AI 变成行业生产力，从一件能验收的事开始

本文来自微信公众号： 曼谈AI ，作者：曼谈AI

“如果一个医疗Agent的准确率是80%，你敢不敢让它给你看病？”

前段时间和几位做模型、服装电商、医疗、投资和企业管理的朋友聊AI落地。聊到医疗时，讨论逐渐落到这样一个问题上。

另一个人马上接了一句：“很多线下医生的准确率也未必有80%，但------医生可以负责。”

这句话把问题说透了一半。

企业当然关心准确率，但真正决定一个AI能不能进入业务的，不仅仅是准确率这么简单的衡量标准：它能不能把任务做完，企业能不能及时发现它做错了，以及出了问题以后由谁处理、谁负责。

这三个问题，分别指向了AI落地中经常被混在一起的三件事：Harness——也就是承接模型、让AI进入工作流程的外部系统——以及验收机制和责任设计。

模型会做，不等于系统能跑起来

模型更新越来越快，新工具和新能力也不断出现，但行业落地并没有以同样的速度发生。原因并不难理解：一台功率强大的发动机，不会自动耕地，也不会自动开矿。模型提供了能力，但把能力变成工作，还需要另一套系统。

让模型回答一个问题，和让它连续完成一项任务，是两件不同的事。在一个实际任务中，Agent曾经连续运行五天多；而在另一个案例里，平台底层发生变化，十几个日常任务就同时失效了。两边使用的模型都不弱，差别在于外部环境能不能接住任务。

一项任务交给AI以后，系统要不断回答几个很具体的问题：这一轮应该让它看到什么信息，可以使用哪些工具，任务已经进行到哪里，行动以后又发生了什么。上下文、工具、状态、边界和反馈，决定了AI是偶尔答对一次，还是能够持续工作。

这些才是Harness要处理的问题。

它可以管理上下文、工具、状态、流程、权限、评价和人工接管，但不存在适用于所有行业的标准组合。Harness也不是把功能和插件不断堆上去。任务越长，系统越需要保持简单、稳定，并且清楚地限制AI能做什么、做到哪一步应该停下来。

模型决定能力的上限，Harness为持续执行提供条件。但能运行只是开始。AI能不能进入生产，还要看企业能否及时、低成本地判断它做得对不对。

决定行业落地速度的，可能是验收成本

代码Agent是较早取得明显进展的领域之一，一个重要原因是它拥有相对便宜的验收器。

代码能否编译、测试是否通过、页面能否运行，通常很快就能得到结果。AI每完成一步，都有机会知道自己错在哪里，并据此继续修正。

服装电商就没有这么轻松。

一家做服装电商AI的团队，已经能把同一件衣服换到不同模特身上。面向消费者时，用户只是想大致看看上身效果，八十多分可能已经有用。进入品牌客户的生产流程后，标准完全变了：珍珠扣不能变成塑料扣，V领不能变成圆领，布料纹理也要保持一致。一处细节错误，就可能让整张图无法交付。

团队在生成模型外又增加了视觉检查，识别纽扣材质、比较领型、判断纹理是否一致。这套规则能够发现一部分问题，却无法穷尽所有细节。品牌客户要求接近99分，模型做到80分或85分，依然不是可以稳定交付的生产结果。

这里首先存在模型能力不足：它还不能稳定保持纽扣、领型和纹理等细节的一致性。但进入生产以后，问题又多了一层——系统能不能及时识别哪些结果可以交付，哪些需要重新生成、人工修正或直接放弃。

如果每张图仍然要由人从头检查，即使模型偶尔能达到要求，也很难形成规模。更好的模型可以提高一次生成的合格率，验收机制则要发现剩余的错误，并把失败案例重新变成系统改进的反馈。两者缺一不可。

这也是为什么，一个看起来不错的平均分，并不等于可以进入生产。错误能够自动暴露、修复成本很低，当前的模型表现就可能成为起点；错误隐蔽、后果严重、只能依靠专家逐项检查，看起来再高的分数也很难转化为生产力。

这是一条容易被忽略的行业分界线。模型能力决定上限，验收成本则在很大程度上决定这种能力能否被大规模使用。

行业专家真正稀缺的，是定义什么叫“做对”

