这段时间做 AI 项目，我有一个越来越强的感受： AI 项目很挑客户。 这个“挑”，不是挑客户有没有钱，也不是挑客户愿不愿意花钱。
这里说的客户，也不一定是外部客户。它也可以是企业内部的业务部门、流程负责人、管理层，或者真正要使用 AI 的一线团队。
很多企业预算不低，老板也重视，会上也讲得很认真。但项目往下推进，常常会卡在一个更根本的问题上：这家公司到底有没有真实、明确、适合用 AI 解决的业务痛点？
如果客户或内部业务方的诉求方向一开始就是偏的，再顶尖的 AI 技术也救不回来。这就是我说 AI 项目挑客户的真实意思。
一、为什么说AI项目很挑客户
不是有钱、愿意花钱，就一定能做成 AI 落地项目。
AI 项目最怕的，不是客户没有预算。这里的客户，既可能是外部甲方，也可能是公司内部提需求的业务团队。真正可怕的是，客户或内部业务方只有一个方向很大的愿望，却没有一个可以被 AI 接住的问题。
比如一上来就说“我们想做一个智能机器人”“我们想做一个数字员工”“我们想把内部流程都 AI 化”。这些说法本身没有错，但它们还不是业务问题。
真正能进入项目的问题，应该继续往下追问：到底哪个岗位现在最痛？哪个流程节点反复卡住？哪个错误每个月都在发生？哪个判断现在完全靠老员工经验？哪个工作每天都在重复，但结果又必须有人复核？
只有追到这一层，AI 才有可能上场。如果客户或内部业务方只是想“有一个 AI”，却说不清 AI 到底要解决什么具体毛病，这个项目从一开始就很危险。
所以 AI 项目挑客户，本质上是挑问题质量。问题不真实，AI 只能做演示；问题不适配，AI 只能做装饰；问题说不清，AI 只能在模糊里打转。
二、核心观点：想清楚要解决什么组织问题，才是AI落地的前提
AI 落地的顺序不能颠倒：不是先用 AI，再找问题；而是先定问题，再选 AI。
很多企业一上来就跟风，要上大模型，要上智能机器人，要上数字员工。但他们没有先想明白一件事：我们现在内部效率低、成本高、出错多，到底根源是什么？
是流程太长，是职责不清，是规则散在不同人的脑子里，是数据拿不到，是审批权责不对等，还是产品、采购、交付这些更底层的经营判断出了问题？这些问题没想清楚，AI 越强，项目越容易跑偏。
原因很简单：AI 会很努力地执行你给它的方向。方向错了，它只是更快地把你带到错误结果。
公开研究也在提醒这件事。 麦肯锡 2025 年 AI 调研 里，一个反复出现的关键词不是“模型更大”，而是工作流、治理、责任和组织方式的变化。 BCG 的 10-20-70 原则 也讲得很直白：AI 价值不是只靠算法，更多来自流程、人和文化的改变。
这和真实项目里的体感是一致的。AI 不是凭空产生价值，它要接到组织问题上，价值才会出来。
三、AI不是万能膏药，很多问题本身就不属于AI能解决的范畴
AI 可以帮你提高处理速度，但不能替你修正一个错误的组织机制。
这一点特别关键。很多人把 AI 当成万能膏药，哪里疼，就往哪里贴：流程慢了上 AI，销售差了上 AI，采购亏了上 AI，员工协同差了也上 AI。
但问题是，不是所有“疼”都适合用 AI 治。有些疼，是因为动作重复、资料分散、规则可描述、结果可复核，比如合同初审、材料预审、会议纪要、知识问答、报表生成、异常提醒。这类问题有明确输入，有明确输出，也有人能判断结果对不对，确实适合 AI。
但有些疼，是组织本身没有想清楚。职责没分清，产品没定位准，采购规则不合理，利益分配和决策机制有问题。这些问题，AI 可以帮你看得更清楚，但它不能替你做组织选择。
