第五局:AI套壳,旧软件披上大模型外衣,还是解决不了新需求

现在打开市面上大多软件产品的介绍页面，如果不提AI，好像就落伍了。什么智能助手、智能推荐、智能问答，能加的都加上，实在不知道怎么加，也要在界面上放一个聊天框，说是“AI赋能”。

客户看了觉得新鲜，销售讲起来也有底气，但真正用起来，大部分人很快就发现，这些所谓的AI功能，跟自己的实际需求差得很远。问几个稍微复杂一点的问题，AI就开始胡言乱语；让它帮忙分析一下数据，它只会把报表里的数字念一遍；想让它自动处理一个业务流程，它连流程的上下文都理解不了。这就是典型的AI套壳——旧软件披上大模型的外衣，里子还是原来那套东西，解决不了用户真正的新需求。

我们从企业应用的角度，讲AI怎么给数字孪生赋能，怎么通过数据采集、模型构建、仿真分析、实时监控来实现智能控制。但我们要清楚，所有AI应用场景有一个共同的前提，就是要有高质量的数据基础、清晰的业务闭环、持续的模型训练和反馈机制。没有这些前提，AI就是一个摆设。而大多数中小软件企业做的AI套壳，恰恰就是没有这些前提的摆设。

先说说用户到底需要什么样的AI。这个问题如果不搞清楚，套壳就永远只是套壳。用户要的AI，不是能聊天的AI，不是能写小作文的AI，而是能解决问题的AI。具体来说，用户希望AI能帮他们做三件事：第一是预测，比如预测设备什么时候会坏、预测下个月的销量是多少、预测哪个客户可能会流失；第二是诊断，比如为什么这个月的成本超了、为什么这个订单的交付延期了、为什么这个产品的合格率下降了；第三是优化，比如怎么排产效率最高、怎么配货成本最低、怎么安排维修计划最合理。这三件事，没有一件是靠一个聊天框能解决的。

聊天框解决的是什么问题？是信息检索的问题。用户问一个简单的问题，AI从数据库里找到答案，然后告诉用户。这个功能有没有用？有一点用，但作用有限。因为企业里的信息检索需求，大部分已经通过报表、查询、搜索这些功能满足了。用户真正需要AI的地方，是那些报表和查询解决不了的问题。比如，报表告诉你这个月设备故障率上升了，但没告诉你为什么上升；查询告诉你某个客户的订单减少了，但没告诉你他为什么减少；搜索告诉你某批产品的合格率下降了，但没告诉你跟哪道工序有关。这些问题，需要AI去分析、去推理、去关联，才能给出答案。而要做到这一点，AI必须理解业务逻辑，必须能访问相关数据，必须有分析模型，必须能给出可执行的建议。这些条件，套壳软件一个都不具备。

我见过一个做设备管理软件的公司，去年宣布产品全面AI化，在系统里加了一个“AI助手”，号称可以通过自然语言查询设备信息、生成维修工单、分析故障原因。听起来很厉害，实际用起来呢？如果用户问“三号车间上周哪台设备故障最多”，AI能回答，因为这是一个简单的数据查询；用户问“三号车间上周为什么故障这么多”，AI就答不上来了，因为它不知道怎么分析故障原因；用户问“怎么降低三号车间的故障率”，AI更答不上来，因为它没有优化建议的能力。这就是套壳的典型表现：能回答简单问题，不能解决复杂问题；能处理结构化查询，不能处理业务分析；能呈现信息，不能创造价值。

那为什么中小软件企业热衷于做AI套壳？原因也不难理解。第一，市场竞争压力大，客户在问AI，销售在讲AI，如果产品介绍里没有AI，显得没有竞争力；第二，大模型的能力确实让人震撼，很多老板觉得，只要接上大模型，产品就能变智能；第三，套壳成本低，找一个开源大模型，调几个接口，加一个聊天框，几天就能做出来，不需要投入太多资源；第四，客户对AI的期望高，虽然实际效果一般，但至少能让客户觉得产品在进步。这些原因加在一起，就导致了AI套壳的泛滥。

但套壳的问题也很明显。首先，它解决不了用户的真问题。用户要的是预测、诊断、优化，套壳给的是检索、问答、呈现，中间差了整整一个层次。其次，它消耗了用户的信任。用户第一次看到AI功能，觉得很新鲜，试用之后发现不好用，就会觉得整个产品都在忽悠，连带着对公司的信任也下降了。第三，它浪费了公司的资源。做套壳虽然成本不高，但也要投入人力、时间、精力，这些资源如果用在真正有价值的地方，可能收获更大。第四，它掩盖了真正的问题。很多中小软件企业真正的问题不是没有AI，而是没有数据治理、没有业务蓝图、没有交付能力。AI套壳把这些问题的注意力转移了，让公司觉得自己在进步，实际上核心能力一点都没提升。

我在《反智的信息化》里写过，信息化本身不反智，反智的是做信息化的人。这句话放在AI套壳上同样成立。AI本身不反智，反智的是把AI当装饰品的人。AI是一个工具，一个能力，但它不是一个魔法。它不能凭空变出数据，不能凭空理解业务，不能凭空解决问题。它需要数据来训练，需要场景来落地，需要反馈来优化。没有这些，AI就是一个聊天应答的玩具。

