# AI企业落地三反直觉洞察 — 与羚羊SDE团队深度交流

> 整理自声文速记，2026-08-02

---

## 背景

羚羊是阿里巴巴全资子公司，主业是企业级 Agent——给企业造真正能干活的 AI 员工。SDE 团队负责把这些 AI 员工送进企业业务一线。核心成员在数据领域平均有 5~20 年经验，覆盖各行各业的企业级落地项目。

---

## 三个反直觉洞察

### 第一点：放下"一招打天下"的幻想，才能真正落地

传统乙方逻辑：客户要什么，给什么，客户永远是对的。

但在企业 AI 落地这件事上，这个逻辑是错的。

**案例：大型药企销售代表履职智能助手**

- 最初想法：把流程推进和 AI 问答全部塞进一个入口，听起来很合理
- 羚羊直接说 NO，拆成两个独立系统：
  - **AI 导师**：专门引导销售代表走完履职流程的 11 个阶段，每一步 AI 推着走
  - **AI 销售助手**：管话术生成和知识问答，销售对着屏幕说"帮我生成跟王医生沟通的话术"，系统根据医生画像和过往记录直接生成

塞在一起 → AI 准确率上不去，用户注意力也被分散。

这种判断，没有几十个项目经验根本给不出来。

**结果**：这家药企内部梳理出 20+ 个履职场景，相当于把最佳销售复制了几千个。

合作方式不是甲方提需求、乙方交货，而是与客户业务团队共创：把顶尖销售打法交给 SDE，SDE 把每一个场景抽象成标准化流程。

---

### 第二点：决定项目成败的不是模型能力，是数据

大多数人低估了数据的重要性。

真实比例：90% 的时间花在处理数据上。最酷的是 AI、Agent，但对企业来说这些根本不重要。重要的是：

- 数据怎么获取
- 数据怎么管理
- 数据能不能让 Agent 更好地理解

**案例：同一家大型药企**

双方联合团队干了大半年，干的全是数据整理这种"看不见的价值活"。业务方天天质疑：你们做这些有什么用？

一年后 AI 智能体上线，原来预期 3~5 年才能达到的阶段，一年就做出来了。

> 扎心的话：如果企业自己的数据质量和数据来源没做好，SDE 进场头几个月，本质上是在帮你补课——补的是过去 5~10 年欠的账。

**数据治理的另一半：权限边界 + 校验规则**

光把数据洗干净还不够。哪些表 A 才能查，哪类回复必须经过校验才能发出去——这些要事先定死。

大模型是概率系统，输出天然有不确定性。企业级 Agent 的正确做法：把关键动作从大模型手上拿走，交回给传统软件工程。模型只负责理解意图和组织语言，信任由工程保障，不是模型天然带来的。

---

### 第三点：最好的 SDE，终极目标是让客户不再需要你

靠服务赚钱的团队，客户越依赖，通常越好——干得越久，赚得越多。

但羚羊团队反着来。

**案例：大型电动车客户**

项目结束时，客户团队自己学会了大模型调优和流程配置。被培训出来的那批客服，成了全公司轮岗最抢手的 AI 训练师。项目方法论叫"三足九表"，是客户自己命名的，现在也是客户自己在运营。

**为什么敢这么干？**

SDE 本身不是特别好赚钱的生意——很重人力，规模化很难，只是现在溢价还比较高。

真正的规模化靠什么？把一线服务中发现的共性问题、共性需求，沉淀成标准化的平台和产品。这正是羚羊在做的"Agent One"企业级 Agent 平台的意义：

**DATA + AGENT + SDE**
- DATA：企业的数据与记忆
- AGENT：负责决策与执行
- SDE：把企业的隐性业务逻辑抽象成标准化 SOP

他们敢叫客户自己跑，因为价值早就不在驻场的几个人身上，而在沉淀下来的方法论和平台上。撤走人力，留在客户那边的是能力，不是依赖。

> 客户永远离不开顾问 ≠ 数字化转型，那叫传统外包。

---

## 总结

**大模型从来不是瓶颈。** 现在 DeepSeek 这些顶尖模型都足够聪明，而且肉眼可见地越来越接近。

真正的瓶颈是从模型到业务的最后一公里。这短短的一公里，包含的全是数据和人多年积累的经验与内功。

> AI 时代企业最宝贵的资产：自己的数据 + 一批真正能理解业务的人。
> 模型每个月都在换，但知道客户真正哪里痛——这件事不会过时。