AI 出客户提案，四层反馈依次失败：底座有了，还缺什么？

我在做什么

我供职于一家媒体机构，日常做经营分析与 AI 落地。这个案例讲一次「本应水到渠成、结果全线挫败」的尝试：我手上有一个刚建好的内容数据库，3200 条内容、51 个评价标签，覆盖机构十年的内容资产。我基于它跑通了「客户需求 → AI 出定制化提案」的全链路，信心满满地交出去，然后四层反馈一层层全部失败。

事故现场：四层反馈，依次失败

第一层，市场同事 A：「不想看 AI 内容。」

第二层，市场同事 B：没有回复。

第三层，老板（此前最期待这个方案的人）：「结构完整，但创意平庸，只能做辅助材料。」

第四层，一位资深主编：「颗粒度太粗，样本量太小。」

全链路是跑通了——输入客户需求，AI 能从库里调内容、组结构、出提案。技术上一环没断。但交出去之后，没有人被它打动。

破题时刻：不是链路坏了，是「底座 → 产出」这一层垮了

挫败之后我没有急着修 prompt，而是先承认一个事实：内容数据库本身是「可用的底座」，但「底座 → 产出」这一层，远低于预期。

用做菜来想这件事就清楚了：数据是入口（用什么料做菜），但我缺了配方、判断和迭代。

• 数据是入口——「用什么料做菜」：这块我有了，3200 条就是料；
• know-how 是配方——「这些料怎么组合」：AI 不知道什么料配什么客户、什么场合用什么组合；
• 专家知识是判断——「这菜做得对不对、好不好」：没有专家把关，AI 分不清哪些料是压箱底的宝贝、哪些是凑数的；
• 数据闭环是迭代引擎——「下次怎么做得更好」：提案交出去之后，反馈没有回流成下次的改进。

今天暴露的是：料够了，「配方 + 判断 + 迭代」不够。单一层的数据底座，远不足以撑起生产。

再往下挖：专家不愿教，是 AI 进生产的最后一公里

配方和判断从哪里来？只能从专家那里来。但让专家带 agent，有三重障碍：

• 意愿：专业骄傲——「教 AI 超越自己，有辱人格」；
• 能力：带人的经验 ≠ 带 agent 的经验，大多数人没干过；
• 收益悖论：教好了，取代自己；教不好，还给自己增加更多活。

三重障碍合在一起，形成一个恶性循环：没人愿意培养 → agent 一直不聪明 → 专家更没意愿培养。这是 AI 进生产环节真正的最后一公里——技术能解决「AI 有多聪明」，但解决不了「专家愿不愿意把它教聪明」。

方法论升级：先对比，再找维度

这次挫败还纠正了我一个工作方法。以前我是「凭经验先拆维度，再拿维度去对比」——维度先入为主，容易被自己的预设带偏。这次的教训反过来：先做 AI 提案 vs 人工提案的完整对比，让维度从差距里自己涌现出来，再用数据说话。

我的 B 计划：找历史案例做基线 → AI 出同款提案 → 找另一个 AI 做盲评 → 从差距中量化维度。

经验沉淀

做对的：

• 承认「底座可用 ≠ 产出可用」：技术链路跑通只是起点，生产价值在「底座 → 产出」这一层；
• 把失败拆成结构问题而不是归咎工具：四层反馈各有各的理由，但共性是我缺了配方、判断、迭代三层；
• 失败之后先聊再沉淀：这次之后我定了一条工作流纪律——先把问题聊透，再让 AI 沉淀，不拿半成品式的探索直接落文档。

踩的坑：

• 高估底座的价值：有料不等于会做菜，数据底座只是入口；
• 低估人的环节：know-how 和判断藏在专家脑子里，不结构化、不教给 AI，产出就永远是「辅助材料」；
• 市场的心理前置没跑通：市场同事抵触「AI 内容」，根子在没看见「AI 能解决他的具体工作」——不是 AI 的问题，是引入方式的问题。

一句话方法论：AI 进生产 = 数据 + know-how + 专家知识 + 数据闭环，缺一环就是恶性循环——料只是入口，配方、判断、迭代一个都不能少。