三家企业痛陈使用AI简直是脱裤子放屁

寂静回声

这是一个在马来西亚的企业CTO，随口说了这么一句：
“我们是第一个在这个地区采购Copilot企业版的公司。”
还没来得及称赞前瞻，后面一句话：
“但是大家都不用。”
他们差不多在一年前就为全体员工采购了OpenAI企业版Copilot，一度每月为上千人付费订阅。刚上线时新鲜感十足，大家频繁尝试。可大概五个月后，使用量就开始断崖式下跌。
经过分析，发现大部分员工只把AI当“英文检查器”或“聊天机器人”。几乎没人真的用它来提高日常工作。管理层看了使用数据后直接表示：
“不如送大家去上商务英语课。”

如果说上一个案例是“员工不会用”，那这个案例就是“AI干不了”。
这是一家政府单位的IT负责人。他说他们是单位里用AI最多的团队，部署了各种自动化工具，还接入了AI模型。
但问题来了：他们的系统运维涉及大量敏感内容，每一步AI处理完之后，都要人工再复核一遍。
特别是面对一些异常处理的流程，系统跑完，还是要人工兜底。换句话说：
AI做的事，等于人也要再做一遍。
投入了AI，结果人工一点没省，反而多了一道“AI输出结果检查流程”。
AI不能承担责任，它的输出又不能保证100%正确。在不能犯错的领域（政府、金融、法务等），这就导致了一个悖论：
AI参与了流程，但不能减少人工；甚至还多花了训练、验证、部署的成本。

好家伙，规划报告直接让AI写，就给你写成这个鸡巴样。

和某券商CTO的对话。

他们公司明确要开展AI Agent试点项目，领导已经表态支持了，方向也定了。但当我问到更细节的问题，比如：
试点的场景是什么？
要我们提供什么东西？
需要多少算力？成本预估呢？
对方犹豫了。他坦白说：其实这些问题还没想清楚。
我分享了一些适合AI Agent的典型场景，比如内部客服，他表示挺感兴趣。但他马上也问了个关键问题：
“这个比传统chatbot强多少？值不值得？”
我当时算了一笔账：如果只是为了解决一个或两个任务就部署一整个大模型，其实算力成本非常高。单看ROI，大概率不如直接用现成chatbot来得划算。
一些走得更激进的企业，已经在自建本地的算力池，提前为AI Agent的落地打基础。
这种做法的好处是：
数据不出本地，安全性更高；
长期看比云部署更可控、可扩展；
未来可以支撑多个模型、多个场景同时运行。
但问题也很现实：如果你前期没有明确业务场景，建好了算力池，最后却没有落地应用去“吃掉”这块资源，那就是典型的“基础设施闲置”。
技术更新快是真的，但企业落地难也是真的。看着一个又一个AI工具上线，一年过去，真正能用起来的反而没几个。