夜雨聆风
干了二十多年IT，做了十多年咨询，最近越来越觉得，AI这件事和之前的技术浪潮不一样
一、2016年我在一家通信巨头IT部门做咨询时，学到最重要的一课
那年我刚从传统IT咨询转做组织转型，接了一个国内头部通信企业IT部门的敏捷转型项目。
对方的技术能力不用多说，工程师密度极高，工具链也很成熟。但项目推进到第三个月，卡住了。不是因为技术，是因为组织惯性。
一个做了十年的团队，突然要改成两周一个迭代，产品经理和开发坐到一起，每天站会。表面上流程都改了，但深入一聊，产品经理还是按原来的方式写需求文档，开发还是等"需求冻结"才开始动手。站会开了，但大家说的还是"昨天做了什么、今天做什么"，没人提"遇到什么障碍、需要什么帮助"。
我当时跟客户的技术总监聊，他说了一句话我记到现在："工具好换，人换不了。你给他新工具，他还是按老习惯用。"
这句话后来成了我做所有转型项目的底色。ERP时代是这样，中台时代是这样，现在的AI时代，还是这样。
二、2018年我转到银行业，发现"技术强"反而是个陷阱
2018年开始，我主要服务几家股份制银行和国有大行的IT和科技部门。
那时候行业里最热的词是FinTech，不是AI。银行的技术投入很大，有些行的金融科技口碑在业内是数一数二的。但数字化转型推进起来，比通信行业那时候还难。
难在哪？合规。
我给某国有大行做过一个风控相关的数字化项目。当时用的是规则引擎加一些传统的数据分析方法，效果看起来不错。送到风控合规部门，对方问了几句话：
"这个规则为什么给这个人批、不给那个人批？"
"如果客户投诉歧视，你们怎么解释？"
"监管来检查，你们拿什么材料应对？"
技术团队准备了很多技术指标，但没有一个能回答这几个问题。最后项目调整，改做"规则为主、有限数据辅助"的混合方案，复杂度降了，可解释性提了，才过审。
这个经历让我明白：在金融这种强监管行业，技术落地不是"技术先进"就能赢，是"技术先进+合规可控+业务可解释"三者平衡才能落地。
纯技术思维的人，往往卡在"我的系统已经很准了"，但银行要的是"你的方案让我能睡得着觉"。
这个教训，在我后来做制造业AI转型时，反复应验。
三、2022年以后，我在制造业总部里看到了另一种"技术困境"
疫情之后，我开始更多服务科技型企业和制造业的数字化团队。客户规模不如银行大，技术能力也不如通信巨头强，但数字化转型的热情很高。
问题是：热情高，底子薄。
网络安全设备厂商的"效率幻觉"
我给一家深圳的网络安全设备厂商做过咨询。这家企业研发团队大几百人，产品迭代节奏很快，老板觉得"我们技术能力这么强，上AI肯定没问题"。
IT部门很积极，很快搭了一套智能代码辅助工具，工程师写代码的速度确实快了。但三个月后复盘，发现一个尴尬的事实：代码写得快了，但测试环节的缺陷率没降，反而因为赶进度，有些代码没经过充分评审就合入了主干。最后整体交付周期没缩短，质量还波动了。
问题不在工具，在流程没跟上。 写代码快了，但代码评审、测试覆盖、发布管控这些环节没重新设计。AI成了"局部加速器"，但整条链路的速度瓶颈没解决。
物流科技企业：大数据团队的敏捷转型
另一家做物流科技的头部企业，我给他们的大数据团队做过敏捷转型咨询。这个团队负责智能调度相关的数据分析和算法支持，技术能力很强，但交付模式比较传统——需求来了排期做，做完交出去，和业务方的沟通集中在开头和结尾。
转型过程中，我们发现最大的卡点不是技术，是协作节奏。大数据团队的工作有很强的不确定性，一个分析需求可能跑了两周发现数据质量不行，或者模型效果不达预期。但业务方按传统节奏要"按时交付"，中间缺乏同步机制，最后往往是"要么延期吵架，要么交一个不满意的结果"。
我们帮他们调整了迭代节奏，建立了业务方的定期参与机制，让业务方在过程中能看到进展、能及时调整方向。不是教他们怎么调模型——那是他们擅长的——而是帮他们建立"技术团队和业务方能一起应对不确定性"的工作方式。
这个经历让我意识到：AI相关的团队，往往不缺技术能力，缺的是让技术能力被业务看见、被业务信任的组织机制。
光伏龙头：产品经理的端到端流程建设
我给一家全球领先的光伏企业做过产品经理的端到端全生命周期管理流程建设。这家企业的IT部门规模不小，但产品经理的工作方式比较零散——从需求收集到产品上线，各个环节的衔接不清晰，产品经理的权责边界模糊，很多时候在"传话"而不是"主导"。
我们帮他们梳理了从市场洞察、需求定义、方案设计、开发跟踪到上线运营的全流程，明确了产品经理在每个环节的交付物和决策权限。同时配套了轻量级的赋能培训，帮产品经理建立"端到端 owner"的意识。
