先说趋势。我身边三个不同圈子的朋友，最近收到的客户需求出奇地一致。做企业咨询的，老板直接问"帮我设计一条业务线的AI落地方案"。AIGC广告圈的，客户问"你用AI做广告效果好，能不能也帮我把其他业务场景接上AI"。做营销的，直接问"有没有办法用AI加速研究和方案产出"。表面上看，这三拨人要的东西不一样，但剥开来看，他们要的是同一个能力：有人能听懂他们的业务，然后把它翻译成AI可以执行、可以复制的方案。
这个能力，跟提示词工程师完全不是一回事。提示词工程师解决的是"怎么跟AI说得更清楚"，而这个新角色解决的是"怎么让AI在真实的业务环境里真正跑起来"。前者是优化表达，后者是设计系统。
我判断这个角色明年才会真正被市场重视，今年不会。原因很简单：大部分企业还需要一年时间去交学费。
现在市面上已经有不少团队在做一件事——把用户研究、竞品分析、批量内容生成、自动化投放这些高频场景做成标准化Agent，包装成SaaS卖出去。企业买回来之后，第一反应往往是"这也叫自动化？"一点不意外。每家公司虽然做的事情大类上差不多，但内部工作流的差异是巨大的：决策链路不同、资源调度方式不同、信息流转的习惯不同。你拿一个通用Agent去跑一家企业的具体业务，产出的结果必然也是通用的——看着像那么回事，但没法直接用。
但偏偏AI现在热度太高，企业大概率还是会先买这些通用SaaS试一试。试完发现不够用，才会开始认真寻找定制化的AI落地解决方案。这个过程，我估计需要一年左右。
不过，比起通用vs定制这个选择，我更想聊一个更深的问题。
我在自己做AI落地项目的过程中，发现一个卡住非常多人的环节——这个环节不是选什么模型，不是搭什么工作流，甚至不是选什么技术栈。它是你怎么把你脑子里的东西喂给AI。
绝大多数人跟AI交互的方式，和跟同事派活儿的方式一模一样："帮我做一个市场分析""帮我出一版竞品报告"。这种指令，你跟员工说没问题，因为他有足够的上下文——他了解你们公司的客户画像、知道你们今年重点打哪个市场、清楚老板最在意哪些指标。但AI没有这些。你给它一个笼统的指令，它就还你一个笼统的答案。
真正关键的步骤，是在跟AI对话之前，先做一件事：把你做这件事时脑子里那些"理所当然"的东西全部挖出来。
这些东西是什么？是你干了十年攒下来的行业直觉，是你们团队磨合出来的特殊做法，是这个圈子里的人都知道但从不说出来的判断标准。我管它叫"隐性信息"。比如你让AI帮你做客户画像分析，你不能只丢一份数据过去，你得告诉它："我们这个行业，年采购额低于50万的客户基本是试水型的，不用花精力；但有一个例外，如果对方的采购决策人同时管三个以上的品类，即使金额小也值得关注，因为他们在做品类扩张的前期调研。"——这些信息不在任何系统里，不在任何文档里，但它们恰恰决定了分析结果能不能用。
这就是最近"蒸馏同事"这个概念火起来的底层逻辑。你蒸馏的不是同事这个人，而是他日常工作里那些说不清道不明但极其重要的隐性判断。
核心观点
把隐性信息显性化，是AI落地的"一"。后面接什么模型、搭什么工作流、封装成什么系统，全是"零"。这个"一"不做，后面的"零"加得再多也没用。这也是为什么通用AI产品在企业里跑不通的根本原因——它们拿不到隐性信息，所以只能产出通用结果。
给在座各位一个实操建议：下次你想用AI做一个业务动作之前，先拿出一张纸，写下三个问题——如果你自己来做这件事，第一步做什么？你会基于什么标准做判断？哪些信息你认为是常识但新人肯定不知道？把这三个问题想清楚，答案分层喂给AI，你会发现效果完全是另一个量级。