AI 技术再怎么飞速发展，也逃不脱工具类技术的宿命：落地应用时需要数据输入。
不管是人工录入、API 接口获取还是文档提取，总要有这样一步“Input”作为前提，而往往就是这一步，扼住了技术落地的喉咙。
1. 专家 = 数据 + 经验
我们常把 AI 比作专家，期望 AI 可以充当一 7×24h 不眠不休、随叫随到的专家。
我们在训练模型或创建知识库时，也是通过撰写固化的问题答案对，来模拟专家经验的，但问题在于，专家除了拥有一个思维决策模型之外，还拥有从实际情境中采集、过滤（清洗）数据的能力。
也就是说，专家之所以有效，就在于数据和思维模型的结合。
AI 技术可以萃取或模拟专家的思维决策模型，或许也可以通过预训练和RAG等技术掌握尽可能多的背景参考数据，但是在实际决策分析中，仍然离不开实时、真实、高质量的数据输入。
那么这些数据从哪里来呢？
2. 海面下的数据
貌似在互联网上有海量的数据，去爬取就完了，但事实如何呢？
举个例子，商铺经营赔钱，向商场房东提出降租，房东怎么决策？可能的决策无外乎：降、部分降、不降（换租户新招商）。
但任何一个决策，都需要基于一定的数据分析，比如商铺的销售、租金、损益、周边可比商铺租金等等。
其中单是周边商铺租金，就至少会有三个数据来源：
免费的公域数据 - 你就去用各种爬虫、AI 搜索、Kimi 之类的 App 去网上搜吧，肯定一搜一大堆，但拿到的永远是看起来 OK 实则与真实租金水平相去甚远的数据；
付费可得的报告 - 你也可以花钱问各种机构购买行业报告，这个数据相对公网上搜到的会准一些，但依然会存在颗粒度不够、时效性滞后等问题；
最后，还可以找业内熟人，去打听一下隔壁商场可比店铺的租金和各种“小道儿”消息。这也是现实世界里，从业人员最常用的手段，没有任何科技含量，但是保真，有效。
上述三种渠道获取到的租金，其价格可能相差好几倍，外行甚至都不知道还会有这么多道道儿。其它行业中，也存在类似情况，真实可靠的一手数据，往往深藏在海面之下，且存在于一个个信息孤岛之中，除了人工，基本没法靠技术手段获取，AI 在这里无用武之地，效果可能还比不过一个爱打听的大妈。
3. AI交付结果？没那么简单
今年基于 AI 对 SaaS 一词有个流行的新解：Service as SoftwareAI leads a service-as-software paradigm shift
https://foundationcapital.com/ai-service-as-software/
意思是说，有了 AI 的加持，我们可以端到端地用AI工具向用户交付结果，而非像传统SaaS那样提供大量的人工服务。然而现实很骨感，拿商业管理公司每月需收租这个工作举例，看起来如此简单、重复的的事儿，不正是可以用软件自动化或AI实现吗？用软件产品经理的视角，不就是个简单的工作流吗？AI或RPA生成催缴单 → 到期前自动分发 → 商户线上支付 → 系统自动采集数据 → 自动生成报告....... 然而，真实世界里有巨大的 “非标” 性，不同项目、不同业主、不同业态的情况千差万别。一个存在日久的组织，往往有其赖以运作的一套数据采集、分析、决策体系（SOP），这套SOP或许低效，但是已经在稳定（且辛苦）的运作，想要改变它太难了，举个简单例子：商业综合体的业主是国企，要求运管公司事事留 hard copy，每月对租户的发通知、催收都要打印、盖章、面对面送达、签收，所有工作要纸面留痕，自动化技术怎么落地 ？写在最后
AI技术迭代飞速，各种自媒体都在预言应用大爆发，然而一年过去了，“大爆发” 也没有到来，其中阻力，从数据源、数据采集、数据上传的角度，能窥见一斑。
归根结底，技术再多也是一串 0，掌握了数据源，一串 0 才有了 1。
粤ICP备14082021号
免费POC，
零成本试错
