一、模型不是答案，是水压

上一篇我们说到，OpenAI 们集体踩刹车，是因为"电力思维"撞了墙——AI 从来不是电，是水。

这一篇落到地面：既然它是水，这条长尾到底该怎么啃？

真正做过一线落地的人大多有同一个体会：耗时间的往往不是“选模型”，而是 Agent、Skill、MCP、评测、监控、工作流、知识库和权限这些细部。模型提供水压；这些细部决定水是否进得了田、会不会漫出来、用后能否沉淀。

先说一个最容易犯的错——把"买模型"当成"治水"。

采购最先进的模型，类似换一台更大的泵；给员工开账号、上线通用智能体，类似在楼里装一个公共水龙头。离让能力进入关键生产流程，还隔着一整套系统。

而这一堆看着琐碎的家伙，用"治水"的思路一捋，其实就四层：引水、分水、治水、回水。

一层一层拆。

图1｜引水、分水、治水、回水，分别对应接入、分配、治理和反馈沉淀。

二、第一层：引水——把模型和数据源接进来

引水，不是开个 API 账号那么简单。它至少得干三件事。

接模型：接入大模型，就像给这套系统装上水泵，并接通“通用水库”——解决的是“水压够不够”的问题。

接数据：企业内部的数据、文档、系统，得能被模型读到。通用知识是"公共水库"，你企业的数据是"自己的一口井，一片塘"——知识库和 RAG 干的事，就是把这口井这片塘挖出来、接到水网上，让模型调用的时候，能捞到你自己的地里的水。

接工具：你的 CRM、ERP、数据库，得能和模型对上话。这背后是 MCP 这类标准协议——它把企业五花八门的工具和数据源，统一成模型能读懂的"标准管道"。

泵、井、管三样都通了，水才算真正引进来。否则，模型再强，也是个读不到你数据、碰不到你系统的孤岛。

很多企业现在就停在这一层：员工会聊天、会总结、会生成 PPT，但模型读不到业务数据、碰不到业务系统。水引到了门口，可还是靠人一桶一桶提。

所以引水只是起点，不是终点。

三、第二层：分水——把模型拆成能干活的 Agent 和 Skill

水引进来了，下一步是分：把一池子通用能力，拆到具体岗位上。

这一步在工程上，对应两个概念。

Agent（智能体），是"能干活的具体角色"——一个会审合同的 Agent、一个会查订单的 Agent、一个会做客服的 Agent。它有目标、能规划、会调工具、能连续执行多步任务。

Skill（技能），是这个角色手里的"具体家伙"——查数据库、发消息、调接口、解析 PDF、算账。一个 Agent 挂几个 Skill，就像一个人拎着几件趁手的工具。

借用水利的说法，Agent 是通往具体田块的支渠，Skill 是田里的取水口。

销售线索判断、客服回复、合同审阅、财务核对——每一个场景，背后都是一个或多个 Agent，挂着一组 Skill，在跑一条具体的工作流。

而到底怎么挂、怎么配——什么任务配什么 Skill、什么场景用什么参数、浇多少水——这才是结合本地土壤的"配方"。配对了，水才真正浇到点上。

同一个模型，进入不同的 Agent 和 Skill，价值会完全不同。它可以只是提高一点内容生产速度，也可以在受控条件下帮助核对合同、处理订单、识别异常。差别不在模型本身，而在于能力被接进了哪条流程、能调用什么工具、由谁负责最后确认。

一个只会写周报的 AI，和一个能审合同的 AI，用的是同一个模型。差别不在模型，在"你把水引到了哪块地、装了什么取水口"。

四、第三层：治水——评测、监控、护栏

这是最多企业忽略的一层，也是我最想强调的一层。

水不是越多越好，AI 输出也不是越多越好。企业接入 AI 后，常见的并非“缺水”，而是水患：

·大量低质量内容泛滥；

·错误答案进入正式决策；

·员工把没核验的结果层层转发；

·私密数据流向外部模型；

·多个部门重复购买工具；

·AI 生成的数据，又被拿去训练 AI。

这些对应的不是干旱，是洪水、污染和淤塞。

工程上，治水靠三样硬家伙。

第一样，Harness——评测框架。说白了，就是给 AI 的输出"测水质"：准备一批标准问题，看它答得对不对、稳不稳、有没有越界。模型升级一次，回归测一遍；Agent 改了个 Skill，再测一遍。没有评测，你对"这个 AI 到底行不行"的判断，全靠感觉。

