Rob Collie，P3 Adaptive 首席执行官兼创始人、《Fair Game》作者——访谈系列

Rob Collie 是 P3 Adaptive 的创始人兼首席执行官，P3 Adaptive 是一家微软数据与 AI 解决方案合作伙伴，为数百家中型企业和《财富》1000 强客户提供服务。Rob 之前是微软 Excel、Bing 和 Power BI 团队的工程领导者，离开微软后领导了 Power BI 业务，并已出版三本商业技术书籍（销量超过 92,000 本）。他还主持 Raw Data with Rob Collie 播客。他的第四本书，Fair Game: Customizing AI to Your Business Is Easier Than You Think（2026 年 8 月），将在 AI 时代展现其从业者的可信度。

您在微软工作了十余年，帮助在 Excel 和 Power BI 中开发商业智能功能，随后于 2013 年创立了 P3 Adaptive。从在微软内部构建软件到为客户解决数据问题的转变，如何塑造了您对企业 AI 的当前看法？

当我在微软领导产品团队时，我们在构建需要面向全世界使用、无法针对特定客户需求进行定制的软件。我们曾把它比作“点一份配料能让三亿人都接受的披萨”。这项工作不可避免地带有最低公倍数的取向，也与单个客户保持一定距离。

在如此大舞台上工作固然有一定的声望，但远不及帮助特定客户实现其独特目标那般情感满足。与客户紧密合作时，我们有机会投入到他们的成功中，探索那些在大型软件的一刀切商业模式下根本不可能实现的创新解决方案。这在许多方面更具智力刺激，而与客户的直接联系也让成功更加充实。

但责任也更大。在微软时，单个不满意的客户只是一个统计数字，我每天都把投诉当作工作的一部分轻描淡写。但在 P3 Adaptive，单个不满意的客户意味着我们已经失败。没有统计数字。我们对每一段关系都负有责任。

我在微软学到了许多宝贵的东西，绝不会用全世界去换取这段经历，但我常自称是“正在康复的软件工程师”，因为如今的成功意味着完全不同的运作方式。

这正是我看待企业 AI 的视角。现成的 AI 就像是终极的三亿人披萨——真正的奇迹，旨在对每个人都有价值，却不针对任何人定制。但组织层面的 AI 成功来自于定制——贴近某一家特定公司，并将 AI 定制到其数据、其流程、其定义上。我职业生涯跨越了这两端，这让我对企业 AI 必将在定制化一方获胜毫不怀疑。

在 Fair Game 中，您指出许多公司通过分发通用聊天机器人许可证而不是构建能够理解其业务的系统，倒着使用人工智能。现成的 AI 助手的局限在哪里？哪些信号表明企业需要定制化的方案？

现成的 AI 在除贵公司业务之外的所有领域都拥有博士学位。它阅读了整个互联网，但互联网缺少贵公司对“活跃客户”的定义、定价逻辑、运营流程，以及当两个系统冲突时应信任哪一个。这些知识永远不会公开。因此，那些在个人使用场景中表现卓越的通用 AI 在真实商业环境中就显得不足，两者之间的差距既令人沮丧又令人困惑。

如今，几乎所有人对“如何应对 AI”的答案都是“购买订阅并观察结果”。我认为这是自然的第一步，所以我并不批评任何这样做的人。相反，我对此表示同情——没有人真正抽时间解释这些现成订阅不足的原因以及原因何在。因此，我认为企业正处于我们预期的阶段——尝试可得的产品并开始意识到它不足。

解决方案并不是直接触碰 AI 模型——你不必成为大型语言模型研究员。关键在于你为模型提供的所有配套：你的数据、用简明英文编写的指令以及常规软件。当你本周第五次向聊天机器人输入相同的上下文时，这就是信号。你不断重复解释的内容正是定制系统本应已知的——每次它被唤醒时。

您使用“匠人”（Crafter）一词来描述那些具备数据敏锐度、能够在不成为传统软件开发者的情况下构建有价值的定制 AI 系统的业务专业人士。哪些特征能够区分匠人？领导者如何在现有员工中识别这些人？

匠人是天生对使用工具解决问题充满渴望的人。根据我的经验，大约每 16 名知识工作者中就有一位具备这种特质。他们曾是 Excel 高级用户，随后是 Power BI 一代，又被 IT 称为“影子 IT”。他们是你的分析师、财务模型师、运营负责人——在业务中成长并发现自己擅长使用工具的人。

有两个特质使他们非常适合 AI 工作。第一，系统思维：他们本能地将混乱的流程分解为输入、规则和输出，类似专业软件开发者。第二，业务根基：他们了解 CFO 真正关注的数字以及提问者真正想问的内容。这两者都不是在训练营中可以教授的。

