今东汇智 · AI 落地观察
你的 AI，正在为「瞎编」交税
罗马一家不到 50 人的小公司，靠让 AI 学会「认怂」，把微软高管请进了董事会
九成企业在试智能体 · 七成卡在试点上
有一家罗马的小公司，做的事说出来有点反直觉：它不训练大模型，也不跟谁比跑分，它专门给现成的 AI “打补丁”。补丁的内容只有一条——让 AI 在没把握的时候，学会说一句“这个我不确定，转给人类”。就靠这一点，它拿到了微软高管的信任。而这个补丁背后，藏着今年企业用 AI 最贵的一笔成本。
01SAY I DON'T KNOW
让 AI 学会“认怂”，值多少钱
先说这家公司。意大利罗马，2023 年成立，员工不到 50 人。它做的事情可以概括成一句话：给现成的 AI 装一道“不确定就交给人”的开关。
具体怎么跑？AI 智能体接进企业日常的协作工具里（比如 Microsoft Teams），先自己处理。一旦它对某个判断没把握，就把问题自动转给公司内部真正的领域专家。专家给的答案不是一答了之——审核之后，会被整合进一个受控的记忆库，下一次同类问题，AI 自己就能答对。
注意这里的关键：不是人给 AI 兜底，是人的每一次兜底都在变成资产。答一次，系统聪明一分；用得越久，人的介入越少。
这套做法换来了什么：试点客户 100% 转成了正式部署——这在今天的 AI 行业里，是极罕见的一个数字。客户名单里有 EOLO、COIMA、Leonardo Assicurazioni、Gruppo AB 这类企业。更值得一提的是，微软意大利区 CEO Vincenzo Esposito 加入了它的董事会。一家不到 50 人的小公司，凭什么？凭的正是那个“认怂”的开关。
一句话概括这件事：AI 最贵的能力不是显得很聪明，是知道自己什么时候不聪明。
02HALLUCINATION TAX
“幻觉税”：今年最贵的一笔隐性成本
为什么一个“不确定就转给人”的开关，能值这么多钱？因为大多数企业正在为它的反面付账。
数据治理公司 Collibra 联合 Harris Poll 做的《2026 幻觉税报告》（2026 Hallucination Tax Report），给这笔账起了个正式的名字——“幻觉税”（hallucination tax）。报告里的几组数字：
90%的组织已经部署了自主 AI 智能体；
76%的组织表示，很难把智能体从试点推向规模化生产；
87%的决策者说，他们需要反复核验 AI 给出的上下文是否准确；
51%的团队花大量时间做人工复核与纠错（大企业这一比例升至 64%）。
另一份被广为引用的 MIT 研究更冷：约 95% 的组织在 AI 上拿不到可量化的回报，真正突破试点的只有 5%。
把这些数字连起来看， 画面很清楚：不是 AI 不行，是“用 AI 产出的东西不能直接用”这件事，正在吃掉 AI 本该带来的效率。你省下的两小时，被两小时的核对、返工、救火抵消掉了。这就是税——你没申请，它照收。
“AI 没有让你变快，
只是把你的工作量挪了个位置。”
03THE 40%
那道“人的关卡”，值多少
业内常引用一组对比：完全交给 AI 的任务，错误率可能高达四成；加上一道人工复核，可以压到个位数。
要说明的是，这组数字来自不同机构、不同场景的测试，口径并不统一，不宜当成精确结论引用。但它指向的方向，与上面那份报告完全一致：人的那道关，值这个价。
这也是为什么这一轮里，最值钱的人不是“会用 AI 的人”，而是“能判断 AI 说得对不对的人”——懂业务、知道边界、敢在 AI 自信满满的时候按下暂停键。
04WHO GETS PAID
人机协同，正在变成一门大生意
于是出现了一个看起来矛盾的现象：AI 越强，人的价值反而越高。
海外，专做“人在回路”（human-in-the-loop）的公司估值已经到了数亿美元量级；国内这两年也有一个明显变化——大厂在重金抢一类人：驻场工程师。
这个岗位之前我们专门写过（FDE，前置部署工程师）：不坐在总部写代码，而是驻在企业里，把通用模型接进具体业务。它卖的不是模型，是“让模型在这家公司真的跑起来”。
逻辑是同一条：模型会越来越便宜、越来越普及，把模型变成结果的那一环不会。真正稀缺的，从来不是算力，是把 AI 接进业务、并对结果负责的人。
05WHAT TO DO
企业该怎么接：三件事，从明天就能开始
对大多数企业来说，不需要自己造一套“受控记忆库”。但下面三件事，谁都能做：
✓先划边界，再谈效率——哪些环节 AI 可以自己出结果（整理、初稿、检索、格式），哪些必须有人签字（对外承诺、报价、结论、数据）。边界不清，才是一切返工的来源。
✓把复核做成流程，不是习惯——复核谁来做、看哪几项、出问题往哪儿记，要写成一张清单。靠“大家都仔细点”，等于没有。
✓让每一次纠错沉淀下来——补过的错，要变成下一次的正确答案。可以是一份 FAQ、一份术语表、一条产品事实卡。不沉淀，就是同一个错付两次税。
第三件最容易被跳过，也最值钱：今天补的每一个事实，都是明天 AI 少犯的一个错。
06FOR KIDS
顺带说一句：孩子该学什么
这个话题还有一个延伸，很多家长关心：AI 时代，孩子该学什么？
答案已经变了。背知识点、练标准解法，恰恰是 AI 最擅长的部分。真正该练的是两件事：
✓会提问——能把一个模糊的想法，拆成 AI 听得懂、能执行的指令；
✓会判断——能看出 AI 什么时候在胡说。后一项比前一项难，也比前一项重要。
换句话说，教育的重心正在从“记住正确答案”，转向“提出好问题”和“识别错误答案”。这与企业在做的事其实是同一件事——人和 AI 分工的边界，越早想清楚越好。
07TAKEAWAY
别问 AI 够不够聪明，先问你的流程有没有兜底
回到罗马那家小公司。它做的不是什么高深技术，它只是承认了一个事实：AI 会错，然后为这个“会错”设计了一条流程。
而多数企业恰恰相反：默认 AI 说得对，等出了事再救火。前者把不确定性做成了产品，后者把不确定性做成了成本。
北京今东汇智科技有限公司（以下简称“今东汇智”）在企业里做的，就是这一段的活：一边帮团队把 AI 接进真实业务流程，一边把边界、复核和沉淀这些规矩立起来。工具会换代，能用出结果、并且能兜住底的团队，不会过时。
“让 AI 认怂，
是今年最划算的一笔投资。”