谈行业AI时，人们常把行业专家的作用理解为提供知识：整理文档，建立知识库，再让模型检索。

但专业领域真正困难的地方，往往不是找不到资料，而是一个结果看起来头头是道，专家却能迅速发现它理解偏了。

服装专家能看出纽扣、领型和纹理的细微变化，医生知道哪些症状意味着风险升级，投资人能够判断一条逻辑链是否完整，管理顾问则能发现一套方法论虽然语言上说得通，实际上没有抓住问题。

这些能力不只是“知道得更多”。它们是一整套长期形成的判断：什么结果可以接受，什么错误绝不能放过，什么情况必须停下来，哪些边缘案例需要交给更有经验的人。

这恰恰是许多行业AI最缺的部分。

如果这些标准只存在于专家的直觉里，AI做完以后就只能请专家从头再检查一遍。工作并没有消失，只是从“做”变成了“审”。当这些经验被拆成检查项、风险等级、中止条件和升级规则，其中能够明确表达的部分，才可能进入Harness，成为机器可以执行的验收机制；无法形式化的部分，则需要进入人工判断和升级流程。

行业专家在AI落地中的角色也因此发生了变化。他们不只是向模型补充知识，更要和工程团队一起定义任务、边界和验收器：哪些工作可以自动完成，哪些结果需要抽查，哪些信号一出现就必须交还给人。

行业经验真正变成系统能力，通常不是多上传了几份资料，而是把一句“我看着不对”，逐渐变成系统知道哪里不对、严重到什么程度、下一步应该怎么办。

AI放在什么责任位置，可能比准确率更重要

再回到开头那个问题：80%准确率的医疗Agent，能不能给人看病？

如果让它独立诊断并开出治疗方案，这个数字显然令人不安。但如果它负责整理病历、发现缺失信息、提示风险、给医生提供辅助判断，同时把不确定和高风险案例主动升级，80%所代表的价值就完全不同。

改变的不是数字，而是AI在工作流程中的位置。

投资也是如此。投资本来就没有一个即时、唯一的正确答案。让AI直接决定买什么，很难通过一次回测证明它真正有效；让它扩大信息覆盖、检查论证链条、寻找反例，并持续搜集能够推翻现有判断的证据，却可能立刻改善决策过程。

AI从决策者变成证伪工具以后，仍然深度参与决策，但被放在了一个更合适的位置：它处理人难以覆盖的信息规模，人保留价值判断和最终责任。

这并不意味着AI永远只能做辅助工作。随着模型、数据和验收机制变得成熟，它承担的范围可以继续扩大。关键是每扩大一步，都要说清楚：哪些错误系统能够发现，哪些决定可以撤回，什么情况必须中止，以及最后由谁承担后果。

准确率描述的是模型平均表现，责任设计决定的却是企业敢不敢使用它。

很多行业的突破口，不是继续等待一个接近满分的模型，而是重新设计AI在流程中的位置：让它先承担擅长且可检查的部分，把例外、价值判断和最终责任留给人。这样，现有能力也可能产生真实价值。

从一件有验收器的事开始

“企业大脑”“自动投资”“独立诊断”很有想象力，但输入、输出和责任边界都不清楚，最后往往只能依赖人从头到尾兜底。

换一个起点，很多问题会简单得多：先选择一项高频发生、边界明确、结果能够检查、错误可以补救的任务。它可能没有那么宏大，却能让AI第一次真正进入业务。下面并不是一套适用于所有企业的标准答案，只是几个更容易启动的例子。

任务选定以后，可以先用历史案例检验系统，观察错误集中在哪里；随后进入影子运行，让AI参与真实任务，但暂时不直接影响业务；等失败方式和风险边界逐渐清楚，再把低风险、可撤回的部分交给它。

走到这一步，准确率只是一个数字。更重要的问题是：AI究竟减少了多少人工工作？哪些结果仍然需要检查？错误多久能够被发现？失败以后能否恢复？最终有没有带来成本、收入或质量上的改善？

每一次失败、人工修改和业务结果，再回到Harness中，继续调整上下文、工具、流程、权限和验收方式。系统由此不再是一次性交付的软件，而会随着真实工作持续生长。

最终形成的不是“一个很聪明的AI”，而是一条能够运行的生产线：

模型还会继续升级，今天需要专门开发的功能，明天可能成为基础能力。更难被替代的，是模型之外逐渐积累的行业数据、工作流程、验收标准、责任机制和业务反馈。

Harness让AI能够持续工作，但只有当结果可以被验证、风险有人承担，并且最终产生经济价值时，它才真正成为生产力。