# AI企业落地三反直觉洞察 — 羚羊SDE团队交流 > 来源：声文速记录音转写，2026-08-02 > 嘉宾：羚羊（阿里全资子公司）SDE团队，核心成员在数据领域20年经验，服务过各行各业企业级AI落地 --- ## 背景 这周与羚羊SDE团队做了一次深入交流。羚羊是阿里巴巴全资子公司，主业是做企业级Agent——给企业造真正能干活的AI员工，SDE团队则是把这些AI员工送进企业业务一线的执行层。 吴海璐的观点：这个时代最应该花时间的事情，是尽量跟前沿的人站在一起。 --- ## 三个反直觉洞察 ### 第一点：放下"一招打天下"的幻想，AI才能真正落地 传统乙方逻辑：客户要什么就给什么，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：某大型药企销售代表履职智能体** - 最初想法：把流程推进 + AI问答全部塞进一个智能体，一个入口，看起来方便 - SDE直接说NO，拆成两个： - **AI导师**：专门牵引销售代表走完整个履职流程（11个阶段，每步AI推着走） - **AI销售助理**：管理话术生成和知识问答（对着屏幕说"帮我生成跟王医生沟通的话术"，AI根据医生画像和过往记录直接生成） **为什么要拆？** 塞在一起之后AI准确率上不去，用户注意力也会被分散。这种判断如果没有几十个项目的经验，根本给不出来。 合作方式不是甲方提需求、乙方交货，而是**共创**：客户业务团队把顶尖销售打法交给SDE，SDE把每个场景抽象成标准流程。这家药企内部已经梳理出20多个履职场景，相当于把最佳销售复制了几千个。 --- ### 第二点：决定AI项目成败的不是模型能力，而是数据 大部分人低估了数据的重要性。实际做企业服务时，90%的时间花在处理数据上。 当前最酷的是AI和Agent，但对企业来说这些根本不是重点——主流顶尖的Agent能力都差不多。真正花时间的是： - 数据怎么获取 - 数据怎么管理 - 数据怎么让Agent更好地理解 这才是企业AI落地真正的基石。 **案例：同一家大型药企** 双方联合团队干了大半年，干的都是数据整理这种"看不见价值"的活。业务方天天质疑说有什么用。 一年后，AI智能体上线，客户反馈：**原本预期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没做好，SDE进场后前几个月本质上是在帮你补课——补的是过去5年、10年欠下的账。AI项目的成败，在签合同之前就决定了一半，取决于这家公司过去怎么对待自己的数据。 模型再聪明，喂进去的数据如果是乱的，它就只能一本正经地胡说八道。 **数据治理的另一半：权限边界 + 校验规则** - 哪些表AI才能查 - 哪类回复必须校验才能发出去 大模型是概率系统，输出天然带有不确定性。正确做法是：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，信任是工程带出来的，不是模型自然生成的。** --- ### 第三点：最好的SDE，终极目标是让客户不再需要自己 这是最反常识的一点。 靠服务赚钱的团队，通常客户越依赖自己越好——可以干得越久，赚得越多。 **羚羊团队反着来。** **案例：某大型电动车客户** 项目结束时，客户团队自己学会了大模型、小优和流程配置。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。 项目的方法论叫"三足九表"——名字是客户自己起的，现在也是客户自己在运营。 **为什么敢这么干？** SDE本身不是特别赚钱的生意，很重人力，规模化难，只是现阶段溢价还比较高。 但SDE恰恰是AI落地最重要的抓手，是理解产业一线真实需求的最短路径。 真正的规模化靠什么？靠把一线服务中发现的共性问题、共性需求，沉淀成**标准化平台和产品**。这就是羚羊团队做的 **Agent One** 企业级Agent平台的意义。 **Agent One的三核心要素：DATA + AGENT + SDE** - **DATA**：企业的数据与记忆 - **AGENT**：负责决策与执行 - **SDE**：把企业隐形的业务知识抽象成标准化SOP （DATA排第一，呼应了第二点。） 他们敢让客户自己跑，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。人力撤走，平台留在客户那边。 **这才是真正的数字化转型。** 客户永远离不开顾问，那不叫数字化转型，那叫传统外包。 --- ## 总结 **大模型从来不是瓶颈。** deepseek、各家模型都足够聪明，肉眼可见越来越接近。 真正的瓶颈是**从模型到业务的最后一公里**——这段路里全是数据和人多年积累的内功。 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，但知道客户真的哪里痛，这件事不会过时。 --- *主讲：李超 / 来源：录音转写整理*