做了很多AI项目之后，我发现真正的瓶颈从来不是模型

一开始做AI项目的时候，我有一个很自然的判断：模型越强，项目就越容易成功

所以那时候我会花很多时间在：

• 选模型
• 比能力
• 看效果
• 调参数

总觉得问题的核心在“技术本身”。

一、但后来做项目多了之后，这个判断开始动摇

真正开始落地一些功能之后，我发现一个很现实的情况：

很多项目的问题，根本不在模型

甚至可以说：

模型换不换，影响没有想象中大。

二、一个很具体的例子

我做过一个比较简单的功能： 自动生成内容摘要

一开始我会做很多优化：

• 换更强的模型
• 调 prompt
• 调输出格式

但效果其实差异不大。

真正影响结果的反而是一些“非模型因素”：

• 输入内容是否干净
• 数据结构是否统一
• 业务逻辑是否清晰
• 用户输入是否稳定

有一段时间我甚至发现模型只是最后一步，前面的不确定性更大

三、第二个更明显的例子：上线之后的问题

在本地测试的时候，一切都很好。

但上线之后问题开始出现：

• 用户输入格式不统一
• 数据质量参差不齐
• 使用场景完全不可控

这时候不管模型多强，都只能在“混乱输入”里做有限优化

四、我开始意识到一个变化

以前我觉得：

模型能力 = 项目上限

后来变成：

真实瓶颈 = 输入 + 业务 + 使用环境

换句话说：

模型只决定“能不能做”
现实决定“能不能用好”

五、真正限制项目的东西开始变了

做多之后才慢慢意识到：

很多问题根本不在AI本身，而在：

• 数据是否干净
• 用户是否按预期使用
• 需求是否清晰
• 流程是否合理

这些东西比模型本身更难控制。

六、一个很现实的变化

以前我会纠结：

• GPT还是Claude？
• 哪个更强？

后来变成 “这个功能到底有没有清晰的输入边界？”

因为没有边界，再强的模型也会失控。

七、最后

现在回头看，我最大的变化其实是：

从“模型思维”，变成了“系统思维”。

但这里有个问题我一直没想清楚：到底是模型能力被高估了，还是现实复杂性被低估了？

我也有点好奇的是，你们在做AI项目的时候，有没有觉得：

很多问题其实和模型没关系，而是业务或者输入本身的问题？