我们用了 deepseek、豆包、GPT、Kimi……大半年用下来，结果却发现：最后往往得到了一堆知识，而不是适配企业的解决方案。
这句话我放在心里有一阵子了。
它不是抱怨工具不好用。恰恰相反，这大半年里，它们在很多事情上确实帮了忙。
但有一件事一直没解决——
它们给我的，始终是“关于餐饮的知识”，而不是“我那家店该怎么办”。
先给结论：
用好 AI 的障碍，从来不在技术上。
AI 也不会因为用得久，就更懂你的企业——它只会因为你给得越准，才越像那个懂你企业的人。
这两句话，和多数人的默认假设都是反的。
多数人以为：用得越久，它越了解我，越顺手，越像一个老员工。
多数人还以为是：用得不好，是工具不行、模型不行、提示词没写对。
我的观察正好相反。
用得越久，你只会得到越多的知识——越来越多，越来越对，越来越没用。
而用得不好，几乎从来不是工具的问题。
一、它给你的永远是“知识”，不是“方案”
你问它：“怎么提升营业额？”
它会给你十条建议。
条条正确。条条都能在教科书里找到。条条放在任何一家餐厅身上都成立——也就是说，条条放在你那家餐厅身上，都不成立。
这不是它不够聪明。
是它的语料里，本来就只有“关于餐饮的知识”，没有“你那家店”。
德鲁克有一句话，我用了很多年：
企业内部一切都是成本，利润来自于外部。
这句话放在 AI 上，一样成立，而且更狠。
你向 AI 要一个方案，本质上是向它要“外部”——要那个已经被市场验证过、被顾客用钱投票投出来的东西。
可 AI 手上没有你的外部。它只有别人的外部。
你真正缺的那一部分，从来不在它的语料里，只在你自己的账本和经历里。
二、MIT 的报告：95% 的企业级 AI 项目，没有产生可衡量的回报
这不是我的感觉，这是有公开研究的。
2025 年 8 月，MIT 的 NANDA 项目发布了一份报告，叫《The GenAI Divide: State of AI in Business 2025》。研究覆盖了 300 个公开的企业 AI 部署案例、150 位高管访谈，以及 350 名员工的问卷。结论是：95% 的企业级生成式 AI 试点，对损益表没有产生任何可衡量的影响。
报告主笔 Aditya Challapally 的原话，翻过来大意是：
问题不在监管，也不在模型性能。问题在于，企业系统没有从自己的工作流里学习。
像 ChatGPT 这样的通用工具，对个人很好用，因为它足够灵活；但到了企业里，它不适应、不整合，于是就停住了。
MIT 把这条叫做“learning gap”——学习鸿沟。
请你把这句话再读一遍：
不是模型不行，是“没有从自己的工作流里学习”。
那么，跑通的那 5%，做对了什么？报告给了三条：
- 用例清晰、足够窄，并且绑定一个可衡量的结果
- AI 团队和最终使用者深度协作
- 在上线之前先把数据整合好，而不是上线之后再补
三条里，第二条是人的问题，第三条是输入的问题。
没有一条，是模型的问题。
顺带说一句：这 5% 里跑通的那些试点，营收增速普遍在 15%–25%。
同一份报告里还有一个数据：超过一半的企业 AI 预算，花在了销售和市场这类“看得见”的地方；而回报最高的，偏偏是那些不体面的后台活儿。这跟我们做餐饮的一个老毛病一模一样——
关注竞争，超过关注顾客。抓芝麻，丢西瓜。
三、什么叫“有效的输入”
我把问题换一个问法：不是“AI 能不能给我方案”，而是“我给了它什么”。
大多数人是这么用的：
“帮我写一份门店运营手册。”
“怎么提升营业额？”
“餐饮怎么做好私域？”
这不是输入，这是许愿。
有效的输入长这样：
“我这家店在××商圈，租金占营业额 18%，人工 22%，毛利率 55%，人均 45 元，日均来客数 520，外卖占比 40%，上个月营业额 70 万，净利润率 3.8%。你帮我看问题出在哪。”
看出区别了吗？前者给它的是一个问题，后者给它的是你的企业。
