AI 系统变得更好
因为我们拿掉了 AI

他们想要一个“带 AI”的销售系统——和所有人一样

一家汽车经销商集团需要一套销售流程管理系统。最初的需求文档要求由云端 AI 驱动 14 个功能——从潜在客户评分、客户洞察到销售辅导。

但有一个条件比技术本身更重要：销售经理必须能解释系统是如何做出决策的——为什么这个潜在客户是 Hot，为什么那个不是。

审计全部 14 个功能——12 个只用纯逻辑就能解决

逐个梳理后我们发现：潜在客户评分可以用权重清晰的规则完成 · 给客户的消息草稿可以用模板完成 · 360° 客户画像可以由系统中已有的事实拼出 · 销售辅导可以从知识库中找到答案。

只剩 2 个功能真正需要语言理解——而且两者的回报都很低。

需求文档里的“AI”成了解决方案的标签，而不是问题本身的需要。

LLM 的灵活性 vs 对决策的问责

LLM 很擅长理解语言，但伴随着看不见的成本：无法解释的黑箱决策 · 每次请求的费用 · 客户数据必须离开服务器 · 以及供应商锁定。

而基于规则的逻辑可以解释、可以精确复现——但灵活性较低，而且企业需要自己维护规则。

真正的问题不是“AI 够不够强”，而是“谁应该拥有这家企业的决策逻辑？”

Glass-box Decision Engine

我们决定，系统中的每个决策——潜在客户评分 · 客户画像 · 洞察——都由明确写下、有版本、可事后审计的规则计算得出，而不是来自 LLM 的推断。

• Intentional — 团队拥有公式，能解释每个权重为什么是这个数值
• Versioned — 每套规则集都标有策略版本
• Traceable — 每个结果都连同版本 + 输入 + 分数明细一起记录——每个决策都可以重放

LLM observes. Code decides. — 让 AI 做它擅长的事（阅读、理解、观察）· 而决策归属于企业自己拥有的代码。

实际构建的内容

多租户系统，在数据库层实施 Row-Level Security · 所有决策逻辑都是带版本化规则集的纯函数 · 每次评分都记录为可审计的决策日志 · 运行在企业自己掌控的基础设施上——客户数据不会外流。

已上线生产环境——每个决策都能自我解释

系统通过了多角色端到端测试（销售协调员跟进 Hot 客户 · 经理查看销售流程分析），未发现严重缺陷，核心决策流程也已在真实生产环境中验证。

更重要的是：当经理问“为什么这个潜在客户是 Hot？”——系统给出的是分数明细，而不是“AI 说的”。

逻辑能做到的，就别用 AI

生成式 AI 擅长理解非结构化的内容——但不应该掌握重要决策。用语言上的灵活性，换取可解释 + 可复现 + 对逻辑的所有权，对 SME 和需要问责的市场来说，永远是值得的交换。

而维护规则的负担不是成本——它是一个特性：企业拥有自己的逻辑