你究竟在解决什么问题？

剧情反转：本周的文章有些不同。我们通常聚焦于信号和市场分析，但在举办了一场 Agentic Finance Summit、并与 150 位正在金融服务领域积极部署 AI 的从业者交流之后，我们必须分享一下我们真正学到了什么。

最终浮现出一个清晰的模式，与市场上的许多噪音相矛盾：在企业 AI 领域胜出的公司，都是在解决基础设施数据问题的公司。而大多数供应商甚至都不知道这个问题究竟是什么。以下是我们从这些对话中总结出的一些关键要点。

供应商经常弄错的地方

“很多这类供应商，尤其是年轻的初创公司，往往过于关注把自己想解决的问题铺得太宽，而且看起来并没有真正聚焦于他们想解决的具体问题。”——某大型金融机构的一位 AI 负责人

大多数供应商都在兜售转型，但企业实际面对的是复杂性。一个典型的金融机构往往经历了数十年的收购、迁移、遗留系统，以及 mainframe 与云基础设施并行运行。API 返回的数据表面上看起来很干净，但其中可能隐藏着欺诈代码、遗留错误信息，以及一些字段所表达的含义与其名称暗示的内容完全不同。

难点不在于部署 AI，而在于理解那些阻碍 AI 发挥作用的数据质量问题。为理想化企业构建方案的供应商会立刻失败。真正获得市场牵引的公司，带来的是一种规定性很强的主张：“以下是我们在财富管理中的 KYC 或 AML 场景下，专门为你解决的三个具体问题。”

真正的护城河：三个层次

第 1 层：流程智能 在部署 AI 去改变工作方式之前，先观察工作实际是如何发生的。为核心运营创建一个“数字孪生”。只有这样，才能可靠地部署 agents。

第 2 层：合规优先架构 从第一天起就为治理而设计，而不是事后补救。当你从一开始就为可审计性和可解释性构建 AI 时，合规就会成为基础，而不是阻力。你将获得这样的系统：每一次交互都受到监控，策略变更可以离线测试，并且你可以对不同方法进行 A/B 测试。

第 3 层：系统现代化 使用 AI 加速 legacy systems 的现代化。将通常需要数年的工作压缩到数周内完成。

滩头阵地策略手册

成功需要先在一个楔子切入点上做深，再做广。先从一个具体问题入手，构建可扩展的解决方案，并尊重治理要求。

让试点成功的关键：

• 使用真实的生产数据，而不是沙盒数据

• 进入 UAT 环境，达到可用于生产的就绪状态

• 选定一个用例，并在该领域证明你的精通能力

需要勾选的三个框：证明这项技术在他们的数据和他们的环境中能够运行。以对双方都具备资源效率的方式完成。确保有真正的高管支持——这个人会因为试点成功而让职业发展受益，而不是某个为了应对董事会压力而走流程打勾的人。

错误的打法：从简单开始。传统观点认为应当从低垂的果实入手。这是本末倒置。证明你能解决简单问题，并不能证明你能处理复杂问题。应从真正复杂的流程开始。构建能够应对复杂性的基础设施。容易的胜利会在后面到来。

当试点真正进入更广泛的部署时，成功的往往是那些攻克了真正棘手场景的人。他们证明了某些真实有效的东西。

每个人都搞错了什么

误区 #1：一次性部署 AI 部署是一个迭代过程。第一个月可能达到 30%，第二个月达到 60%，随着时间推移逐步接近 100%。如果你以第一个月的表现来评判，或者从第一天起就要求达到 100%，你就会失败。

误区 #2：把准确率当作成功标准 对 99% 准确率的执念会让部署过早停滞。真正应该问的问题是：你学到了什么？哪些经验可以应用到其他地方？在有人参与审核的情况下，90% 的准确率通常已经足以投入生产。

误区 #3：Agents 对受监管工作来说风险太高 合规团队担心幻觉和漂移风险。这些担心是真实存在的。它们不是阻碍，而是设计问题。只要有适当的护栏和监控机制，你就可以管理这些风险。

这意味着什么

对于创始人：选择企业 AI 问题中的一个环节，并把它彻底解决。理解客户所处的混乱现实。为这种现实而构建，而不是为理想状态而构建。用真实数据和真实利害关系，把一个切入点真正做好。

对于企业：你寻找的不是最好的 AI。你寻找的是对你的基础设施问题最深刻的理解。这个供应商是否理解你的遗留系统？你的治理要求？你的实际工作流？他们是否为像你这样的公司解决过这个问题，还是只是在套用一种通用方案？

真正实现部署的供应商，是那些理解基础设施的供应商。其他所有人都只能停留在试点沙盒中。