一个不懂代码的业务人，用三个月时间从0到1搭建AI审核系统，准确率从60%提升至97.8%。他发现AI应用成功的核心并非模型强弱，而是业务规则的清晰度与边界感。本文分享三个反直觉真相，揭示AI时代真正稀缺的能力。

三个月前，我接手了一个从 0 到 1 的 AI 项目。我是业务出身，不会写代码。两个月后系统跑起来了，效果不错，流程可控。接下来我将介绍在我小小的AI项目实践中，发现的三个反直觉真相——它们其实重塑了我对 AI 应用的想法。

前几天，一个朋友凑过来问我：“你那个自动审核系统，用的哪家模型?”

我说：“其实哪家都差不多。”

他愣了一下：“那你两个月都在干嘛?”

我说：“讲业务、吵架、和 AI 一起看看不懂的日志。”

他真的沉默了。

我知道他在想什么。因为在大多数人的想象里，做一个能跑的 AI 系统，应该长这样：

挑最强的模型 → 写神奇的 Prompt → 高质量数据 Fine-tune → 上线。

但我想说的是

——这套流程，可能是这一波 AI 浪潮里最大的幻觉。

真相一：大模型的能力，早已远远领先了应用建设

老规矩，先说两个数字。

麦肯锡估算过，当前主流大模型的能力，已经足以自动化或显著增强 60%~70% 的白领工作场景。Anthropic 的 Dario Amodei、OpenAI 的 Sam Altman 也都表达过类似判断。

翻译成一句话：

一线梯队的 AI 能力，理论上已经可以完全覆盖 80% 以上的线上传统业务。

但你环顾四周，真正每天在替人干活的应用，能数得出几个？

那些每个团队都在搞的个人网站、团队网站、行业资讯推送、案例分析小助手、周报生成器——你我心里都清楚——大部分是隔靴搔痒，有的还是凭空生造的需求，压根没在替代人力。

这三个月我一边做项目一边观察，发现 AI 应用有几种典型的“死法”在重复上演——

• PPT 跑通，现实挂掉：汇报会一片惊叹，上线三个月还在改字段。
• 单条完美，批量崩盘：精挑三个 case 准确率 100%，真实业务流里一天蹦出十几个边缘情况。
• 换了三次模型，业务没动一寸：追着 GPT/Claude/Gemini 换，半年没沉淀出一条稳定规则。
• “AI 转人工”包装成 AI：名字叫智能审核，实际是 AI 猜一下 → 人工审一遍 → 客服回复。人工工作套了个更贵的马甲。
• 一号位 kick-off，三个月后没人负责：项目最后死在“没有 owner”这四个字上。

这些死法有一个共同点：没有一个是因为模型不够强。

都是应用建设跟不上。

换句话说——大模型不是瓶颈，人的想法才是。

真相二：AI 时代真正稀缺的，是讲得清楚业务规则的人

我第一版 AI 审核系统怎么做的?

