【AI战法】(一)认知:AI如何重塑软件厂商?从产品研发、售前组织再到项目实施

写恒生的文章被投诉侵犯名誉权了，后面几篇都需要重新改下，避免被投诉，先发一篇AI应用的经验文章吧~

我在后台写恒生、赢时胜、金证系列故事的时候，发现并思考了一个问题，为什么三家做的是同一门生意，服务的是同一群客户，毛利差出去三四倍？

恒生电子，卖标准软件的，毛利率九成上下。金证股份，卖定制加集成的，整体毛利率被摊到两成多，其中设备分销那块，毛利只有六个点。赢时胜，托管业务起家的时候毛利率七成一，后来一路跌到四成出头。

差在哪？我把原因归到了三个字上：定制化。

金融行业的一部分业务系统，天生就难标准化。每个客户的制度不一样，口径不一样，流程不一样；监管出一个文，业务就改一轮；同样是一个功能，十家机构能给出十种定义。厂商没办法，只能一家一家定制，一单一单人天。需求来了派人，驻场派人，交付派人，验收完了派人维护。人是线性的，收入是线性的，成本也是线性的——毛利永远做不厚。

恒生卖标准软件，一份代码复制N次；金证卖定制加集成，一个人盯一个项目，人越多成本越高，收入涨利润不涨。写的时候我就明白，这不是经营水平的差距，是商业模式的差距。当时停了笔，没往下写——因为我不知道这个差距有没有解法。

现在我把答案补上：这个问题有解，至少有一部分解。解药就是AI。每个环节都都是可以用AI进行赋能。以我自己最近经历过的几个项目来看人力成本压下来的幅度，我理解是非常有诱惑力的。

所以没走过的路，我最多把别人的故事讲给你听；我自己走过的路，才敢把话说满。这个系列，讲的都是我走过的路。

但先把话说清楚：这个系列只谈认知和方法论。至于具体的操作流程、工具怎么选、管道怎么搭、坑具体长什么样，这里不展开。一部分是合规的原因，另一部分是每家有每家的打法，照搬没用。如果有感兴趣的公司和大佬，这些话题我们可以线下单独聊。

一

先回答一个问题：定制化为什么贵？

过去我的答案是"客户要求多"。后来我发现这个答案只对了一半。客户要求多只是表象，真正的成本在另一件事：每一单新项目，这个团队都在重新发现一次这个行业的真相。同一个概念，十个项目十种理解；同一类需求，每个客户都从零沟通；上个项目踩过的坑，下个项目原地再踩一遍。

有人会说，客户要求杂，厂商为什么不把产品做标准，一劳永逸？

这个问题，三部曲里的恒生电子就是标准答案——它起家靠的就是把柜台系统做成标准软件，一份代码卖全行业。但同样是那三家，越往资管、托管、中后台走，越发现每家客户的制度都是定制的。监管出个文，全行业改一轮；客户换个口径，全系统对一轮。这不是厂商懒，是这个行业的业务异构性摆在这——越靠近资金和监管的核心，越没有放之四海而皆准的标准。

所以定制化不是毛病，是这个行业的常态。问题只剩一个：常态化的定制，一定要用常态化的高人力成本来交付吗？

知识全在人脑子里。人会累，会离职，会记错。所以定制化的人力成本，本质上是在为"知识无法继承"反复支付罚金。

这个结论是我在自己的项目里思考出来的，也许以后随着我的认知还会改变。我统计过系统相关文档的修改记录，七成以上的改动，改的不是需求本身，是同一个概念在不同文档里的不一致。换句话说，我们花不菲的单价雇来的工程师，大量的时间在当"人肉校验器"——把同一个词在十份文档里对齐。这种活干得再好，也不产生任何新价值，它只是在为过去的混乱补窟窿。

AI改变的是这件事。它第一次让组织的知识——文档里的、邮件里的、群聊里的、老员工脑子里的——变成机器可以读、可以检索、可以校验的东西。知识一旦能继承，下一单项目就不必从零开始。

所以我说AI能解定制化的成本问题，入口不在写代码，在知识。代码只占项目成本的三成，这个行业却把最多的AI预算砸在代码生成上，这件事我一直没想通。

二

想通入口之后，剩下的问题是：AI在项目的哪个环节发力？

我的答案是全都发力，但方式不一样。这个项目从签单到验收，我在每个环节都问过同一个问题：这里的知识，能不能提前沉淀？

组织。项目型公司靠人海战术活着，项目来了招人，项目完了养人。初级员工的时间，大半花在整理文档、对齐口径、画原型这些重复劳动上。AI进来之后，这些活机器干了，人被挪到判断上。注意，是挪，不是砍——省下来的不是人头，是人头的生长周期。

生产。需求和原型是定制化的大头，也是浪费的重灾区。一个定义能吵四个小时，会后改出几十处文档。这个环节贵不是因为写得慢，是因为对不齐——几条业务线几套语言，每份文档都在重新翻译。AI改变的是对的方式：机器先把全部文档交叉校验一遍，人只裁决争议。

研发。这个环节最反直觉。代码只占三成成本，AI预算全砸在这里。研发提效的天花板不是代码生成率，是组织偿还认知负债的速度——过去的经验检索不到，就等于不存在。

售前。方案写作是重体力活，一份标书几十人天，十家投同一个标，八家的方案长得一样。AI把写作打成白菜价之后，胜负手从写得快变成看得深——谁真的懂这个客户，谁赢。

交付。最后一公里，人天烧得最多，利润最薄。驻场、测试、迁移、培训，全是线性人力。这个环节的秘密是：经验越老的团队越值钱，而经验以前只活在老员工脑子里，人走即归零。AI改变的是经验的继承方式：上个项目踩的坑，下个项目第一天就能继承。

五个环节，五种成本结构，同一个解法：把知识从人脑搬进管道，把重复交给机器，把判断留给人。

三

当然路不是一开始就走对的。项目里大家都会交学费，简单说几个坑出来给后来人避坑。

第一笔，AI不能替代人员。有段时间我算过一笔账：某个环节AI干了三成的活，是不是人可以少招三个？真减了，三个月后质量就崩了——被减掉的人干的不是执行，是把关。AI接得住执行，接不住把关。

第二笔，我指望过AI"生成"。让它写各种文档，但后来通过一些事情我明白了一件事：生成一段正确的废话毫无价值，校验出一处隐藏的矛盾价值千金。金融AI的主战场是校验，不是生成。

第三笔最贵。也是后来我才想明白：AI改变的是组织的生产方式，第一责任人必须是懂业务的人。技术是弹药，扣扳机的得是知道靶子在哪的人。

具体的内容确实不变多说，还望谅解。

四

所以回到开头那个问题：AI能不能解决定制化带来的人力成本问题？

我的答案不变：能解一部分，而且解得比这个行业大多数人以为的多。但有个前提——先盘清楚你所在的组织，知识在哪里；你交付的每一单，有多少工作量花在重新发现真相上。管道是复利资产：今年攒下的知识，明年还在，而且越滚越厚。三五年内，就会产生分化——知识可继承的，和每单从零开始的。前者收利润，后者收学费。