AI落地的需求制造论

需求无法被发现，只能被制造。

客户说"我要一个三维可视化大屏"。

这句话你听过多少遍了？你心里清楚，他要的是能发现管道漏水、能缩短响应时间、能降低运维成本的系统。但他说不出来。不是表达能力的问题，是他根本不知道还有另一种可能。

这时候你面临一个选择：照着他说的做，交付一个漂亮的大屏；还是帮他把那个说不出来的东西找出来。

大多数时候，行业选择了前者。大屏交付了，验收通过了，然后店长月初打开一次，月底打开一次。

钱花了，系统建了，价值没出来。问题出在哪？

你会说：技术不够成熟、人才不够多、数据不够干净、场景不够清晰。这些都是对的，但都是零阶道理之下的高阶修正。零阶道理只有一个：你以为第一步是发现需求，但需求无法被发现。它只能被制造。

如果家用照明一直依赖市场调查，现在房间里点的将是高度复杂的煤油灯。

—— 常被引用的比喻

这句话刺穿了一个幻觉：客户能准确表达自己需要什么。乔布斯说得更直接：人们不知道自己想要什么，直到你展现给他们看。

这不是什么新道理。但在AI时代，这个老道理有了新的紧迫性。原因很简单：AI这个品类太新了，客户连参照系都没有。你问一个车管所的主任"你需要AI做什么"，他能想到的上限是"帮我自动填表"。他不会说"帮我把审核时间从15分钟压缩到3分钟"，因为他不知道这件事在技术上已经可以做到。

快刀广播站第982期讲了两个案例，恰好都指向同一个结论。

第一个是车管所。一位叫陈景钗的前线部署工程师接手了一个车管所遗留系统的IT运维项目。驻场期间他发现：前台已经数字化了，后台还在靠人。工作人员一张张点开图片审材料，一单15分钟，每天几百单。他第一次提出AI方案，被客户拒绝了。客户的理由是"现在这样也能干"。

转折发生在驻点快递企业面临经营压力、想减人增效的时候。"不够痛"变成了"真的痛"。方案落地后，审核时间从15分钟缩短到3到5分钟，日均办件量从七八百件提升到1100件。

"很多AI需求一直都在，只是还没有痛到需要改变。"

—— 陈景钗

第二个是消防维保。另一位工程师尚启峰进场后先做访谈调研，在会议室跟一线员工聊。问题是老板和管理人员在旁边，员工只会说"还行""挺好的"。他调整策略，从会议室走出去，直接看维保人员怎么干活。他发现：填纸质检查表，录Excel，翻微信找设备信息，打印归档，光表格整理就占半天。

关键洞察来了。你问他有什么痛点，他大概率不会说"我每天花半天时间填表格"，因为填表格就是他的工作，他不觉得这是额外的事。

就像你问一条鱼"水怎么样"，鱼会说"什么水？"

这就是"需求发现"的死结。客户表达出来的需求，是他认知框架内的投影。而认知框架本身就是问题的一部分。你在一个错误的框架里做需求调研，得到的只会是一个更精致的错误。

Palantir给出了另一种解法。这家公司2003年创立了一种叫FDE（Forward Deployed Engineer，前沿部署工程师）的模式。FDE不问"你想要什么"，而是直接驻场，做原型，请客户挑刺。需求在交互中被制造，不在问卷中被发现。

空客的案例最能说明问题。在图卢兹工厂，空客当时面临的最大挑战是扩大A350机型的产能。零件数据散落在不同系统中，工程师要花大量时间拼凑信息。Palantir的FDE驻场后，搬到图卢兹住了一年，每周四天在工厂里跟一线生产人员并肩工作，通过数据整合帮空客打通了产能瓶颈。空客没有"发现"这个需求，因为空客不知道自己的数据里藏着答案。Palantir制造了这个需求：你看到原型能解决你一直没解决的问题，你才知道你需要什么。

这不是一家卖技术的公司，这是一家卖"需求制造能力"的公司。

既然需求是被制造出来的，那下一个问题就是：谁来制造？

直觉的答案有两个：老板或者员工。但两个都不对。

这就是需求制造的两难：老板有决策权但没有场景感知，员工有场景感知但没有技术认知。两端各缺一半。

尚启峰就是那个站在中间的人。他从会议室走出来，蹲在维保现场看人干活，看到维保员在纸质表格、Excel、微信、打印机之间来回切换，光整理表格就耗掉半天。这个画面，老板在会议室里看不到，维保员自己不觉得是问题。只有既懂业务流程又知道AI能做什么的人，才能把它翻译成一个可执行的场景。

Palantir前高管Bob McGrew（后来去了OpenAI当首席研究官）给FDE下过一个经典定义：FDE是驻扎在客户现场的技术人员，负责填补产品功能与客户需求之间的差距。

注意这个词：填补。不是"发现需求然后回去开发"，是"填补差距"。差距是产品当前能力和客户实际工作流之间的距离。这个距离不是客户量出来的，是FDE在现场感知到的。

"先上飞机，再问问题。"

