夜雨聆风AI落地失败，八成不是AI的锅
他们把五步算法倒着做了
一、让AI数瓶子，翻车了
2025年9月，星巴克在北美约1.1万家门店上线了一套AI库存盘点系统。想法很性感：咖啡师拿平板扫一扫货架，AI自动识别牛奶、糖浆还剩多少，省掉人工盘点的麻烦。
9个月后，项目叫停。
不是"效果还不够好，再迭代迭代"的那种叫停，是一线员工拍手称快的彻底停用。
发生了什么？现场比想象中更荒诞——
全脂奶和燕麦奶长得很像，AI分不清；薄荷糖浆明明在货架上，它扫不到；公开演示时，连薄荷糖浆都能漏掉。更致命的是，识别不准可能直接传导到补货决策：多算了，系统以为够，该补不补，可能断货；少算了，系统以为缺，不必要补货，可能积压。
咖啡师的工作从"数瓶子"变成了"校验AI的幻觉"——先扫一遍，再人工核对一遍，整体更慢了。为了迁就AI扫描，后厨储物空间还得重新排列。人迁就机器，而不是机器服务人。
停用之后，有员工留言说："感谢取消。"
但有意思的是，同一时期星巴克的AI并没有全面溃败。配方查询助手Green Dot Assist在跑，排队优化算法也在跑，都活得好好的。
所以问题来了：死的不是AI，是什么？
二、诊断：他们把五步算法倒着做了
马斯克有一套著名的工程方法论，他自己叫它"The Algorithm"——五步算法。在2023年艾萨克森写的传记里有详细记录，后来特斯拉前总裁乔恩·麦克尼尔（Jon McNeill）也专门写了《The Algorithm》一书做过拆解。五步的顺序是：
i.质疑需求——追问每一个需求，尤其是聪明人提出的，"它们往往最危险"
ii.删除——能删就删，删完需要加回来的不到10%，说明删得还不够
iii.简化——优化必须排在删除之后，去优化一个本不该存在的东西，等于高效地做无用功
iv.加速——流程精简后再提速
v.自动化——最后一步，从自动化开始是最大的错误
马斯克反复强调一件事：顺序不能乱。他自己承认犯过好几次倒着来的错误。
现在拿这把尺子量一量星巴克——
第一步，质疑需求：他们跳过了。星巴克的真实问题是"门店不断货、库存真相可见"，但没人追问：缺的是扫货架的能力，还是低成本、可复现的库存真相？默认"需要AI盘点"，需求本身就没站稳。
第二步，删除：基本没做。全品类视觉盘点，连那些盘点频次无意义、难以区分的SKU噪音都照单全收。没有先砍掉不改变断货结果的无效动作。
第三步，简化：跳过了。货位没统一，标签没标准，进出库规则没对齐——物理层一片混乱，就让AI来"猜"白色液体是什么。这是把一个本该是"库存状态机"的问题，变成了开放世界视觉识别。
第四步，加速：补救性地做了一点。补货节拍和供应链节奏没有先跑通，就上了自动化。
第五步，自动化：他们从这里开始的。
看明白了吗？五步算法，星巴克几乎是从第五步倒着往回做的。先自动化，再发现不准，再人工复核补救，再规模化痛苦，最后叫停。
马斯克说过一句话，精准地预言了这类失败："一个常见的错误，是去简化和优化一个本不该存在的部分或流程。"星巴克的加强版是——自动化了一个还没被简化的流程。
这不是星巴克独有的病。
一个50人的公司上了智能客服，结果客户问题分类规则都没定，AI只会把投诉分到"其他"；一个团队买了项目管理AI，但任务命名全靠个人习惯，AI连"这个任务进行到哪了"都答不准。
规模不同，病根一样：跳过了质疑、删除和简化，直接上自动化。结果是用AI给混乱流程镀了一层金——金下面，还是烂的。
三、正道：先删流程，再谈自动化
那五步算法正序执行，长什么样？
我们在做AI赋能企业项目时，踩过同样的坑，也摸出了一条正道。
星巴克的病根是什么？货位没标准化，就让AI来猜白色液体是什么。我们遇到的企业，病根一模一样——
第一步，先质疑：客户真的需要AI吗？
我们接触过一家做了三十多年外贸的企业，项目从询价到成交跨度长达三年以上，人员一流动，项目交接就断档。老板的核心诉求是"经验传承、项目不断档"。
但仔细一问，他们连基本的流程都没有标准化——项目信息散落在不同人的电脑里，交接靠口头，跟进靠记忆。这种情况下上AI，等于让AI去猜一个根本不存在结构的信息。
所以我们的第一反应不是"我们有大模型可以解决"，而是先问：不做AI，能不能先达到80%的目标？答案是能——先把流程标准化，把项目信息变成可记录、可追溯的结构化数据，这一步不需要任何AI。
第二步，先删除和简化：物理层没就绪，别上自动化。
我们帮客户做的第一件事，不是部署AI，而是帮他们理流程。哪些环节是惯性存在但从来不改变结果的？砍掉。哪些信息是重复录入、互相矛盾的？统一。哪些规则是靠老员工"心里有数"但从来没写下来的？沉淀成SOP。
这一步枯燥、不性感、没人想干。但它是五步算法里最关键的两步——删除和简化。跳过这两步直接上AI，就是星巴克的老路：货位都没标准化，就让AI来数瓶子。
简化流程不只是砍动作，还包括一个关键决策：哪些环节必须用确定性信号，哪些可以容忍概率。我们有一条原则：大模型不碰绝对精确。涉及库存数字、财务数据、合规判断的地方，用硬信号——扫码、称重、事件记录——而不是让模型去"猜"。视觉AI最多做辅助校验，不当唯一真相源。
第三步，先小范围打爆，再谈规模化。
我们做每一个项目，都从最小可行场景开始。跨境电商选品，先上架二三十个产品跑自然流，测试成本几乎为零；人才培养项目，先做30-50个付费用户的90天验证，跑通正现金流再扩。
这不是保守，这是五步算法里的"加速"——先在小范围里把试错和反馈跑通，确认误差可控、工时下降、结果改善，然后再进入有限自动化。
星巴克反过来了：大规模推广，错误被规模放大。规模化只证明扩散能力，不证明正确性。
一个朴素的判断：性能过剩是陷阱，够用就好才是真理。
性能过剩的本质，是在"简化"这一步偷了懒——没想清楚到底需要什么精度，就用最贵的方案兜底。很多企业追最新最大的模型，但生产场景需要的往往不是"最聪明"，而是"最稳定"。中小型本地模型，跑在自己的服务器上，数据不出域，响应够快，结果可控——对大多数企业来说，这比调用一个远端大模型更务实。
四、一句话带走
回到开头那个问题：AI落地失败，八成是谁的锅？
不是AI的。是把五步算法倒着做了的人的。
如果你正在考虑给企业上AI，走之前先过一遍这个清单：
- 需求验真
：谁说必须做AI？不做AI能否达到80%目标？ - 物理层就绪
：你的流程标准化了吗？SKU、货位、规则对齐了吗？ - 真相源是什么
：硬信号还是模型推断？谁说了算？ - 误差预算
：允许错多少？错了怎么影响业务？ - 回滚开关
：什么指标连续两周不达标就停？
先删流程，再谈自动化。先小范围打爆，再谈大梦想。
星巴克花了9个月和1.1万家门店，买到了这条教训。你不必再付一次学费。