经很少争论AI有没有用了。
但客户问得反而更多了：AI到底应该放进哪个业务流程？哪些判断可以交给AI，哪些必须保留人工确认？现有系统要不要改？如果AI判断错了，责任怎么算？
这些问题没有标准答案，所以一些新项目的决策周期反而拉长了。短期看，AI并不一定马上让企业IT投入增加，某些时候它甚至让客户更谨慎。
但我不认为这是需求减弱。我更愿意把它理解成技术真正进入业务之前必然经历的"混沌期"——大家已经从"要不要做AI"进入了"到底应该怎么做AI"。这是两个完全不同的阶段。
也有些企业已经开始行动了。不再满足于做几个Demo，而是尝试让AI进入真实业务流程：让AI参与业务判断，把结果放到业务人员每天用的系统里，在人工确认后推动下一步动作。
一旦走到这一步，讨论的重点就变了。不再关心模型参数多大、用了几个Agent，而开始关心：这个东西到底有没有人在用？业务判断有没有变好？风险有没有提前发现？如果AI出了错，责任和控制机制在哪里？真正把AI放进企业日常运行里，问题会一下子变得具体起来。
二、最不起眼的工作，反而最难复制
这段时间我观察到一个现象，让我挺欣慰。
身边不同的团队，都开始用自己的方式在项目中实践AI。
从技术角度看，未必多么先进。但我越来越觉得，这些实践比"懂多少AI概念"更重要。
因为只有真正做过，才会撞见那些具体的问题。
客户说"库存异常"，系统里到底对应哪些字段？AI给的建议，谁有权限执行？执行之后结果怎么反馈？
这些事情不性感。我把它们叫做Dirty Work。
Dirty Work里会慢慢长出一种东西——Know-how。它不写在文档里，不进产品宣传册，只有做过才长得出来。模型能买，API能调，但一个业务为什么这样运转、一套系统为什么十年改不动，模型不会告诉你。
关于这部分，我以前写过一篇，有兴趣可以看：企业AI背后，那些看不见的Dirty Work
所以我现在越来越觉得：
未来AI的壁垒，不只存在于技术里，也存在于那些很难被写进产品宣传册的Know-how里。
它不好讲，但也很难抄。
三、AI让我重新理解了"三现主义"
丰田有个"三现主义"：现场、现物、现实。
以前我更多把它理解成一种制造业管理方法——不要只坐在会议室里听汇报，要去现场，看真正的东西，面对真正发生的事实。
到了AI时代，我反而觉得它在讲一个更本质的东西：
“ 场域性 ”。
很多东西，你不在那个位置，就看不到。
你不长期和业务人员一起工作，就不知道真正的问题在哪里。
你没有处理过那些异常情况，就不知道"标准流程"之外还有多少例外。
你没有在真实生产环境里跑过，就不知道Demo里看起来完美的东西，为什么到了第二周大家就不用了。
很多重要的知识不是通过"学习"获得的，而是通过"在场"获得的。
这是一个很重要的区别。
AI越通用，技术越容易获得，场域反而越稀缺。
四、软件服务公司的旧资产，可能要重新估值
如果这个判断成立，很多传统软件服务公司过去积累的东西，可能要重新看一眼了。
长期客户关系、行业知识、老系统经验、现场交付能力，这些过去往往被归到"项目经验"里，有些甚至被当成不够先进的包袱。
但AI来了以后，情况变了。
因为AI缺的不是能力。模型越来越强，工具越来越成熟，这些大家都能买到。
AI真正缺的，是上下文。
什么是上下文？就是"这个客户的业务到底怎么回事"——数据在哪里，流程怎么转，哪些环节真正影响业务结果，什么事情技术上能做但组织接受不了。
这些东西不在模型里，不在文档里，它们藏在那些老旧的、不标准的、一个个项目里慢慢攒出来的经验中。
纯粹懂模型的人，可以很快做出一个AI Demo。
但要让AI真正进入一个运行了十几年、有各种历史系统、权限关系和组织惯性的企业，完全是另一回事。
上一篇（AI军备竞赛：软件行业为什么越卷越不赚钱）我写，未来真正值得做的是"AI能力业务化"。
现在我会往前补一句：
AI能力要业务化，必须先穿过现场。
因为AI能力业务化的本质，不是给客户少几个人，而是给客户一种过去不存在的业务能力。这种能力不是AI自己长出来的，是AI加上你对现场的理解，才有可能长出来。
没穿过现场的AI，往往停在功能层。穿过去的，才有机会碰到业务结果。
五、不要离开自己的"地利"去追AI
现在AI太热，很容易让企业产生一种冲动：是不是应该做一个AI平台？是不是应该做通用Agent？
这些当然可以尝试。但做之前，我觉得可以先问一个更笨的问题：
为什么这件事应该由你来做？
如果模型大家都能买，工具大家都能用，工程师也都在学AI，那你的特殊性在哪里？
对很多软件企业来说，答案未必在一个全新的地方。反而可能就在过去十年、二十年已经站住的位置上。
长期做供应链，就去看AI能不能进入供应链决策。长期做制造，就去看生产、品质、设备里有哪些过去因为人力成本太高而没法持续处理的问题。长期做核心业务系统，就去重新理解那些系统里沉淀了多年的数据和流程。
不是离开自己的场域去做AI，而是让AI进入自己的场域。
这可能是一条更现实的路。
因为真正稀缺的从来不是"知道AI"，而是同时知道AI，也知道某一个真实世界到底怎么运转。
写在最后
中国人讲天时、地利、人和。放到AI时代，我觉得也很有意思。
天时是AI这轮技术浪潮，时代给的，我们能做的只有顺应。大模型能力快速进步，AI成本持续下降，各种工具不断成熟。这种变化不是某一家企业能决定的。
地利是每个企业自己所处的位置和场域。过去十年、二十年服务什么客户、进入什么行业、掌握什么系统，这些共同决定了今天你能看见什么问题、拿到什么数据、进入什么场景。它是历史形成的，不一定光鲜，但非常真实。
人和，我理解不是简单的团队关系好，而是一个组织里的人，是不是意识到了变化正在发生，愿不愿意学习、尝试，愿不愿意从每天的工作里找AI的机会，也愿不愿意做那些看起来麻烦、琐碎、短期没有光环的Dirty Work。如果没有一个组织自身的"觉醒"，再好的时代机会、再好的客户场景，也没意义。
天时，已经来了。
地利，需要重新定位。
能不能抓住这一次变化，最后可能还是取决于人和。