yeonghyeon · 2026年4月12日小型企业的AI准备 — 数据、API，以及现在该做的事
您好，我是yeonghyeon，一名拥有15年经验的软件开发者。
最近，AI被描绘得好像能解决所有问题。但从实际情况来看，还有很多团队连数字化转型都尚未完成。对这些团队说"引入AI吧"，就像对一个还没有驾照的人说"去买辆车"一样。
今天，我想抛开那些夸大的宣传，和您聊聊小型企业在AI时代真正需要准备的东西是什么。
当前的AI是什么
首先，我们需要准确了解AI目前发展到了什么程度。
我们现在使用的AI（大语言模型，LLM）通过学习海量的文本和图像，已经达到了能够理解自然语言并作出回应的水平。请注意这里的"理解"一词。AI的理解是基于概率的。
简单来说是这样的。当有一个"今天的天气___"这样的填空题时，AI会从学习过的大量句子中，以概率方式选择最适合填入空白处的词语。"很好"、"多云"、"很热"这样的词会成为高概率的候选，而"是紫色的"则会因概率很低而被排除。
让我举几个例子。
- 翻译：当您让AI把"谢谢"翻译成英文时，AI会从大量翻译数据中找到"Thank you"是概率最高的对应翻译。这和我们学习外语时通过反复练习来建立词汇关联并没有太大区别。
- 摘要：当您提供一篇长文档并要求摘要时，AI会以概率方式判断句子的重要性，提炼出核心内容。就像一位经验丰富的秘书从报告中提取要点一样。
- 问答：当您问"北京的人口是多少？"时，AI会在学习数据中寻找北京和人口同时出现的上下文，生成概率最高的答案。
有趣的是，这种方式和人类的思维并没有太大不同。我们也是基于自己已知的知识来对新信息做出判断。不过，AI有时会对学习数据中不存在的内容也生成看似合理的回答。这就是所谓的幻觉（Hallucination）。
例如，如果您问"2030年诺贝尔物理学奖得主是谁？"会怎样？这是还没有发生的事情，但AI会以概率方式组合出看似合理的名字和成就，像陈述真实事实一样回答。因为当学习数据中没有正确答案时，它会构造出概率最高的组合。
理解这些局限性，是活用AI的第一步。
AI目前还不擅长的事情
一致性 — 始终给出相同的结果
AI最大的局限之一是对同一个问题无法始终给出相同的答案。因为它是基于概率的。
在日常对话中，这不是什么问题。但在商业场景中就不一样了。
举个例子。给AI提供3月的销售数据，问它"扣除退货，按折扣前原价计算利润率"，连问三次，可能得到三个不同的答案。第一次23.5%，第二次24.1%，第三次22.8%。条件越复杂，AI在计算过程中的解读就越可能不同，结果也就随之变化。
在发票金额、库存数量、税费计算这些需要精确一致结果的领域，这就成了一个严重的问题。如果发给客户的账单金额每次都不一样，必然会失去信任。
解决方案：工具与AI的协作
那么，有没有办法呢？有的。
核心思路是这样的。如果有一个始终给出相同结果的工具，并且AI能够使用这个工具，会怎样？
计算器问1+1永远回答2。对数据库查询"3月销售总额"，永远返回相同的数字。这些工具始终保证一致的结果。
将AI的优势与之结合，就能产生很好的协同效应。AI理解人类多样化的需求，选择合适的工具来执行。输入（人类的需求）是多样的，但输出（工具的结果）始终是一致的。
这就是当前AI行业所说的"智能体（Agent）"概念。AI不仅仅是对话，而是使用工具来执行实际任务。实现这一点的技术之一是MCP（Model Context Protocol）。您可以把MCP理解为AI与外部工具沟通的标准方式。
记忆的局限
AI的另一个局限是能够记住的范围是有限的。
打个比方，就像一个每次都忘了上次会议内容的顾问。因为只能根据当前会议中提供的信息来判断，所以可能会遗漏过去的上下文。
例如，假设您让AI"给我们公司做一个网站"。做出第一版还是可以的。但几个月后，您要求"加上会员注册功能，并和现有的订单页面联动"，问题就出现了。AI不记得最初是用什么结构做的网站，中间做过哪些修改。它只能根据当前可见的部分信息来判断，因此可能做出与现有结构不匹配的结果。
有一些方法可以缓解这个问题。
- 小型团队：做好阶段性的文档记录，让AI更容易理解。将项目的结构、决策的原因、变更历史等以文字形式保留下来，AI就能更准确地把握上下文。