效果不是立竿见影的，但方向是对的。 几个月后，产品经理开始能主动串联前后环节，而不是被动等任务分配。
这个经历让我后来做AI转型时有个很深的体会：AI最后能不能落地，不取决于技术多先进，取决于有没有人能端到端地想清楚"为什么做、做什么、怎么做、怎么验"。 产品经理这个角色，恰恰是连接技术和业务的关键节点。
智能电表企业：产品经理的"业务语言"补课
还有一家做智能电表的大型制造企业，我帮他们做过产品经理的培训赋能和轻咨询。这家企业的特点是业务场景极其复杂——电表产品面向全球几十个市场，每个市场的认证标准、通信协议、计费规则都不一样。
他们的产品经理已经有一定的产品化意识，但普遍存在一个痛点：懂技术流程，但不懂业务语境。写需求文档时，能把功能点描述得很清楚，但说不清"这个功能在欧洲市场和东南亚市场有什么差异"、"客户为什么需要这个认证字段"、"这个计费规则背后的商业逻辑是什么"。
我们做的不是大规模组织重构，而是针对性的培训赋能：帮产品经理建立"业务视角"，教他们怎么从"功能描述"转向"场景理解"，怎么在写需求之前先问"这个需求解决谁的什么问题"。同时配合轻咨询，帮他们梳理了几个核心产品的业务逻辑框架。
这个经历让我意识到：制造业的数字化转型，有时候不需要"大动干戈"，找准关键人群、补上关键能力，也能撬动改变。 这和后来AI转型的核心挑战是一回事——不是AI能不能做，是用AI的人能不能想清楚"为什么做、为谁做"。
四、AI火起来之后，制造业的需求变了，但底层规律没变
2022年底ChatGPT出来，2023年国内大模型爆发，我明显感觉制造业客户的需求变了。
以前做数字化转型，客户问的是"我们要不要上这个系统"、"这个中台怎么建"。现在问的是"我们要不要接大模型"、"哪些岗位能被AI替代"、"怎么让员工用起来"。
但底层规律没变。
在大模型火了之后。客户的问题是：产品经理面对AI这个新工具，不知道该怎么纳入自己的工作流程。以前的需求分析、方案设计、优先级判断，都是基于传统IT系统的经验。现在AI来了，能做什么、不能做什么、怎么评估一个AI功能的可行性，产品经理没有概念。
我做的不是教他们用某个AI工具，而是帮他们把AI的能力边界纳入产品经理的决策框架——什么时候该用规则引擎、什么时候该用传统算法、什么时候可以考虑大模型、每种选择的成本和风险是什么。
这个服务的价值，不在于用了多先进的模型，在于让产品经理能做出"技术上可行、业务上靠谱"的判断。 这和当年做FinTech项目时的核心挑战是一样的——不是技术本身，是让做决策的人有能力做对的决策。
五、三个行业跑下来，我发现技术落地有个共同规律
通信巨头、银行、制造业，三个完全不同的环境，但技术转型卡壳的地方惊人地相似：
技术团队和业务团队，说的不是同一种语言。
通信行业的技术团队讲"迭代速度、交付周期"，业务部门讲"需求变更、市场窗口"。银行的技术团队讲"系统准确率、响应延迟"，业务部门讲"合规红线、客户投诉"。制造业的技术团队讲"功能交付、系统稳定"，业务部门讲"市场认证、客户定制"。
每一方都有道理，但每一方都只看到了自己的道理。
我做了十多年咨询，越来越觉得，AI转型最难的环节，不是技术实现，是让两边听懂对方在说什么。
不是字面意义上的"翻译"，不是把"深度学习"解释成"很聪明的算法"。是更深层的：把技术的边界翻译成业务的选项，把业务的需求翻译成技术的约束。
这个活儿，技术部门干不了——他们沉浸在自己的逻辑里。业务部门也干不了——他们不知道技术能做什么、不能做什么。
需要一个既在两边都待过、又能跳出两边视角的人。
六、这种人现在市场上很少，但需求正在井喷
我说的不是算法工程师。算法工程师解决的是"模型能不能更准"，但他们通常不回答"这个模型该用在哪、用了之后谁的工作会变、变了之后组织怎么适应"。
也不是纯业务专家。业务专家知道哪里卡、哪里浪费，但他们往往不知道AI能做到什么程度，经常会提一些"AI能不能读心"的需求，或者反过来，因为不了解而过度保守。
真正缺的是像我这样站在中间的人。
我在市场上观察，这种人现在有几个来源：
第一种，是从传统IT咨询转过来的。
做过ERP、做过流程优化、做过组织架构调整，本来就懂"怎么让技术落地到业务"。比如我这种从通信巨头IT部门、银行科技部门一路做过来的，见过技术组织的运作，也理解业务部门的痛点。补上AI这一课——不是学写代码，是理解AI的能力边界和适用场景——就能上手。
第二种，是从业务一线长出来的。
有些运营负责人、销售总监、供应链经理，自己对效率问题很敏感，私下研究AI工具，慢慢变成了"部门里的AI专家"。他们缺的是系统化的方法论，但业务体感是实打实的。
