一个似曾相识的场景

去年我们做了一个智能推荐项目。算法团队花了一个多月调模型，离线测试AUC到了0.82，所有人都觉得效果不错。上线跑了一个月，转化率提升了2%——预期是12%。

技术团队的第一反应是模型还有优化空间，又开始调参数、加特征。又折腾了两周，转化率纹丝不动。

后来产品经理去运营那边聊了一圈，发现问题出在一个谁都没注意到的地方：运营团队有一套自己的选品逻辑，他们不完全信任算法推荐的结果，会手动把一些"主推产品"插到推荐列表前面。这些人工干预打乱了算法的分发策略，导致个性化推荐的流量占比只有60%左右，整体效率反而比纯人工选品还低。

我们花了两周才发现这个问题。不是因为技术上有多难排查，而是从一开始就没人想过去运营那边看看。在技术团队的认知里，"上线"意味着事情做完了；但在运营团队的认知里，"上线"意味着多了一个要应付的新工具。

后来我在想，这种"技术侧觉得OK但业务侧没感受到价值"的情况，可能不是个案。

问题不在模型，在谁跟谁没对齐

Snowflake上周发了一份挺有意思的东西，叫《GTM领导者AI转型蓝图》。他们让销售和营销团队全面接入AI，覆盖了6000多人，跑了18个月。最后给出的结论不是"我们的AI多厉害"，而是"我们踩的最大坑不在技术上"。

原话是这么说的：问题并不出在技术本身，而在组织结构。在那些需要销售和营销团队共同参与、围绕多个决策者推进复杂销售周期的企业里，这两个职能部门往往各自为战，优化不同的目标，依赖不同的数据，讲述两个版本的客户故事。AI让这种割裂变得更明显了，却不会自动消除它。

他们还梳理了四类"营收泄漏"，我觉得这个分类方式比很多AI落地的方法论都实在：

静默泄漏——信号在那里，但没人接。比如客户在社群里频繁吐槽某个功能体验，客服看到了，但产品团队完全不知道。三个月后这个客户流失了，大家还在分析"为什么留存率下降了"。

交接泄漏——信息从一个部门传到另一个部门时失真了。销售在CRM里写的客户需求是"需要定制化方案"，到了交付团队那里变成了"标准方案加个报表"。

价值缺口泄漏——各部门对"客户想要什么"的理解不一致。营销团队在推新功能，客户关心的其实是稳定性。营销觉得自己在创造价值，客户觉得你没听懂他在说什么。

速度泄漏——等所有信息被手动拼到一起，最佳窗口已经过了。一个客户从产生兴趣到做决策可能只有72小时，但跨部门信息对齐需要一周。

这四类泄漏，每一个都不是技术问题，但每一个都会让AI项目的效果大打折扣。

共享数据，比共享愿景管用

Snowflake做的一件事让我印象比较深：他们没有急着换工具或上模型，而是先把销售和营销的数据打通了。所有的客户互动记录、营销触达数据、客服工单、产品使用信号，全部汇入同一个数据底座。两个团队终于基于同一套事实做判断，讨论的重点从"到底谁的数据对"变成了"接下来我们做什么"。

这听起来很简单，但做过的人都知道有多难。不是因为技术上难实现，而是因为每个部门都有自己的数据舒适区。销售觉得自己的CRM数据最准，营销觉得自己的漏斗模型最靠谱，客服觉得工单数据才反映真实问题。让三方承认自己的数据只是拼图的一块，需要一些心理建设。

我们自己后来也做了一件类似的事：把运营的选品数据、算法的分发日志、用户的实际行为数据放到同一个看板里。三个团队第一次看到完整链路的时候，运营同学自己就说了一句："原来我们手动调的那几次，反而把推荐效果拉低了。"

不需要说服，不需要培训，信息对齐本身就是最好的说服。

后来我反复想过这件事，觉得很多技术团队容易陷入一个误区：觉得推动AI落地靠的是更好的模型、更优的算法、更快的推理。但实际上，很多时候卡点不在模型层，在组织层。技术能解决的是"能不能做"，但"做了之后有没有效"取决于组织内部的信息流是不是通的。

那些数字背后

Snowflake给出的结果是：赢单率提升贡献了EMEA地区约37%的同比增长，六个月内销售周期缩短25-30%，每周释放2600小时用于更高价值工作，高潜客户预约会议增长2.3倍，同时营销投入减少38%。

这些数字看看就好，每家公司情况不一样。但我觉得值得记住的是他们提到的几个教训：

第一，问题不在有没有用AI，而在营收到底从哪里漏掉了。大多数B2B团队现在都在更快地完成一些不直接改变结果的任务——营销更快地产出内容，销售更高效地总结电话，每个人似乎都更高效了。但只有当这些单点效率被串进一条端到端的工作流时，才可能真正改变业务指标。

第二，大多数企业投入最不足的维度是"价值观"。真正的转型要求人们放下多年熟练掌握的工作方式，进入不确定的状态。这只有在信任和同理心的环境里才可能发生。这句话听起来有点虚，但如果你经历过"推了新工具但大家还是用Excel"的场景，就知道这有多真实。

第三，任何AI辅助生成的产出，都必须有一个明确的人类负责人。不是因为AI不可靠，而是因为没有owner的事情，最终都不会有好结果。

写到这里我突然想到，上周跟一个做SaaS的朋友吃饭，他也在抱怨类似的事：他们的AI客服上线半年了，解决率指标一直很好看，但客户满意度反而降了。后来去查，发现AI客服把很多复杂问题归类成"已解决"，但实际上客户的问题根本没被处理——只是被正确分类了而已。技术团队看的是解决率，客服团队看的是工单关闭速度，客户体验部门看的是NPS。三个团队看着三组指标，讲着三个版本的故事。

所以AI落地最难的部分，可能不是选哪个模型、用哪个框架、怎么调参数。而是怎么让不同部门的人愿意看同一张图。这个问题，AI帮不了。它只能把裂缝暴露得更明显。至于修不修、怎么修，从来都是人的事。

不过话说回来，每次我觉得自己想明白了这件事的时候，下一个项目又会冒出一个新的盲区。可能这就是做技术落地的宿命——永远有你没想到的地方。