- 有一定规模的团队：可以利用RAG（检索增强生成）等技术。简单来说，就是把公司的内部文档做成AI专用的图书馆，让AI在需要时可以查阅。不过，这种方式成本不低，在达到一定规模后再考虑比较现实。
小团队能做的事
了解了AI之后，现在让我们想想小团队实际能做些什么。
回顾一下改变人类历史的那些革命。农业革命发生时，并不是所有人都发明了新农具。大多数人是学会了使用新工具，从而提高了生产力。
汽车刚出现时也一样。有资本和技术实力的公司投身了汽车制造业。但更多的企业和个人是学会了开车来加以利用。物流公司用卡车代替了马车，医生用汽车出诊，商人能把商品卖到更广的地区。
现在的AI时代也没有什么不同。拥有大量资本的公司在自己开发AI模型。但对大多数企业来说，重要的不是制造AI，而是为有效利用AI做好准备。
那么具体要准备什么呢？主要是两方面：工具和数据。
准备好工具，AI就能直接协助您的工作。准备好数据，AI就能做出准确的判断。只有这两者都具备，AI才能真正理解您的业务并提供实质性的帮助。
从工具角度准备
请想象一下您是中世纪的一位铁匠。您有制作农具的技术，但如果没有制作所需的材料和工具，会怎样？再高超的技术也无法产出成果。
AI也是一样。再强大的AI，如果没有能够访问和使用您业务数据的工具，也无法提供有效的帮助。
好消息是，很多服务已经开始了与AI的集成。您常用的Claude、ChatGPT、Gemini等已经连接了Notion、Google Drive、Gmail等服务。对AI说"帮我总结一下上周的会议记录"，AI就能直接从Notion中找到会议记录并进行总结。在日历中添加日程、起草邮件，这些也都可以在AI中完成。
这是怎么实现的呢？答案是，各个服务以AI能够识别的形式提供了自己的功能。目前用于实现这一点的最主流技术就是MCP。它的作用类似于API。如果说API是"调用特定功能的窗口"，那么MCP就是"让AI能够找到并使用任何工具的标准协议"。因为AI擅长理解自然语言，所以比起看屏幕点击（UI），使用基于文本的工具（API）要得心应手得多。
这里引出一个关键问题：您的企业是否也准备好参与这种集成了？
为此，必不可少的是经过整理的数据和API。要让AI能够做出准确判断并给出一致的结果，在业务的特定领域中必须有能够保证一致性的系统。规范化、经过整理的数据，以及能够利用这些数据的API，就是这样的系统。
当然，目前的AI技术水平远不止于此。但就像汽车刚出现时不是所有人都买得起一样，也不是所有人都需要立即使用最新的AI技术，那样成本太高，也没有必要。
从Excel开始也完全可以。但如果数据增长到Excel已经难以管理，并且业务呈现出增长势头，那时就应该考虑引入数据库和API了。因为这也是有成本的事情，建议先小规模试验再做决定。
总结来说，对于尚未完成数字化转型的小型团队，在增长与AI引入之间有一个必须经历的过程：整理数据，准备好AI能使用的工具。
从数据角度准备
数据准备大致可以分为两个部分。第一是将业务对象数据化，第二是将业务定义和流程文档化。
将业务转化为数据
数据化的重要性怎么强调都不为过。
请想象一下您是一个大型物流仓库的管理员。如果需要存储和发货各种各样的货物，自然首先要想好存放的方法。需要给每件货物贴上标签，按类别分配货架，记录存放位置。
业务数据也是一样。让我举一个具体的例子。
假设您是一位葡萄酒销售商。管理葡萄酒的种类、价格和库存并不难。但如果业务发展了，开始同时销售与葡萄酒搭配的奶酪呢？再加上酒杯、醒酒器等配件呢？随着商品种类的增加，系统化的数据管理就变得必不可少。
更重要的是，后续您需要基于积累的销售数据来做商业决策——比如是否添加新产品，或者是否下架滞销产品。
将这些用数据来表达其实比想象中简单。虽然可能是一个比较陌生的术语，但用JSON这种格式来表示的话，大概是这样的。
{
"orderId": "ORD-2026-0412",
"customer": "李明",
"address": "上海市浦东新区 ...",
"items": [
{ "category": "葡萄酒", "name": "玛歌酒庄 2020", "price": 899 },
{ "category": "奶酪", "name": "布里奶酪", "price": 128 }
],
