RAG进生产：创始人总结的10个企业级教训

RAG（检索增强生成）的提出者Douwe Kiela，用真实的企业落地经验解释了一个残酷现实：AI投入巨大，但真正产生价值的公司不到四分之一。这篇文章提炼了他在生产环境中踩过的坑、反直觉的认知，以及为什么“系统”和“上下文”才是AI ROI的决定因素。

4.4万亿美元的悖论：为什么AI很火，却很少赚钱

这场演讲一开始，Douwe Kiela就抛出了一个极具冲击力的数据：全球对AI的投资规模被估算为4.4万亿美元。但紧接着，他引用了Forbes的一项研究——“只有四分之一的企业真正从AI中获得了价值”。巨额投入与低回报之间的反差，构成了他所说的“悖论”。

Kiela并没有把问题归咎于模型能力不足，而是指出企业误判了“难点”所在。这种误判在机器人和AI历史中早有名字：Moravec悖论——对人类来说看似简单的事情（理解语境、常识、背景），对机器反而异常困难。他直言：“真正卡住AI ROI的，是上下文（context）。”企业并不缺模型，而是缺乏让模型理解业务世界的能力。

这也是为什么很多AI项目在演示阶段惊艳，却在真实业务中迅速失效：模型脱离了企业复杂、混乱、充满隐性知识的现实环境。

越想做高价值AI，越绕不开企业上下文

Kiela用一个二维图解释了企业AI应用的现状：大多数公司还停留在“低差异化、低业务价值”的左下角。而一旦你想往上走，追求真正的业务转型，难度会呈指数级上升。

原因只有一个：你对上下文的掌控程度，决定了AI的上限。企业级上下文不仅仅是文档，还包括流程、历史决策、内部语言、隐含假设。Kiela强调：“你走得越高，对上下文的要求就越苛刻。”

这也解释了为什么通用AI工具很难直接成为企业的核心竞争力。真正有壁垒的，是把企业独有的知识、数据和流程，系统性地嵌入到AI中。这不是买模型能解决的，而是架构和工程问题。

模型只占20%，真正解决问题的是系统

演讲中最具颠覆性的一句话之一是：“语言模型往往只占整个系统的20%。”在企业场景中，其余80%几乎总是一个RAG系统——通过检索企业内部数据，为模型提供实时、可信的上下文。

Kiela毫不客气地指出，很多团队“只关注模型本身”，却忽略了检索、数据清洗、权限、评估等系统性问题。结果就是：“一个惊艳的语言模型，配上一个糟糕的RAG管道，最后系统还是失败的。”

他的核心判断是：解决问题的不是模型，而是系统。尤其在企业里，RAG不是加分项，而是默认配置。没有系统性思维，AI永远停留在Demo层面。

别迷信AGI：企业真正的燃料是专业化

在谈到企业竞争力时，Kiela明确站在“专业化”一边。他说：“在企业里，专业知识就是你的燃料。”所谓专业知识，正是企业长期积累的制度性知识（institutional knowledge）。

相比追逐通用人工智能（AGI），他认为“专用系统更容易解决真实问题”。专业化不仅让问题空间更可控，也让RAG系统更容易评估和优化。

这个观点对很多企业是一种解放：你不需要等AGI成熟，也不需要构建全知全能的系统。只要在一个高价值、边界清晰的领域做到极致，就已经足以产生可观的ROI。

从试点到生产：速度、使用率和“粘性”

Kiela反复强调，企业AI最大的鸿沟不在“能不能做”，而在“能不能规模化”。做一个PoC很容易，但当数据量变成几十万、上百万文档时，问题才真正开始。

他的建议近乎残酷：“从第一天就以生产为目标。”在这个过程中，速度比完美更重要——尽快交给真实用户，用迭代而不是设计文档来改进系统。

他还分享了与Qualcomm合作的经验：最终决定成败的，甚至不再是准确率，而是可观测性、审计追踪和归因能力。AI是否真正被使用，取决于它是否融入现有工作流，是否带来“wow moment”，是否足够“粘”。

总结

Douwe Kiela的10个教训，指向同一个核心结论：企业AI的胜负不在模型，而在系统、上下文和执行力。RAG不是技巧，而是基础设施；专业化不是妥协，而是捷径。最后，他用一句话收尾：“Be ambitious.”——只有瞄准真正困难、真正有价值的问题，AI才可能改变一家公司，而不只是多一个工具。

关键词： RAG， 企业AI， 上下文， 模型部署， Douwe Kiela

事实核查备注： Douwe Kiela：RAG提出者，Contextual AI CEO；4.4万亿美元AI投资规模（演讲中提及的估算值）；Forbes研究：仅约1/4企业从AI获得价值；Moravec悖论；RAG系统=检索增强生成；Qualcomm作为企业案例被提及