引擎再好，车身是纸糊的也跑不起来。今天跟一个做财税 SaaS 的老哥聊，他焦虑得快秃了，说现在客户一开口就问“你们接 GPT 还是 Claude？”，好像没个大模型 logo 在官网首页，产品就没法卖了。我问他，你那个自动算税、一键报税的核心流程，用 GPT-4o 重写一遍，体验能提升多少？他愣了半天，说可能就对话自然点，但关键的数据准确性、跟各地税务系统 API 的奇葩兼容性、票据的模糊识别，该踩的坑一个都不会少。
这就是问题所在。AI 把所有人的预期都吊到了“智能”的层面，但垂直领域里真正的“智能”，是藏在无数脏活累活里的。一个引擎，它不知道上海浦东和深圳南山对“研发费用”的认定口径能差出百分之二十，它也没法处理某个老国企财务系统导出的、带隐藏字符和合并单元格的 Excel 表。这些不是 prompt 能解决的，这是需要人肉踩坑、写死 if-else、甚至靠线下饭局换来的“本地化知识”。AI 把这些显性化了，反而让那些只做了表面功夫的 SaaS 原型死得更快——以前你还能用“技术门槛”忽悠一下，现在客户会直接拿 ChatGPT 生成的竞品分析报告来质问你。
我自己的 n8n 工作流封装也是这个逻辑。最开始想炫技，搞了个全自动的、能理解模糊指令的智能客服工单分类。demo 很酷，用户说“打印机卡纸了急急急”，AI 能自动归类到“硬件故障-打印机”并@IT部门。一上线就崩了。真实场景里，用户会发来一张对着屏幕拍的、模糊的、带反光的照片，会说“那个 thing 不 work 了”，甚至直接扔一段语音。你指望通用大模型去理解这些？成本上天，效果看命。后来我拆了，不搞“智能”分类了，就死磕“结构化”。用 n8n 强行把用户输入框拆成：设备类型（下拉选择）、问题现象（带历史记录的标签输入）、紧急程度（滑块）。看起来“笨”，但交付深度出来了——数据干净了，流转确定性 100%，下游的 IT 同事不用再猜谜。AI 用在哪儿？用在用户输入“卡纸”时，自动在“问题现象”标签里推荐“纸张卡住”、“异响”、“多张进纸”这几个选项。引擎在后台默默提供助力，但车身的方向盘和仪表盘，必须是我亲手焊的、符合这个公司具体 IT 管理流程的。
本地化体验更是信任问题，不是技术问题。医疗、法律、财税这些领域，客户买的从来不是“更聪明的机器”，而是“更少让我背锅的责任主体”。你给他一个黑盒般的 AI 助手，生成了一段看似完美的合同条款，他敢直接用吗？他需要的是，你的工具能明确告诉他，这条款依据的是《XX市高级人民法院关于XXX的指导意见（2023）》，并且在高亮旁边给出一个按钮，一键连接到本地司法局官网的具体页面。这种“可验证的深度”，才是信任的基石。AI 在这里的角色，是快速索引和关联，而不是替代专业判断。
所以现在我的迭代方向非常明确：所有工具，底层能力积极拥抱大模型，能用 AI 提速、扩边的环节绝不手软。但面向用户的那一层交互和交付物，必须越来越“重”，越来越“具体”。就像造车，引擎可以采购顶尖的，但底盘调校、内饰人体工学、甚至4S店的维修手册，必须自己死磕。因为用户最终为完整的、可靠的、省心的旅程买单，而不是为发动机的峰值马力参数买单。那些只忙着把旧工具套个 AI 壳子的，很快就会发现，客户要的是一辆能开上路、能适应本地路况的车，而不是一个放在展厅里轰鸣的引擎模型。