第二样，监控——可观测性。每一笔调用花了多少钱、延迟多少、报了什么错、命中了几次护栏，都得记下来。这就是水利里的"计量"——不计量，你不知道哪里在漏、哪里在淤。

第三样，护栏——限流、熔断、人工确认。什么场景必须人工点一下、什么输出必须拦下、什么情况自动切回人工，这是"闸门"和"泄洪道"。

这三样，落到水利设施上，就是一套完整的清单：

·闸门：什么场景必须人工确认；

·沉沙池：哪些输出要先核验；

·水质标准：不同任务，允许多高的错误率；

·分区供水：不同岗位，可以访问什么数据；

·泄洪机制：模型异常时，怎么切回人工。

缺少这一层，引水和分水推进得越快，风险扩散得也越快。

图2｜评测检验输出质量，监控记录运行状态，护栏设置人工确认与异常切回人工的路径。

五、第四层：回水——让每一次使用流回组织

这是四层里最有价值、也最被低估的一层。

一次 AI 调用，不应该只产生一个答案。它还应该留下：

·输入了什么问题；

·调用了哪些内部材料；

·AI 给出了什么结果；

·人修改了哪里；

·最终有没有被采用；

·后续产生了什么业务结果；

·哪些规则需要更新。

在工程上，这就是把反馈变成数据、把数据变成改进。这批过程数据，能干四件事：

改提示词和 Skill——哪些回答老出错、哪个 Skill 不好用，从数据里一眼能看出来；

更新知识库——人纠正过的答案、被采纳的内容，回流进蓄水池；

充实评测集——那些"AI 答错了、人改对了"的案例，正是 Harness 下一轮评测最宝贵的测试样本；

回测模型——拿同一批评测集，跑一遍新旧模型，看新的是不是真的更强。

走到这一步，企业才可能把使用过程不仅用于“测泵”，还用于“改泵”：在脱敏、合规并经人工确认的前提下，用本地数据做微调或蒸馏，得到更贴合自身场景的小模型。它标志着企业从采购通用能力，开始沉淀本地能力。

这就是"数据梯次利用"，也是古人早就懂的道理——适质适用：不是所有用途都需要最高等级的水，不同质量的水，匹配不同的用途。

原始业务数据，支持正式决策；脱敏数据，用于模型评测；人工修改记录，变成训练样本；失败案例，进风险规则库；低敏过程数据，用于自动化优化。

但这里有一条边界，必须说清楚：

数据的管理逻辑比水复杂。水在使用中被消耗或污染，数据却可以复制。但数据经过 AI 反复加工，也会产生另一种污染——错误被复制、偏见被强化、AI 生成的内容，被再次当成真实数据。

