什么是 POC 的诅咒？
如今企业 AI 培训的场景惊人地相似。公司为全员购买 Claude Code 或 Cursor，把所有人叫来培训，再让每个人带着一个任务离开。最常见的任务是：做一个能取代你的 AI。支持很慷慨，工具都配好，课程排得很长。然后就到此为止。
POC（概念验证）做出来看着挺像样，因为人们是抱着这么火的趋势总该能做点什么的期待去做的。问题在于 POC 就只是 POC。要真正走向实用，就得从那时起投入资源、时间和组织跟进，可在 AI 项目里这一步偏偏被整段跳过。于是同样的循环反复出现：做是做出来了，却始终没进入实际业务。
为什么走不到实用？
原因不是技术，而是结构。别的研发一旦投入，组织就会跟着一起动，可 AI 引入偏偏被框定成：你们自己抽时间、更努力一点。没有专职小组，本职工作原封不动，AI 应用就这样被当作额外工作硬加上来。
个人的动力就在这里崩塌。就算你做出东西、提高了自己的效率，公司不会替你减负，而是用空出来的时间再加活儿，于是没有理由去做。因此讽刺的是，最认真走完这一过程的人，最后往往不是为公司做自动化，而是在筹备自己的创业。公司不给真正的机会，才是引入失败的真正原因。
如何判断一家公司能否真正用好 AI？
判断标准出人意料地简单：这家公司有没有专职做 AI 的团队。没有专职团队，无论买多少工具授权、办多少全员培训，结论几乎早已注定：这会止步于 POC。
在 DX（数字化转型）上吃过一次亏，加深了这种不安。公司铺好完整的数据管道、加上 OCR、认真训练预测模型，可一线员工真正感受到的变化很模糊，预测模型也没多少实际用处。花了不少钱而效率不明显的记忆，转化成对 AX 会不会重蹈覆辙的担忧。而 AX 比 DX 更烧钱，还要叠上 LLM、GPU、服务器的费用。所以只有让专职团队扛起这笔投入、不断积累实验的公司，才能越过这道诅咒。
该从哪里开始——不是宏大的东西，而是自己的工作
解法很朴素。放下用 AI 做出惊天动地之物的念头，仔细审视自己每天做的事。把价值链拆开看，你会发现出于惯性延续下来的简单重复环节意外地多。把这样一小块换成智能体，带来的改变比想象中大。
真实案例可以佐证。一位全职交易员一直依赖外部公司在夜间监控海外市场的重要消息，并通过即时通讯转发给他。上过智能体课程后，他自己动手做了一个，响应快得多、还能按需定制，于是他把那家外部公司裁掉了。某花圈公司的一位负责人，把电话订单以语音接收、转成文本，只整理配送信息，挤掉了供应链里的水分，实实在在地赚到了钱。
为什么是领域知识，而不是编程？
这些案例的共同点不是编程能力，而是领域知识。我们验证 AI 产出的能力，远不如自己以为的那么强。正如不懂法律就无法判断律师智能体的答案对不对，只有懂这个领域的人才能做出可用的东西。一个由深谙时尚的人做出的个性化穿搭推荐应用真的好用，原因正在于此。
所以今后领先的人才，更像是擅长开卷考试的人。就像摊开书本若没有应用能力也答不出题，如何驾驭 AI 这本打开的书，决定了你的水平。知识并未变得不必要，恰恰是要理解基础才谈得上应用。就连 vibe coding 也不是只丢提示词——得懂一点底层，才能做出真正能用的东西。
组织必须做的事
没有哪个组织靠一次培训就变得完美。更好的做法，是某金融集团用整整一年来培训、并给个人时间去完成一个智能体项目并做展示的案例。等一等你的员工，适当为他们减负以便实验，把 AI 当作一个真正的工作团队来认可。这才是管理层该做的事。
对发起培训的一方也有一个请求。事先把答案钉死——比如坚持所有人只学 Claude Desktop——往往会更难办。更好的做法是提前开好实习账号、权限和付费，把课程设计交给专家。而且培训只是开始。只听不做什么都不会变，唯有真正去实践的人，才能把工具变成自己的成果。