"totalPrice": 1027,
"saleDate": "2026-04-12"
}把上面的JSON数据转换成更易于查看的Excel表格，就是这个样子。
| 订单编号 | 客户 | 类别 | 商品名 | 价格 | 销售日期 |
|---|---|---|---|---|---|
| ORD-2026-0412 | 李明 | 葡萄酒 | 玛歌酒庄 2020 | 899 | 2026-04-12 |
| ORD-2026-0412 | 李明 | 奶酪 | 布里奶酪 | 128 | 2026-04-12 |
本质上是相同的信息。JSON是计算机（以及AI）容易处理的格式，Excel是人类容易查看的格式。当数据以这种方式结构化后，就可以进行按类别的销售额、月度销售趋势、热门商品排名等分析。虽然这是一个简单的例子，但连这种程度的准备都没有做到的企业其实比想象中要多。
在AI出现之前，设计这样的数据结构本身就需要专业知识。但现在，您可以通过与AI对话，一起构建适合您业务的数据结构。只需问一句"我们销售葡萄酒和奶酪，订单数据应该怎么整理比较好？"就可以了。
业务逻辑文档化
第二个方面是将业务的整体内容整理成AI容易理解的形式。
假设您经营一家餐厅。如果是小规模的餐厅，老板可能熟知所有菜品的配方。但随着规模扩大，就需要将配方量化并编写成操作手册。总不能因为主厨离职了餐厅就停业吧？万一迫不得已需要转让餐厅，完善的操作手册也是必不可少的。这就是我们所说的系统。
从同样的角度来看，当业务成长并需要为AI集成做准备时，这些文档将成为AI学习的良好基础。
核心思路就像书的目录一样。先划分大的类别，然后在其下细分，反复这个过程，将详细内容编写成文档。
示例：葡萄酒销售业务文档结构
- 订单处理
- 新订单接收流程
- 付款确认及处理
- 库存扣减规则
- 配送
- 包装标准（葡萄酒/奶酪分开）
- 各物流公司对接方式
- 退货/换货流程
- 客户管理
- 等级对应权益
- 咨询应对指南
即使还没有让AI学习，这个结构也非常适合与AI进行讨论。您可以提出请求："看看我们的业务文档，找出订单处理环节中可以改进的地方。"当日后真正需要AI集成时，这些文档就可以作为学习数据使用。
文档化使用的工具可以是Notion、Obsidian、Word、Excel等任何工具。重要的不是工具本身，而是将业务知识以文字形式记录下来的习惯。
想象一下AI集成
如果您理解了以上内容，让我们从大的框架来想象一下AI集成的各个阶段会是什么样子。
起步与成长阶段
请想象一下业务数据已经结构化，API也已经就绪的情景。
- 与合作伙伴之间的业务数据通过API安全地传输和存储。
- 当需要新的数据对接时，可以通过与AI对话快速创建数据结构和API。
- 随着数据的持续积累，销售趋势、客户行为等统计分析也成为可能。
这个过程比想象中要快。例如，3Min API就是为了支持这个起步阶段而打造的。由于它以MCP工具的形式提供功能，让AI能够理解，因此连接到Claude进行对话，就可以获得如何起步的指导。
爆发增长阶段
如果出现了爆发式增长的迹象，就需要认真考虑构建自有系统了。
这时，之前所做的准备就会大放异彩。结构化的数据成为新系统数据库设计的基础，API对接经验可用于系统间的集成设计，文档化的业务逻辑则充当需求规格说明书的角色。
例如，如果一直以来通过API收集订单数据，那么在构建自有系统时，可以直接沿用这个数据结构，与ERP或CRM进行对接。如果业务文档整理得当，还可以向AI提出"基于这些文档为我设计一个订单处理系统"的请求。
没有准备就开始的话可能要花几个月的工作，如果准备充分，几周就能完成。因为AI可以参考您的数据结构和业务文档，协同完成系统的设计和实现。
总结
在AI时代，小型企业需要准备的东西其实并没有想象中那么复杂。
- 将数据结构化。无论是Excel还是数据库，系统性地整理业务信息是第一步。
- 将业务文档化。用文字记录下您的业务是如何运转的，这将成为与AI协作的基础。
- 准备好工具和连接。随着业务增长配备API，AI就能与您的业务自然地融为一体。
当汽车改变世界的时候，受益最大的不是制造汽车的人，而是最早学会开车的人。AI时代也是如此。现在做好力所能及的小小准备，将来会产生巨大的差异。