这并非杞人忧天。高质量人类数据日益稀缺，模型过度使用未经筛选的合成数据，可能造成错误和偏见的累积，甚至带来能力退化。企业的闭环也面临同样风险。

所以回水系统必须配一套"水质标记"：原始事实、人工确认、AI 生成、待核实、已过期、禁止用于训练。

没有这些标签，所谓"数据闭环"，很可能不是学习闭环，而是错误的自我繁殖。

还有一层，得留到下一篇再说：回水能不能流回来，光靠企业自己是靠不住的——末端没人盯着，水只会流走，不会回流。

图3｜过程记录经过人工纠错、确认和筛选，再用于更新知识库、Skill 与评测集，服务下一次调用。

六、古代治水，教给企业的三件事

四层水网讲完了。现在把时间拨回两千年前，看看古人早就想明白、而我们今天又忘掉的三件事。

第一件：岁修。

都江堰用了两千多年没废。秘密不在工程，在制度——设专门的管水机构，每年必须"深淘滩、低作堰"，定期清淤排沙。

对照今天：IDC 的数据显示，工业大模型的应用比例一年内从 9.6% 冲到 47.5%，但绝大多数项目，上线三个月内就沦为摆设。

为什么？因为没人做岁修。企业把 AI 当成一次性的工程，装完就完。而渠道会淤积，年年都得淘。

工程上的岁修，要抓住两件事。第一，Harness 的回归测试别停：模型升级了、Skill 改了、数据换了，都要重新跑一遍评测。第二，监控的告警别关：线上效果变差、调用异常、成本飙升，要第一时间看得见。两件事少一件，三个月后这套系统就会变成摆设。

都江堰两千年不废，靠的不是工程，是岁修。你的 AI 系统，也得有人年年清淤。

第二件：分水。

都江堰最厉害的地方，不是"把岷江水引到成都平原"，而是同时完成了分水、排沙、泄洪、流量控制和灌溉。它不是一条管道，是一套会应对水量和泥沙变化的系统。

对应到企业：真正重要的不是某一句神奇的提示词，而是——

什么任务何时触发 AI，AI 读取哪些信息，输出交给谁，谁负责确认，修改记录回到哪里，最终效果怎么测量。

这张流程图，才是企业的"水利图"。在工程上，它就是你的工作流编排，加上 MCP 接好的工具，加上沉淀下来的 Skill 库。提示词，只是其中一个闸门的操作说明。

第三件：因地制宜。

同样的水，在平原和山区，需要完全不同的工程。同样的 AI，在不同企业里，也不能直接复制：

·决策高度集中的企业，适合修"总干渠"；

·一线变化快的企业，需要大量小型"水井"和局部 Agent；

·数据敏感的企业，需要封闭水网；

·数据质量差的企业，第一步不是引水，是清淤。

AI 落地失败，很多时候不是模型不够聪明，而是企业没先勘察自己的组织地形，就照搬了别人的工程图。

图4｜持续维护、流程分工和组织地形，决定一张水网能否长期运转。

七、三个推论

顺着这套水网模型，还能推出三个更深的判断。

第一，模型优势会商品化，渠道优势不会。

当各家模型能力越来越接近，企业的差距不会主要来自"用了哪家模型"，而来自：AI 进入了多少关键流程、每条流程有没有数据回流、员工会不会纠错、企业有没有自己的知识蓄水池、能不能把一次成功变成可重复的组织能力。

更准确地说：标准泵会商品化——谁都能买到同样的泵；但你自己用井里的水喂出来的那台定制泵，不会商品化，它抄不走。

未来企业的差异，不会只来自使用了哪台泵，更来自谁拥有一张能持续运转的灌溉系统。

第二，企业最大的 AI 资产，不是提示词，是"渠系图"。

一句提示词可以抄走，一张"什么任务、用什么数据、谁确认、怎么回流"的渠系图抄不走。它长在组织里——具体说，就是你的工作流定义、MCP 连接、Skill 库、评测集这一整套东西。这些，才是真正抄不走的资产。

第三，AI 普及的瓶颈，最终是组织地形。

不是技术，是组织。技术问题三年内会被解决，组织问题十年都未必。

八、本篇小结

可以把这一篇压缩为三点：模型、数据和工具要先接成可调用的水源；能力要按岗位与流程分配，而不是让一个通用助手包打天下；最后必须有评测、护栏和反馈闭环。没有后两项，接入越快，代价往往越大。

下篇预告

到这里，还有一个更大的问题必须回答：

既然 AI 落地靠的是"水网"和"制度"，那放大到国家，什么样的制度更会治水？

不同文明，面对水，会给出截然不同的答案。这些答案，几千年后，长成了制度，也正在决定这一轮 AI 竞争的走向。

而中国——一个以治水为制度基底长出来的文明——手里可能握着一张被严重低估的牌。

《AI 进入企业，是一场治水（下）：AI竞争下半场，拼的是谁能把AI用进生产一线》，最后一篇见。

内容你随便拿去用，@野生羊老师  就行

让我也顺便蹭蹭你的流量呗

联系我们：YimingAIDada