向AI许愿前，先搞清楚要解决什么问题

当企业开始讨论AI落地时，一个常见模式是直接跳到「这个问题能不能用AI解决」或「我们是不是应该做一个Agent」。然而，这种思维路径往往忽略了最关键的第一步：理解问题的本质类型。不同类型的业务问题需要完全不同的技术方案，而非简单地套用一个通用AI框架。

企业业务问题的六种类型

当前许多企业在AI应用中存在一个显著误区：将AI或Agent视为万能解决方案，仿佛只要引入这些技术，各种业务问题就能迎刃而解。从「能否用AI赋能门店运营」到「要不要做一个店长Agent」，这些讨论虽然具体，但背后共享一个隐含假设——业务问题→AI/Agent→解决方案。这种假设的问题在于，它把AI当作了起点而非工具。

技术矩阵与问题类型的匹配

根据对大量企业场景的分析，业务问题可以归纳为六种核心类型。第一，分类问题（Classification）——判断这是什么，如商品打标、客户分群。第二，执行问题（Execution）——追踪流程进度，如订单处理、工单流转。第三，评估问题（Assessment）——判断准备状态，如活动就绪度检查、上线前验证。第四，预测与风险问题（Prediction/Risk）——预判未来趋势，如销售预测、断货风险识别。第五，决策与优化问题（Decision/Optimization）——确定最优方案，如选品策略、补货计划制定。第六，生成问题（Generation）——内容创作与表达，如智能客服回复生成、邮件撰写。只有清晰界定问题类型，后面的技术选型才有据可依。

智能补货：多技术协同的典型案例

识别问题类型后，技术选型才能有的放矢。规则引擎（Rules）擅长条件判断，适用于评估类问题；工作流引擎（Workflow）驱动流程执行，适合执行类问题；机器学习（ML）用于预测未来，是预测类问题的核心；优化引擎（Optimization Engine）求解最优解，支撑决策优化类问题；生成式AI（GenAI）则专注于理解、推理与内容生成。值得注意的是，这张矩阵揭示了一个重要事实：并非所有问题都需要GenAI。评估类问题可能只需规则引擎配合少量AI辅助；执行类问题工作流引擎就能高效处理；纯粹的预测任务交由ML模型更为合适。只有生成类问题，才是GenAI的主战场。

从问题出发，而非从技术出发

以企业常见的「智能补货」需求为例，很多人第一反应是「做一个智能补货Agent」。但如果拆解其本质，会发现它实际上是三个不同问题的组合。第一步，预测销量——这是典型的预测问题，需要机器学习模型支撑。第二步，计算最优补货量——这是决策优化问题，需要优化引擎求解。第三步，解释补货逻辑——这是生成问题，需要GenAI提供自然语言说明。因此，智能补货Agent的真正价值不在于单一的GenAI能力，而在于GenAI、ML、优化引擎与业务规则的有机协同。这提醒我们，Agent的定位更应该是「协调者」而非「决策者」——它负责理解目标、拆解任务、调度能力、汇总结果并解释原因。

如有侵权，请联系删除。