泰勒说过一句话：凡不可量化，皆不可管理。
这句话放在 AI 上同样成立——凡你没有给它的，它替你编不了。
AI 不缺口才。它缺的是你的账本。
四、有效的输入有两类，第二类最难给
我自己总结过一句话：
有效的输入，除了真实数据，还有不好意思对外讲的那些心里的“数据”。
第一类好理解——账本、报表、算账。你把它给出去，AI 立刻能算。
第二类才是真正决定成败的。什么叫“不好意思对外讲的数据”？就是这些：
- 这家店其实我早就知道它不行，但它是老兄弟在管
- 当初这个点位是我拍的板，我不想承认自己看错了
- 团队里那个店长早就不合适了，我一直没动他
- 上个月我连开了七天会，没有一个是关于顾客的
- 报上来的数据我自己都不太信，但我签字了
这些东西，你不会写进周报，不会发到群里，不会在复盘会上说。但它们才是问题真正的形状。
你给 AI 的输入里，如果全是能拿出去说的，那它还给你的，也只能是能拿出去说的东西——正确，标准，且与你的企业无关。
五、代价：我让 AI 替我写了一阵子稿子
这一段，是我自己的经历。
我让 AI 替我写了一阵子稿子。实话实说，写得很快，很顺，很“对”。
用词讲究，结构完整，逻辑清楚。挑不出毛病。
但我读完之后，没有感觉。因为它没有灵魂。更准确地说——那里面没有我。
我花了一段时间才想明白问题出在哪。不是它不会写，是我没给它“我”。
我给它的，是一堆关于餐饮的正确知识；它还给我的，也只能是一堆关于餐饮的正确知识。可我想要的从来不是“正确”。我想要的是我的判断。
而我的判断，是十几年里摔过的跟头、赔过的钱、关掉的店、认过的错，一点一点攒出来的。这些东西，我一句都没告诉它。
结论：AI 是放大器，不是替代者。你给它通用知识，它就放大通用知识；你给它你的判断，它才放大你的判断。
这跟我以前讲过的一个毛病，是同一件事——老板招来高管，是想把人家过去的经验用起来；结果常常变成买了一台车，自己却在前面吭哧吭哧地拉着车跑。现在很多人用 AI，就是这个姿势。
六、所以，障碍到底在哪
顺着上面往下推，用好 AI 的障碍只可能在三件事上——格局、心态、沟通能力。
格局，是你敢不敢把真实的账摊开，包括那些不好看的部分。很多人连对自己都不摊开。
心态，是你是想让它“证明我是对的”，还是想让它“找出我错在哪”。前者你只会得到一份漂亮的辩护词。
沟通能力，是你能不能把一件复杂的事，说成一段它接得住的话。这恰恰是最难的能力——因为它要求你自己先想清楚。
前两条是心的问题，第三条是脑的问题。
没有一条，是技术问题。
而且顺序很清楚：先改过，再积善。
你先把那些一直不想面对的数据摊开，这是改过；AI 才能帮你把已经被验证过的打法放大，这是积善。顺序反了，你只会得到一堆漂亮的知识。
这半年我们自己也在做同一件事：把验证过的打法沉淀进系统里，让 AI 做知识层和执行层，人做智力层。能抓老鼠（连锁餐饮解决方案）做的是连锁餐饮的经营咨询与代运营——在这件事上，我们的经验很直接：AI 的效果，几乎完全取决于客户愿意交出多少真实数据。
总结
- AI 不会因为用得久而更懂你。 它只会因为你给得越准，才越像那个懂你企业的人
- MIT 的报告说得很清楚：95% 的企业级 AI 项目没有产生可衡量的回报，问题不在模型，在“没有从自己的工作流里学习”
- 方案来自外部，而外部的一手事实只在你手上。 你问它要方案，它只能给你知识
- 有效的输入有两类：真实数据，和不好意思对外讲的那些心里的“数据”。第二类更值钱
- 用好 AI 最大的障碍不在技术上，在你的格局、心态和沟通能力
技术会一直进步，模型会一代比一代强。但有一件事不会变：
你给 AI 的输入里，有多少是你不好意思说出口的真话，它就还给你多少真正能用的方案。
知，是方法；行，才是目的。
当然，你也可以完全不管这些。只要你开心就好，给自己煮个泡面啊。
不管黑猫还是白猫，能抓老鼠才算好猫。