AI落地传统行业，核心阻碍在于上下文而非技术

编程之所以成为AI最先突破的领域，是因为代码天生具备上下文属性：结构化、可验证、权限简单。反观基础设施检测等传统行业，情况截然相反。数据堆积如山，非结构化严重，权限复杂，输出难以验证。真正的瓶颈不在于模型够不够强，而在于能否将正确的上下文提供给AI。

Box CEO Aaron Levie的观点非常深刻：企业要让AI agent发挥作用，最大的难题是把正确的上下文送到它手里。初听平淡，细想极有见地。

编程领域为何先行？并非程序员更聪明，而是代码天然就是上下文。代码库就在那，权限通常不是大问题，用户懂技术，且代码运行结果立即可验证。这四个条件，编程全占了。

作者拥有17年公路养护经验。将这四个条件套用到基础设施检测领域，发现完全相反。

首先，上下文获取难。数据其实都有备份，但像垃圾一样堆着。早年纸质档案，近年虽有电子化，多为扫描PDF。人眼能看，AI读不了。80-90%的企业数据是非结构化的。让AI从扫描图中提取路面强度？它只能看到像素。数据不是没有，而是没变成机器能读的格式。

其次，权限复杂。检测数据涉及市政、养护、业主、设计院等各方。一份报告的流转涉及的角色繁多。目前89%的制造企业面临“数据孤岛”，系统间数据不兼容。编程领域的权限通常不是障碍，在这里完全失效。

第三，人机错配。一线工程师靠经验（看裂缝判断类型），AI短期学不会。现有工具多为桌面端，与现场作业脱节。这不是培训能解决的。

第四，输出验证难。代码运行即知对错，但桥梁检测报告涉及规范理解、历史记忆和经验判断。AI无法自我验证。报告指出，90%用户因AI缺乏持续学习和记忆能力而拒绝在关键任务中使用。

四条都不满足，难怪编程AI飞了，检测AI还在摸索。

但这恰恰是机会所在。模型能力终将拉平，差异在于上下文。谁能将散落、非结构化的知识整理成AI可读格式，谁就获得红利。更重要的是重构工作流，让上下文整理成为日常，持续更新。

Gartner数据显示，超40%的代理AI项目因成本或价值不明被取消。94%的组织在部署后遇到运营问题。这证明挑战在于技术融入业务，而非技术本身。

高端制造面临同样问题（隐性经验流失）。通过构建RAG底座，将非结构化数据转化为可推理知识，实现从数据堆砌到智能决策的跨越。

举例：桥梁纵向裂缝。一般做灌缝处理，但若出现在特殊位置，有经验的人会警觉简支空心板梁的铰缝破坏风险。这需要判断结构安全，而非简单修补。这中间是经验，是上下文。不告诉AI，它推不出来。

企业已在探索。如构建RAG底座，用大模型构建知识图谱。将隐性知识显性化、结构化是可行的。

作者不再思考AI何时替代工程师，而是思考如何将行业积累的隐性知识转化为显性的、机器可读的上下文，并嵌入日常工作流，而非搞运动。

技术迭代，模型更新，但对自己行业的深度理解及转化为AI上下文的能力，才是稀缺资源。报告指出，通用模型不稀缺，稀缺的是私有数据、行业认知和闭环反馈。

*参考自Box CEO Aaron Levie的公开分享