那中小软件企业应该怎么面对AI？我觉得首先要想清楚一个问题：AI到底能帮客户解决什么问题？这个问题不是坐在办公室里想出来的，而是要到客户现场去，看客户的实际工作，听客户的真实抱怨，找到那些用传统方法解决不了、用AI有可能解决的问题。比如，客户每天要花两个小时做设备巡检记录，能不能用AI自动识别设备状态、自动生成巡检报告？客户每个月要花三天时间做销售预测，能不能用AI基于历史数据和市场信息自动生成预测结果？客户每次设备故障都要等专家来诊断，能不能用AI基于历史故障案例和实时运行数据自动给出诊断建议？这些问题，才是AI真正能创造价值的地方。

找到这些问题之后，接下来要做的是数据准备。AI不是凭空工作的，它需要数据来学习、来分析、来推理。但大多数中小软件企业交付的项目，数据质量都很差。设备台账不全，维修记录不规范，运行数据没有采集，历史数据没有结构化。这种数据基础上做AI，就像在沙子上盖楼，盖得越高，塌得越快。所以，做AI之前，先要把数据基础打好。数据标准要统一，主数据要管理，历史数据要清洗，实时数据要采集。这些工作很枯燥，很费时间，但绕不过去。绕过去的结果，就是AI功能看起来有，用起来没有。

数据准备好之后，还要选择合适的场景。不是所有场景都适合AI，也不是所有AI场景都能在短期内落地。一般来说，高频、高价值、可闭环的场景最适合AI切入。高频意味着有足够的数据来训练模型；高价值意味着用户愿意为效果付费；可闭环意味着AI的输出能够被验证、被反馈、被优化。比如设备故障预测，如果设备故障频率高、故障损失大、维修记录完整，就是一个很好的AI场景。反之，如果设备很少出故障，或者故障损失不大，或者维修记录残缺不全，就不适合做AI。选错了场景，投入再大也做不出效果。

场景选好之后，还要考虑技术路线。是自己训练模型，还是调用大模型接口，还是用开源模型微调？这个问题没有标准答案，取决于场景的复杂度、数据的敏感度、团队的技術能力、客户的预算。一般来说，简单的分类、预测、推荐任务，用开源模型微调就够了；复杂的自然语言理解、图像识别、知识问答任务，可能需要调用大模型接口或者自己训练模型；对数据安全要求高的场景，可能需要私有化部署。技术路线选错了，要么效果不好，要么成本太高，要么交付不了。

最后，还要建立反馈机制。AI不是一次性开发完就没事了，它需要持续的训练、持续的优化、持续的反馈。用户用AI做了多少次预测，预测准不准；用AI做了多少次诊断，诊断对不对；用AI做了多少次优化，优化效果好不好。这些数据要收集起来，反馈给模型，让模型不断改进。没有反馈机制，AI的效果会越来越差，用户会越来越不信任，最后就没人用了。

这些工作，没有一件是套壳能解决的。套壳解决的是“有没有”的问题，解决不了“好不好”的问题。而用户真正在意的，恰恰是“好不好”。你的AI能不能准确预测设备故障，能不能快速诊断业务问题，能不能给出有效的优化建议，这些才是用户关心的。至于你的AI是不是大模型，是不是最新的技术，用户根本不关心。用户关心的是结果，不是过程。

我在《反智的信息化》里还写过，99°的信息化加1°的数字化，才能让企业信息管理沸腾起来。AI也是一样。99°的数据基础、业务理解、交付能力，加1°的AI技术，才能做出真正有用的AI应用。如果前面99°没做好，只靠1°的AI，水永远烧不开。很多中小软件企业的问题，不是AI技术不行，而是前面99°不行。数据没治理好，业务没理解透，交付没做到位，这种情况下做AI，就是本末倒置。

当然，我也理解中小软件企业的难处。AI投入大、周期长、不确定性高，对于利润薄、人手少的中小企业来说，确实不容易。但这不是做套壳的理由。套壳看起来省事，实际上是在浪费机会。你把做套壳的那点资源，拿去做数据治理、做业务梳理、做场景挖掘，虽然短期看不到效果，但长期来看，这些才是真正的竞争力。等到数据基础打好了，业务理解到位了，场景找对了，再上AI，效果会比套壳好得多。

AI时代对中小软件企业来说，既是挑战也是机会。挑战在于，AI会改变软件的使用方式、交付方式、服务方式，那些只会套壳的公司会被淘汰；机会在于，AI会让那些真正懂业务、懂数据、懂场景的公司，获得更大的竞争优势。因为AI不是孤立的，它必须跟业务结合，跟数据结合，跟场景结合。而这些结合的能力，恰恰是中小软件企业多年积累下来的。大厂有技术，有算力，有数据，但大厂不一定懂每个细分行业的业务。中小软件企业如果能把行业做深、把数据做实、把场景做透，就能在AI时代找到自己的位置。

不是AI淘汰中小软件企业，而是套壳AI的中小软件企业会被真正懂AI场景的同行淘汰。企业信息化的需求永远存在，只是满足需求的方式需要升级。谁能提供升级后的方式，谁就能活下来，而且活得更好。

#AI预测性维护#工业数据#智能运维#数字化转型#AI落地挑战#数据质量#设备故障预测#工业AI#智能制造痛点#PHM#设备资产主数据管理#智能体规范应用