向 AI 许愿前，先搞清楚要解决什么问题

发布日期：2026-07-07 19:42:35 浏览次数： 1520

作者：英湃科技

微信搜一搜，关注“英湃科技”

太长不看版

很多企业讨论 AI 时，第一反应是：

这个问题能不能用 AI 解决？
我们是不是应该做一个 Agent？

但更重要的问题其实是：

这到底是什么类型的问题？

因为不同问题，适合完全不同的技术，而不一定是 GenAI。

一个越来越常见的现象

最近参与一些 AI 讨论时，我发现很多需求都会以类似方式出现：

能不能用 AI 赋能门店运营？
电商首页能不能用 AI 来选品？

或者进一步变成：

我们是不是应该做一个店长 Agent？
我们是不是应该做一个选品 Agent？

这些问题看起来不同。但仔细想想，它们背后其实共享一个假设：

业务问题
    ↓
AI / Agent
    ↓
解决方案

仿佛 AI 或 Agent 是一种万能方案，只要套上去，就能解决各种业务问题。

但我越来越觉得，真正需要先回答的问题不是：

能不能用 AI？要不要做 Agent？

而是：

这到底是什么类型的问题？

因为只有先理解问题本身，后面解决方案的讨论才有意义。

企业并不是在寻找 AI 解决方案，它们只是碰巧把 AI 当成了起点。

第一张矩阵：Problem Type Matrix

我认为企业里常见的业务问题大致可以分成六类。

Problem Type	核心问题	典型场景
Classification	这是什么？	商品打标、客户分群
Execution	到哪一步了？	收货、调拨、工单处理
Assessment	准备好了吗？	活动准备度、上线检查
Prediction / Risk	未来会发生什么？	销售风险、断货风险
Decision / Optimization	应该怎么做？	选品、补货、排班
Generation	应该怎么表达？	客服回复、邮件生成

这张表的价值在于：抛开"做个店长 Agent"、"做个选品 Agent"这类方案描述，往下拆一层，看清根问题到底是什么。

例如：

活动准备度是在评估「准备好了吗」
首页选品是在决策「应该怎么做」

同样是需求，根问题类型完全不同——往方案走之前，先分清这一点。

一个例子：活动准备度

以门店活动准备度为例。

很多人第一次看到这个场景时，会自然地说：

我们是不是应该做一个店长 Agent？

但如果先看问题本身。店长真正关心的问题其实是：

活动能否按时、高质量上线？

进一步拆解以后，问题会变成：

活动商品是否到位？
陈列是否完成？
物料是否到店？
员工是否完成培训？

最终得到的结果通常是：

Ready
At Risk
Not Ready

以及对应原因。这本质上是在判断：

当前是否满足上线条件？

因此它更接近：Assessment 问题。

第二张矩阵：Technology Matrix

识别问题类型以后，才轮到技术选型。不同技术擅长解决不同的问题。

Technology	擅长什么
Rules	条件判断
Workflow	流程推进
ML	预测未来
Optimization Engine	求最优解
GenAI	理解、推理、解释、生成

如果把两张矩阵放在一起，会得到一个有意思的结果。

Problem Type	Rules	Work- flow	ML	Optimi- zation Engine	Gen- AI
Classification	△	❌	✅	❌	✅
Execution	△	✅	❌	❌	✅
Assessment	✅	△	❌	❌	✅
Prediction / Risk	△	❌	✅	❌	✅
Decision / Optimization	△	❌	△	✅	✅
Generation	❌	❌	❌	❌	✅

其中：

✅ 表示主要技术
△ 表示辅助技术

这张表最值得关注的一点是：不是所有问题都应该由 AI，尤其是 GenAI 解决。

一个容易被误解的例子：智能补货 Agent

很多企业都会提出类似需求：

我们想做一个智能补货 Agent。

听起来像一个典型 Agent 场景。

但如果拆开看：

第一步是预测销量。

问题：

未来会卖多少？

对应：

Prediction
+
ML

第二步是计算补货量。

问题：

应该补多少？

对应：

Decision / Optimization
+
Optimization Engine

第三步是解释原因。

问题：

为什么这样补？

对应：

Generation
+
GenAI

因此，智能补货并不是一个单纯的 GenAI 问题。

它实际上是多个问题类型和多个技术能力的组合。

Agent 真正的价值在哪里

这也是我最近最大的一个认知变化。过去很多讨论默认认为：

Agent = 决策者

但企业场景里，更合理的定位往往是：

Agent = 协调者

它负责：

理解目标
拆解问题
调用能力
汇总结果
解释原因
与人交互

例如运营说：

帮我选首页商品。

Agent 可能会：

理解目标
    ↓
调用销量预测模型
    ↓
调用库存服务
    ↓
调用优化引擎
    ↓
生成推荐方案
    ↓
解释推荐原因

这里真正创造价值的，不仅仅是 GenAI。

而是：

GenAI
+
ML
+
Optimization
+
Business Rules

共同完成一次业务决策。

小结

以后当有人说：

我们想做一个 XX Agent。

或者：

这个问题能不能用 AI？

也许第一个问题不应该是：

用什么模型？

甚至也不是：

能不能用 AI？

而应该是：

这到底是什么类型的问题？

因为只有先识别问题类型，后面的 Agent、模型、RAG、Workflow、Optimization 才有讨论意义。

否则，很容易把所有问题都看成 GenAI 问题，再把所有解决方案都做成 Agent。

周宇刚，拥有18年软件交付与咨询经验，2014年加入英湃科技Inspire（原Thoughtworks）。长期参与企业架构、大型项目规划及敏捷交付实践，擅长连接业务与技术，推动复杂项目落地。

英湃科技

Inspire

英湃科技（Inspire）是一家致力于将前沿 AI 技术与顶尖工程能力相融合，帮助企业实现数智转型的新一代科技服务商，源于 Thoughtworks 中国核心团队，2025年9月由高瓴资本收购，不仅拥有世界级的架构设计与敏捷交付底蕴，更具备深刻的行业洞察。英湃科技围绕企业核心价值链，聚焦研发、供应链、销售与服务等领域，重塑关键能力与组织模式，服务领域包括银行金融、消费电子、具身智能、智能汽车、制造业、医疗&制药、消费品&零售等各行各业130+家全球500强企业，业务中心遍布新加坡、香港、上海、北京、深圳、成都、西安、武汉。