AI 落地最难的地方，是旧系统、旧流程、旧习惯

很多人以为 AI 落地最难的是模型。真正进到企业现场才会发现，模型往往是最干净的一层。麻烦在旧系统、旧流程、旧习惯。

旧系统的问题是数据和权限。企业里的数据散在 CRM、ERP、工单、邮件、表格、共享盘和各种历史系统里。字段含义不一致，版本不一致，权限不一致。AI 如果接不到可信数据，就只能做一个漂亮的聊天框。它可以回答通用问题，却无法处理企业真正关心的业务动作。

旧流程的问题是责任和例外。流程图上看起来很清楚，但真实业务里总有例外、兜底、口头规则和历史包袱。比如某类客户可以特殊处理，某类退款需要主管口头确认，某些订单看似异常但实际是长期合作形成的默契。AI 系统如果不能处理这些现实，就很难进入生产。

旧习惯的问题是使用阻力。用户已经习惯了 Excel、群聊、邮件和熟人协作。一个新系统如果要求他们额外登录、额外复制、额外学习，很容易被放弃。不是用户懒，而是每一次额外操作都会增加风险和认知负担。

所以好的 AI 落地，不是强迫用户迁移到一个全新工具，而是尽量进入用户原来的工作位置。用户在表格里工作，就让 AI 出现在表格旁边。用户在工单里处理问题，就让 AI 建议嵌入工单。用户在邮件里审批，就让 AI 帮他在邮件里完成判断。

技术上可以重构，习惯上要顺应。先嵌入已有流程，跑出价值，再逐步推动流程升级。这不是向旧世界妥协，而是承认组织改变需要路径。

FDE 在这里的价值，是同时理解技术约束和组织现实。他知道什么时候该接旧系统，什么时候该绕过旧系统；什么时候该做全新界面，什么时候该嵌入原有入口；什么时候该推动客户改变流程，什么时候该先尊重已有习惯。

AI 项目不是装一个插件，而是改造一套工作方式。真正难的不是让模型聪明，而是让组织愿意换一种方式工作。

面对旧系统，FDE 的原则可以概括为“读旧写新”。数据层面，要尽量能读客户现有系统，因为真实业务数据不会为了你的架构搬家。架构层面，不要轻易把验证期方案深度写进旧系统，否则变更流程会拖慢试错。流程层面，要顺应用户习惯，把 AI 放到用户原本工作的地方。

这三点背后是一个现实判断：企业 AI 项目早期最重要的是跑出价值，而不是立刻重构世界。很多团队一开始就想替换旧系统、重做门户、统一数据平台，结果半年过去还在打基础。更务实的做法，是先在一个小场景里证明价值，再用价值争取更大的改造空间。

当然，顺应旧习惯不等于永远迁就旧习惯。FDE 要分清哪些旧习惯是用户效率的来源，哪些旧习惯是系统缺陷的补丁。前者可以保留，后者要逐步产品化替代。比如用户喜欢在表格里看结果，可以保留表格入口；但用户手工复制三份数据核对口径，就应该被系统替代。

真正成熟的 AI 落地，不是把旧世界推倒重来，而是找到一条从旧世界走向新工作方式的路径。

这一篇可以写成很多企业都会共鸣的现实：AI 项目不是在白纸上画架构，而是在一座已经运转多年的城市里修路。你不能要求所有道路立刻封闭重建，也不能假装旧路不存在。你要先找到一个能通车的小段，让大家看到新路确实更快。

因此，FDE 的技术判断经常不是“最先进方案是什么”，而是“在当前客户约束下，最快产生价值的方案是什么”。有时是接旧系统，有时是做旁路工具，有时是先用人工审核兜底，有时是先嵌入表格或工单，而不是做全新平台。