如何发现你们的匠人：追踪电子表格。现在在贵公司，关键工作流的核心是电子表格、仪表盘和自动化。它们都不是 IT 构建的，每个都有作者。从这里开始。然后评估他们如何将才能转向定制 AI 解决方案。

您为何认为匠人，而非仅仅是开发者，最适合领导众多内部 AI 项目？在业务专家、数据团队、软件工程师、信息技术部门和安全团队之间，职责应如何划分？

因为定制 AI 的难点不在代码，而在上下文。AI 项目中最具杠杆效应的单一活动是决定系统需要了解贵业务的哪些信息，而匠人天生拥有这些知识。从三层组织结构之外跳来的优秀工程师必须进行数月访谈，才能学会运营负责人凭本能已掌握的内容。

但这绝不是开发者被淘汰的故事。我推荐的劳动分工基于三个因素，且与资历或性格无关：随着可复用性、复杂性、敏感性的提升，工作自然倾向于专业开发者。任何面向客户、涉及敏感数据或做出自主决策的任务都是开发者的领地，随着需求的增多，这些稀缺的工程技能价值只会提升，而非下降。业务流程细微差别占主导时，工作则倾向于匠人。

还有一个被低估的中间地带：匠人负责构建，开发者负责审计。IT 和安全部门不应仅是批准项目的守门人——他们应提供已铺好的道路。提供经过批准的平台、数据访问规则、审查检查点，让最贴近问题的人去构建。把整个过程视为成熟度模型，而非围栏。

定制 AI 需要访问公司特有的术语、指标、流程和组织知识。语义模型和现有的商业智能基础设施在帮助 AI 准确理解公司方面起什么作用？

它们是解码环。当前贵公司的定义——什么算作活跃客户，哪些成本计入毛利润——都存在于人们的脑海和成千上万略有不一致的电子表格中。AI 代理在这些定义被以机器可信的形式记录下来之前，无法可靠地推理你的数据。业界已开始将这门学科称为“上下文工程”，我会这样翻译：它是将业务知识结构化，使 AI 能真正使用的工作。分析师让它听起来很新，但 BI 从业者已经在做这件事十五年了。

这正是隐藏在显而易见处的好消息：如果你在 BI 时代（尤其是投资了 Power BI）已经投入，那么你可能已经拥有先发优势。构建良好的语义模型正是 AI 代理所需的机器可读业务意义捕获。那些把语义层当作事后补充的公司正发现，之前跳过的“枯燥”定义工作如今成了 AI 路上的收费站。而且，这项工作深度针对你的业务——这正是其持久优势。每个供应商都能卖给你同样的模型，但没有人能卖给你自己的定义。

您构建了一个名为 Eddie 的定制 AI 编辑器，以帮助撰写《Fair Game》。该系统在写作过程中实际做了什么？它的成功与失败给您在围绕高度个人化工作流设计 AI 带来了哪些教训？

说明一下，我从头到尾亲自撰写了书中的每一段，而 Eddie 大多是坐在那里等待。有时我会花数小时敲出章节的整段内容，然后让“它”阅读。另一些时候，我每隔几分钟就把想法抛给它。但关键是，Eddie 24/7 在线。我可以在凌晨三点得到反馈，也可以在下午一点得到，同样在一分钟内返回。总计我估计 Eddie 至少阅读了手稿三十次。没有任何人类能完成这项工作，因为没有人类会想要这样做。

它记录了我在第三章做出的承诺，并在第十二章忘记时提醒我。它学习了我的写作风格并强制执行——让我的声音保持最佳，而不是让我滑向“无趣商业作者”模式。它告诉我何时偷懒，何时在打无用的马。我们曾有真实的分歧，有时它赢了。

最大的设计教训：Eddie 的“大脑”是用英文写的，存放在一个文件夹里。每当它给出的反馈太笼统、语域错误、或忘记我已声明的规则时，解决办法就是把纠正写下来并让它成为永久上下文。失败并非 AI 失灵，而是我没教它的空白。这个循环——发现错误、编码教训、观察其固化——就是微型定制 AI 的全部工艺。这也是我后来为宣传、竞争研究和网站信息构建专用 Eddie 的原因。底层都是相同的 LLM，但针对不同专业化。

许多组织认为在尝试定制 AI 之前必须彻底清洗并集中数据。实际需要多少数据准备才能开始？公司如何在没有等待完美基础的情况下开始产生价值？

数据完美并非前提，这也是好消息，因为完美永远不会到来。如果你先去构建一个完美的数据资产，正如许多咨询公司建议的那样，你实际上是在为“仅仅为了管道而建管道”——到处铺设昂贵的管道，但当你最终装上水龙头时，却发现需要的地方根本没有管道。