强行上线 AI，最后很容易变成面子工程。页面很好看，汇报很好听，真正的业务结果没有变化。
四、举三个直白例子，就能看明白边界
AI 能不能落地，不看概念有多先进，要看问题本身是不是它能处理的类型。
第一个例子：公司内部流程制度混乱，岗位职责划分不清。员工之间互相推诿扯皮，一个审批到底谁先看、谁负责补材料、谁有权拍板、谁承担结果，没人说得清。这时候就算上一套 AI 审批系统，也解决不了根本问题，因为 AI 只能沿着既有流程跑；流程本身乱糟糟，它只会按照错误流程更快地出错。
第二个例子：产品本身市场定位错误，卖不出去。这时候指望 AI 写文案、AI 做短视频脚本、AI 直播带货，把销量扭转过来，通常不现实。AI 可以让表达更顺，素材更多，曝光更快，但它很难改变一个事实：产品本身没有击中真实需求。
第三个例子：原材料采购定价机制不合理，导致长期亏损。AI 可以辅助做数据分析，整理历史价格，提示异常波动，对比供应商报价。但如果公司内部采购规则落后，授权机制不清，定价口径混乱，AI 不能直接替公司改掉规则。
这三类问题看起来都可以往 AI 上靠，但认真拆开就会发现，根因不在 AI。根因在流程、产品、机制、职责和决策。AI 可以做辅助，不能做主刀。
五、所以，AI项目开始前要先做“适配判断”
先判断病因，再决定工具，这是 AI 落地最基本的前置动作。
如果要把你的观点变成一个可执行方法，我会把它压缩成四个问题：第一，这个问题是不是高频发生？偶尔发生一次的问题，不一定值得做成 AI 项目。
第二，这个问题有没有明确输入？AI 至少要知道读取什么材料、数据、制度、历史案例。第三，这个问题有没有可描述的规则？如果所有判断都靠老板临场感觉，AI 很难稳定执行。
第四，这个问题有没有人能验收结果？AI 输出之后，谁判断对错，谁复核风险，谁决定能不能进入下一步。这四个问题都能回答，AI 才适合进入方案设计。
如果回答不了，就不要急着谈模型、平台、Agent、数字员工。先回去理清组织问题：该梳流程的梳流程，该定职责的定职责，该改产品定位的改产品定位，该调整采购规则的调整采购规则。
这不是反对 AI，这是尊重 AI 的使用边界。
六、最后总结：AI只是工具，关键看手里的“毛病”
AI 不是万能药，它更像一把螺丝刀。
螺丝松了，用螺丝刀刚好能修好。但木板裂了，零件装错了，结构本身设计错了，再好用的螺丝刀也修不好。AI 也是一样。
如果问题是资料太多，人看不过来，AI 可以帮你读；如果问题是规则分散，人记不住，AI 可以帮你查；如果问题是重复动作太多，人做得慢，AI 可以帮你自动生成、预填、提醒、归纳。
但如果问题是组织不愿意改流程，岗位不愿意担责任，产品方向本身错了，采购机制本身落后，AI 就只能辅助分析，不能替你完成组织变革。
所以 AI 项目真正的第一步，不是问“我们用哪个模型”，也不是问“我们做不做数字员工”，而是问：我们到底要解决什么组织问题？这个问题是不是适合 AI 解决？如果适合，它应该接在哪个流程节点？如果不适合，应该先改哪条规则、哪个岗位职责、哪个业务机制？
把这几个问题想清楚，AI 才有上场意义。否则，再贵的工具，也只是把原来的问题包装得更智能一点。
真要开始做，可以先拿出十个高频工作场景，不要先写“提效”“降本”“智能化”，先写下面四个问题。
这四个问题问完，很多所谓 AI 场景会自动掉下去。掉下去不是坏事，说明它现在不是 AI 项目，而是流程治理、岗位澄清、产品定位或机制重构项目。
剩下来的场景，才值得继续设计 AI 方案。能不能落地成功，关键看这个“客户”手里的毛病，刚好匹配 AI 这把螺丝刀能干的活。