第三种，是既做过产品、又扛过业务指标的人。
这种人最稀缺。他们知道"一个功能上线后，用户第一步会点哪里、第二步会卡在哪里、第三步会不会骂娘"。这种"场景感"，是AI从Demo走向生产环境的关键。
最危险的，是"只讲概念"的人。
这种人现在特别多。给企业做几场AI培训，讲趋势、讲工具、讲案例，听起来很高级。但一到客户现场，问"你们产线的MES数据接口是什么格式"，就懵了。短期热闹，长期露馅。
七、为什么这种角色未来会很贵？
一个岗位能不能拿到高价，关键看一点：产出能不能被算账。
很多新岗位值钱但拿不到钱，是因为贡献说不清。但这个角色不一样。
产品经理在评估一个新需求时，能准确判断"这个场景用规则引擎就能解决，不需要上AI"，或者"这个需求涉及非结构化文本处理，可以考虑大模型方案"。这种判断能力，直接决定了项目的资源投入和成功率。
一次正确的技术选型，可能省下几十万的开发成本；一次错误的技术选型，可能让团队白干三个月。这种价值，是可以被算账的。
反过来，有些项目做完，客户问"省了多少钱"，你只能答"员工满意度提升了"、"响应速度加快了"——这种项目，下次续费就难了。
所以我说，AI转型顾问的未来价值，不在"懂AI"，在"能交结果"。
八、如果你也想往这个方向走，我的建议很实际
别急着去学Python，也别急着去考什么AI证书。
先问自己一个问题：
你能不能拿一个你熟悉的业务场景，说清楚它现在怎么做、哪里卡、AI能在哪个环节介入、介入之后人和机器怎么重新分工、最后怎么验收？
能回答清楚，就值得深入。
回答不清楚，接下来该做的三件事：
第一，扎进一个真实业务，理解它的运转逻辑。
不是看流程图，是跟一线的人待几天。看销售怎么打单、看客服怎么接投诉、看产线工人怎么操作。卡点和浪费，往往不在流程图里，在人的动作里。
第二，花时间去试AI的能力边界。
不是看Demo，是拿真实数据跑。同一个场景，换不同的模型、不同的参数、不同的数据质量，看结果差多少。试多了，你就知道"这个地方AI能行"、"那个地方还不靠谱"。
第三，练把两边接起来的本事。
技术语言怎么转成业务语言，业务需求怎么转成技术方案。这个本事没有标准教材，只能在项目里磨。我的建议是，先从小项目做起，别一上来就接"全面AI转型"的大单，容易崩。
九、最后说一个我这二十多年最深的感受
从通信巨头到银行再到制造业，我经历了几波技术浪潮。ERP、云计算、大数据、FinTech，到现在的AI。每一次都有人喊"这次不一样"，但回头看来，规律是相似的：
技术本身从不改变组织，改变组织的是人对技术的使用方式。
ERP时代，买了系统不重构流程的企业，最后把系统用成了更贵的Excel。中台时代，建了中台不调整组织架构的企业，最后多了几个没人用的数据仓库。
AI时代，买了大模型账号、做了几个试点Demo的企业，如果不动工作方式、不重新设计人和机器的分工，最后也会发现：技术挺先进，但感觉像买了辆跑车，还在村里土路上开。
真正值钱的，不是最早掌握工具的人，是帮组织重新分配"人该做什么、机器该做什么"的人。
会用AI，是在操作层面。能设计人和机器的分工，是在组织层面。
这两个层面的价值，差着量级。
写在最后
我不认为未来会出现一个"很潮的新职位名称"。
我更倾向于认为，接下来一年，市场上会冒出一批人，他们可能叫顾问、叫产品经理、叫流程设计师，干的事情却越来越像——
帮企业把AI从"我们拥抱AI"的标语，变成"这周又省了20%时间"的事实。
这个需求已经在了，只是供给还没跟上。
谁先长出这种能力，谁就能吃到第一波红利。
如果你正在思考企业的AI转型路径，或者想聊聊你的业务场景到底怎么接AI，欢迎找我聊聊。
我从2016年开始做转型咨询，先在国内某头部通信企业的IT部门做了两年多敏捷和组织转型，2018年到2022年主要服务几家股份制银行和国有大行的科技部门，亲历了FinTech到AI的过渡，2022年至今聚焦制造业的数字化团队，服务过网络安全设备、物流科技、光伏制造、智能电表等多个领域。二十多年IT背景，十多年咨询经验，最擅长的不是讲技术，是听懂你的业务，然后告诉你AI能在哪里真正帮到你。
关于我
IT行业从业二十多年，企业转型咨询十多年。2016-2018年专注通信行业，服务国内头部通信企业IT部门；2018-2022年深耕金融行业，为多家股份制银行和国有大行的科技部门提供咨询，亲历从FinTech到AI的技术演进；2022年至今聚焦制造业的数字化组织转型，覆盖网络安全、物流科技、光伏制造、智能电表等领域。不追概念，只交结果。最近一年，全力帮助企业把AI从"试点"变成"生产力"。
