前阵子帮一家做工业配件的朋友看官网。他们刚上线一套智能问答，客服页面右上角多了个对话框，看起来挺像回事。我问：客户问“这个型号能不能替代上一代”，它怎么答？朋友现场试了一遍，机器人流利地回了一段介绍，语气标准，术语齐全，唯独没回答能不能替代。最后还是得转人工。
这种场面最近很常见。人工智能在文本生成上的表现越来越好，好到容易让人误以为它已经理解了业务。但生成和理解为两件事。它能写出一段像样的回答，不等于它知道你的型号表在哪一行、哪个参数才是关键。
它擅长的是“像”，不是“准”
把人工智能用在内容上，见效快。写产品简介、整理会议记录、把技术文档改写成客户能看懂的说法，这些任务容错空间大，人一眼就能挑出毛病，改起来也快。但一旦进入需要准确的环节，情况就变了。
比如客服问答、报价解释、售后排查。这些场景里，错的答案比没有答案更麻烦。模型并不知道自己哪句话是编的，它只是把语言组织得顺。企业若把它当成一个知识库，风险就来了；把它当成一个初稿助手，反而稳妥。
我见过比较务实的做法，是让它在后台干活：先把客户问题归类，再从既有文档里检索出相关段落，最后由人来定稿或者确认发送。生成环节交给机器，判断环节留给人。这套流程不新鲜，但确实少了很多返工。
数据这件事，绕不过去
讨论人工智能落地，最后总会绕回数据。不是数据量不够，而是数据散。产品参数在一个表格里，售后记录在另一个系统，老师傅的经验在聊天记录里，甚至只在他脑子里。模型接不到这些，就只能靠公开语料猜。
有的团队花了不少时间做接口对接，结果发现最难的环节是内部对“同一个型号到底有几个叫法”都没统一。这类基础工作不上镜，却决定了后面所有事情能不能成立。技术选型可以换，数据口径乱了，换什么都没用。
边界感比能力更重要
我不太喜欢那种“全面赋能”的说法，它把问题糊过去了。更实际的问题是：哪些环节可以放手，哪些必须留人。
- 面向外部、涉及承诺的内容，建议保留人工确认；
- 内部草稿、摘要、分类、检索，可以更多交给机器；
- 涉及价格、合规、安全的表述，应有明确的复核责任人和记录。
这不是保守。恰恰相反，边界划清楚了，才敢把更多任务交出去。没有边界的自动化，最后往往变成没人敢用的自动化。
先问清楚要解决哪个麻烦
回到开头那家配件厂。后来他们没继续折腾那个对话框，而是先把常见问题整理成结构化条目，标注哪些是确定答案、哪些需要人工判断。智能问答还在，但只在确定范围内作答，超出范围就转人。上线一段时间后，转人工的比例没降多少，客户投诉倒是少了。
这个结果谈不上惊艳，但我觉得是正常的。人工智能在企业里的价值，很多时候不体现在某个亮眼的功能上，而体现在那些原本要反复解释、反复确认的琐碎环节被理顺了一点。它不会替你想清楚业务，但会把你没想清楚的地方放大出来。
所以在动手之前，值得先问一句：我到底想让它替我解决哪个具体的麻烦？如果答不上来，再好的模型也只是多了一个会说话的窗口。