—— Palantir 偏执文化口号

不要在办公室里讨论客户需要什么，直接到客户现场去，先做起来，在真实场景中让需求自己浮现。FDE通常每周3到4天在客户现场工作。这不是咨询顾问的做派，这是特种部队的做派。

"背景知识才是稀缺之物。"

—— 泰勒·科文 · 经济学家

算法不稀缺，算力不稀缺，数据不稀缺，稀缺的是对客户业务流程的背景知识。你不在现场，就不知道A350的零件数据散落在哪些系统里，不知道后台还在靠人一张张看图，不知道填表格占了一半天的时间。

这些信息不会出现在任何需求文档里。它们只在实际工作流中被观察到。而观察到它们的人，就是需求制造者。

这个数据翻转了大多数人的直觉。你以为AI落地的难点在算法？只占10%。70%的仗在人和流程上打。而人和流程的核心，恰恰就是需求制造：谁去理解人的工作流，谁去把流程中的摩擦点翻译成AI能解决的场景。

写到这里，我想从我自己的行业经验出发，把这个判断落到地面。

做数字孪生的人，每天都在面对"客户不知道自己要什么"这件事。客户来找你，说要做三维可视化。你问为什么，他说"领导想看"。你问看完之后呢，他说"还没想好"。

这就是典型的需求幻觉。客户表达出来的需求是"三维可视化大屏"，但这个表达是他认知框架内的投影。他的参照系是行业里其他单位的大屏，不是他自己业务流程中的真实痛点。

你照着做，交付一个大屏。三维模型很漂亮，数据接口也接了，领导验收时很满意。然后呢？大屏放在控制室里，值班人员看一眼就回去干自己的事了。因为大屏上显示的东西，跟他日常要处理的问题之间，隔着一层。他能看到管道在哪里，但他不知道哪根管道明天可能漏水。他能看到设备状态是绿灯，但他不知道这个绿灯背后有没有隐藏的故障趋势。

那正确的起点是什么？我从自己的实践中得到的答案是：数字孪生落地的核心价值不在建设，而在运营管理。降本增效才是核心需求。但"降本增效"这四个字，客户自己说不出来。他需要你帮他发现：原来巡检路线可以优化，原来设备故障可以预测，原来能耗异常可以在它变成账单之前被拦截。

这些需求不是被发现的，是被制造的。是你驻场之后，看了三个月的运维日志，跟维修工聊了二十次，蹲在机房里观察了一周，才拼出来的图景。你把这张图景做成原型，拿给客户看，他才会说"对，我就是要这个"。

这个过程中你做的事情，和Palantir的FDE做的事情，本质上是一样的。你在填补产品能力与客户实际工作流之间的差距。你不是在听客户说他要什么，你是在看客户怎么做，然后告诉他可以怎么做。

技术方向也应该跟着这个逻辑走。如果需求是从运营管理的摩擦点中制造出来的，那技术就应该从"管设备"走向"懂人"。要理解人怎么跟设备打交道，人在什么环节浪费时间，什么环节容易出错，什么环节的决策可以自动化。

煤油灯和电灯的区别不在于亮度，在于底层逻辑。客户要的不是更亮的灯，是更长的活动时间。你给他一盏更精致的煤油灯，亮度提了30%，但他还是在用煤油的逻辑思考照明。你给他电灯，他的生活方式就变了。

AI落地和数字孪生落地是一样的道理。你给客户一个更漂亮的大屏，他还是在用"看一眼就回去"的逻辑工作。你给他一个能预测故障、能优化路线、能拦截异常的运营系统，他的管理方式就变了。

先求不死，再求发展。先让客户用起来，再让系统长起来。

名词解释

FDE（前沿部署工程师）：由Palantir公司创立的岗位模式，把工程师直接派驻到客户现场工作，不写需求文档，而是直接做原型、观察实际工作流、在交互中帮客户"制造"出真正的需求。可以理解为"住在客户公司的技术特种兵"。

概念验证坟墓：硅谷的说法，指AI项目既没有彻底失败也没有真正成功，年年汇报"持续推进中"，实际已经停在那里不动了。就像项目既没死也没活，卡在炼狱里。

零阶道理：一个事物或决策中最基本、最重要的道理。因为它太基本了，人们反而不愿意谈论它，更喜欢谈论对它的修正和补充。但高阶修正没有资格取代零阶道理。

古德哈特定律：当一个指标变成目标，它就不再是个好指标。比如客户说"我要大屏"，大屏是指标，但如果把"做大屏"当目标，就忽略了背后真正的需求。

70-20-10原则：业界常说的AI实施经验法则。约70%的挑战来自人和流程，20%来自技术，10%来自算法。意思是AI落地的主要矛盾不在技术层面，而在组织和流程层面。

#宗升科技 #AI落地 #需求制造 #数字孪生 #FDE #空间智能 #智慧运维 #行业洞察