本文首发于公众号「技术落地手记」，一个国企技术管理者的实战笔记。关注回复「落地」获取更多技术管理实践。
上个月部门开会，讨论下半年AI落地的计划。
领导问我："技术上能不能搞定？"我说能。他又问："那为什么推了半年，动静不大？"
我愣了两秒。因为答案不太好听——不是技术搞不定，是人不配合。
第一个坑：没人愿意把自己的活儿说清楚。
AI要干活，得先知道活儿怎么干。听起来很简单对吧？把流程文档整理好，把经验写下来，喂给它就行。
问题是——谁来写？
销售说客户信息是他的核心资源，凭什么给AI？编辑说稿子怎么改全凭手感，写不出来。老师傅说"你让我教AI，那我以后干什么？"
我之前写过一篇《用了12年的研发管理系统，被AI两周自研的替代了 》，里面提到替换旧系统的前提是数据能迁出来。工具层面的迁移反而容易，真正难的是——人脑里的东西，不是"编码不了"，是"不想给"。
这不是认知问题，是利益问题。
第二个坑：数据在系统里躺着，但没人能说清它跟业务什么关系。
我们公司不缺数据，各系统里都有。但当我尝试把数据串起来喂给AI时，发现一个断层：
懂业务流程的人，不知道数据存在哪张表里。 懂数据库的人，不知道这个字段在业务上意味着什么。
更麻烦的是，有些数据本身就是错的——流程上有漏洞，数据录入不规范，日积月累成了"脏数据"。AI给出来的结论，建立在这种数据上，比没有还危险。
这不是AI的问题，是数据治理的问题。但数据治理这件事，在很多传统企业里，从来没人真正负责过。
第三个坑：安全顾虑是真的，但也常被当挡箭牌。
"万一数据泄露怎么办？"——这句话我在不同场合听了不下十次。
说实话，这个担忧有道理。你把内部方案、踩坑经验、客户数据喂给云端大模型，确实存在风险。但我观察到一个现象：很多时候"安全问题"被拿来当不想动的理由。
真要解决，方案有的是——本地部署、数据脱敏、权限分级。贵，但不是没路。关键是愿不愿意投入。
所以现在我怎么推？
三个原则：
- 先挑没有利益冲突的场景切入。 比如测试环节——测试用例没人认为是"核心资产"，大家巴不得有人替他写。（具体做法写过：两个skill文件撑起了我们整个AI测试链路）
- 不碰"让人交经验"的活。 换个方式——AI旁听会议、AI读已有文档，不需要谁额外输出，先从存量信息里榨价值。
- 用结果说话，不跟人辩论。 先跑通一个小闭环，让数据自己证明。不跟不配合的人吵，等他们自己来问"你那个怎么弄的"。
以上是我这半年最真实的体感。技术从来不是瓶颈，组织才是。
如果你也在推AI落地，大概率也在面对同样的问题。有类似经历的可以评论区聊聊，看看还有哪些坑是共性的。