我们公司倡导“先装水龙头”的做法。先选定具体用例，从业务影响倒推，而不是从基础设施正向推进。基于该用例构建 MVP，尽量少新增基础设施。迭代 MVP 直至可投入生产，然后再回头评估如何强化基础设施以支撑它。这能更快实现业务价值，降低成本，并为后续项目提供信息——无论是在水龙头层面还是管道层面。

定制 AI 原型在演示时可能看起来很惊艳，但在真实员工、变化的数据和边缘案例面前却可能不可靠。在内部 AI 系统投入运营之前，应建立哪些评估、监控和人工监督机制？

除少数显著例外，我认为在 AI 时代演示的价值不如软件时代的演示。软件演示总是夸大其词，大家都知道。但 AI 演示与现实的距离更大。

AI 关乎工作流。而没有什么比支撑特定组织运营的数千个工作流更具定制性。回到“拥有全方位博士学位的新员工”的比喻。一个新员工在贵公司需要多少培训和实践经验才能有效？演示如何可能涵盖所有这些？

因此，我们使用演示来激发思考，展示可能的艺术，而不是推销产品。真正的演示从定制解决方案的原型开始，即 MVP。然后我们快速迭代改进。

在某个时点，它准备好进行软启动或试点项目。随后我们一起学习，并基于学习快速改进。这通常是监控、评估和监督变得尤为重要的阶段。你最终需要的东西往往与最初的预想大相径庭。

公司如何赋能匠人进行实验，同时避免产生新一代影子 AI 系统、重复的工作流、安全漏洞以及无人维护的工具？

记住影子 IT 的来源：并非恶意，而是对未满足需求的必要满足。匠人因为问题困扰而构建——这就是基因。如果批准的路径需要等一年，影子 AI 将填补空白——而且在雷达下方，这最为危险。

因此，让批准的通道成为最简便的通道。为匠人提供已内置安全防护的批准平台——身份、数据访问、日志记录——使合规选择也成为便利选择。保持轻量级登记册：任何从个人实验演变为第二个人依赖的工具都需记录，并指定所有者。这个单一规则即可消除大多数孤立工具问题，因为有名称的工具不会被悄然抛弃。

随后采用升级模型：实验可以自由进行，但当某项变得关键——用户增多、敏感度提升、自治程度提升——它将获得逐步更严格的工程审查。匠人保留业务逻辑所有权；开发者负责加固需要加固的部分。目标是成熟度流水线，而非许可流程。公司早已用电子表格演绎过同样的剧本，赢家并不是禁止 Excel 的人。

对于首次开展定制 AI 项目的公司，应该如何选择首个用例、衡量项目是否带来有意义的业务价值，以及决定是扩展、重新设计还是放弃？

我们为客户使用两种起点。

方案一，寻找没有人做的工作——而不是你想要消除的工作。我喜欢问管理者的一个问题：“如果有一个人始终监控并思考这件事，事情会显著改善——但我永远无法为此雇佣整个人员”，你们是否有这样的想法？这些往往是最佳的起点。它们安全、能建立信心、没人觉得被针对，且反事实是诚实的：替代方案不是有人做得好，而是根本没人做（就像我的编辑朋友 Eddie）。

方案二，考虑用数据代理取代仪表盘。虽然仪表盘看似简单，但在实践中远未兑现其承诺。当有人有业务问题时，他们需要花大量时间将问题转化为仪表盘的视图。哪一个仪表盘能回答此问题？它的名称是什么？这样的仪表盘真的存在吗？即使找到了“正确”的仪表盘，使用是否清晰便利？你是否需要反复操作它，记录或截屏多个版本以拼凑出所需的整体画面？

在 AI 时代，你只需把业务问题——用自己的话——输入（或口述）给数据代理，它会处理所有这些并在一两分钟内返回经过认证、充分研究的答案——包括可视化。当你有后续问题时，它也能快速回答——在会议中仍可做出决策。

这两种起始方案的共同点是什么？它们都解决了员工愿意接受而非抵触的痛点。你不希望早期 AI 项目播下不信任的种子。你希望它们把员工拉到桌旁，让员工提出改进和新项目的想法。因为你的公司由成千上万的工作流组成，员工比你更了解它们。

关于扩展、重新设计或放弃——对自己要宽容，因为这方面的研究确实令人安慰：大多数成功的 AI 部署之前都有失败。第一个只产生教训而非回报的项目是学费，而不是 AI 不起作用的证据。我的经验法则是：如果有人在使用，就扩展；如果没人使用，你需要弄清原因，答案可能从“它不好用”到“我不懂它”再到“它让我害怕”不等。答案决定你是改进、重新设计还是放弃。你不必预测所有结果，只需诚实地从某处开始。

感谢这次精彩的访谈，读者还应阅读 Fair Game: Customizing AI to Your Business Is Easier Than You Think。