我按最符合直觉的做法：把工单塞给 LLM，给一份很详细的 SOP，让它输出结论，不断喂给他数据让它提炼优化。

准确率：60%。

剩下的 40% 里，几乎每一单都指向同一个问题——模型不缺智能，它缺业务上下文。

举一个真实的例子。

一份完整的授权文件，权利人是 A 公司，代理人是 B 律所，格式规范，盖章齐全。但工单里的投诉主体填反了——把 B 律所填成了权利人。

模型看到这一单，老老实实按“投诉主体和授权文件不一致”驳回了。

驳错了。

真实业务里，填错是常态，读懂授权链条才是能力。

这种事，一线的人审过几十单就会有本能反应。模型审再多单也不会——因为你没告诉它。

于是我做了这样一件事：花了一周，把这个业务里所有的头部机构、它们的常用马甲、它们的历史授权模式，整理成一张字典。工单进来先查这张表——命中的直接走绿色通道。

就这一张看起来毫无技术含量的表，准确率涨了 12 个百分点。

类似的表，我一共做了三张。总共不到 500 行 Python + JSON。

我要坦白的是——这 500 行代码里，没有一行是我自己写的。

我把业务规则一条一条讲给 AI 听，它翻译成代码。跑起来之后，我一单一单指出“这里判错了”“这里漏了 case”，AI 一遍遍改。

就这么从 60% 一路磨到了 90%。

这件事让我明白一个反直觉的道理——

代码 AI 能写。业务规则 AI 写不出来。

那是你深度参与业务之后的手感沉淀。AI 训练语料里没有的东西。

所以 AI 时代真正稀缺的，不是“会写代码的人”。

是“讲得清楚业务规则的人”。

真相三：一个AI 应用系统真正的成熟，是清楚它不做什么

从 60% 干到 90%，靠的是规则代码化。

从 90% 干到 97.8%，靠的是工程稳定性——我这个不写代码的业务人踩了一堆常识级的坑，靠 AI 一个一个把我救出来。这段血泪史我不细说了，真的，你只有一个个踩过才能懂。期间被开发同学笑话无数次。

但让我真正意识到系统「成熟」的那一刻，不是准确率破 97%。

是我坐下来，写完了一份「不做事项清单」。

清单里明确写着：

• 不做涉外的 AI 审核。单量小，单价高，一旦误判可能引发国际投诉。
• AI 驳回强制转人工。AI 说“通过”直接放行，AI 说“驳回”必须人工复核。因为漏审是“可挽回的疏忽”，误审是“不可挽回的伤害”。等等等等

写完这份清单的那一刻，我才发现——

如果一个 AI 系统真正成熟了，那么它只知道能做多少事是不够的，它还得清楚它不做什么。

而“什么不做”这个判断，只有懂业务的人做得出来。

AI 不知道涉外单为什么单价高。不知道为什么一次误判会导致用户不信任平台

这个判断，得你“下地干活”之后，一个人坐下来，边擦汗边想，慢慢捋清楚。

三个真相合起来，我看到了一个新物种

业务浸泡 + AI 应用能力 + 边界感。

• 业务浸泡——才能识别哪些误判是模型能力问题、哪些是上下文缺失问题。
• AI 应用能力——不需要自己会写代码，但要清楚 AI 能干什么、什么时候该让它干、什么时候该让它闭嘴让人上。
• 边界感——才能画出“不做什么”的清单，让系统在有限的能力里做到最优。

这样的人，在传统组织架构里没有精确对标。

不是产品经理——他要真动手推系统跑起来，不是画 PRD。

不是研发工程师——他不写代码。

也不是数据科学家——他不 fine-tune 模型。

他是一个新组合：业务人 + AI 助手。

传统路径是：先做产品，再蹭 AI。

新路径是：先浸泡业务，再驾驭 AI，让 AI 补齐自己没有的技术能力。

这才是这一波「个体 AI 化浪潮」里，最有杠杆的角色。

“我是不是这个新物种？”——三个问题

Q1：如果不用 AI，你能一步一步讲清楚这件事，人是怎么做的吗?

• 讲不清楚 → 你不是在做 AI 应用。你是在蹭 AI。
• 讲得清楚 → 你已经站在起点上了。

Q2：你踩到工程坑的时候，是硬扛，还是把日志贴给 AI 让它告诉你发生了什么?

• 硬扛 → 你把自己当工程师了。浪费时间。
• 贴给 AI → 你在正确地利用 AI 补齐你的技术短板。

Q3：你能不能坐下来，列出一份“这件事 AI 不能做什么”的清单?

• 列不出 → 你还没在业务里泡够时间。
• 列得出 → 你已经跨过了大多数人跨不过的那道门槛。

三个问题全部是“讲得清楚 / 贴给 AI / 列得出”?

恭喜，你就是我说的这个新物种，收拾收拾简历，准备跳槽吧。

尾声

回到开头那个朋友的问题：“你用的什么模型?”

今天我可以更完整地回答——

用什么模型，是这个项目里最不重要的一环。

在你还没解决业务规则、工程闭环和边界共识之前，再强的模型也帮不了你。

在你解决了这三件事之后，模型是哪家都能跑起来。

所谓AI 时代的个人竞争力——不在算力，不在模型，不在 Prompt。

在那些愿意花时间深度参与业务、愿意在深夜和 AI 一起挠头啃着看不懂的日志、愿意认真写一份「不做事项清单」的人手里。

这些人，是这一波个体 AI 化浪潮里，最不显眼、但走得最远的一群。

本文所述数据均已脱敏处理，涉及品牌名、产品名、当事方名称均已隐去。文中提到的业务场景为泛化描述，不针对任何特定平台。