钉钉 ONE 争议背后，是所有 AI 项目都会撞上的问题

这两天，《置身钉内》刷屏。

我看完之后，第一反应不是想评价钉钉 ONE 做得对不对。那篇文章太长，里面的人、组织、理想和压力都很复杂，站在外面轻飘飘地下判断，其实没什么意思。

我只是想起自己以前做过的一个项目。规模当然没法跟钉钉 ONE 比，但它给我的那一下冲击，我到现在都记得。

当时我们在做一个运维相关的东西，里面有个想法是做 AI 故障定位。

线上出了问题，AI 可以根据历史经验判断可能是什么原因，应该先查哪里，下一步怎么处理。

01 我当时真的觉得这事能成

我当时觉得这个想法挺自然的。

运维团队做了这么多年，系统里肯定有很多历史工单、SOP、故障复盘、处理经验。把这些东西整理一下，做成知识库，再让 AI 去查，不就能用了么？

尤其是 SOP 和经验复盘这种东西，名字太有迷惑性了。标准作业流程，经验总结，故障复盘。你很难不觉得它们就是知识。

后来我拿着这个想法去找一个资深运维聊。他听完之后，没有顺着我的思路往下聊，只说了一句，别搞这个，没用。

我当时其实不太服。

这里面也有一点我的私心。我总觉得，公司里自己写下来的经验，肯定比外面通用资料更适合公司。

它知道我们的系统、链路，也知道那些只有内部人才懂的坑。

如果 AI 能把这些东西重新用起来，就等于把公司过去很多年的沉淀重新翻出来。所以他说没用的时候，我不是完全听不进去，我是有点不甘心。

我又追着问他，有没有哪些字段能用，哪些工单质量会高一点，哪些复盘值得优先整理。

他跟我说，这些经验你最好别信。很多都是系统流程最后一步随手填的。故障处理完了，系统要求填一下经验总结，填完这单就结束了。没人审核，没人复用，很多时候也没人真的看。

他说到这里，我还是有点转不过来。几千条记录都在系统里摆着，再差也不至于完全没用吧。

筛一筛、洗一洗，总能捞出一点东西。

02 后来我花了 3 天去验证

后来我还是不信邪，真的花了 3 天去筛。

5000 多条历史经验，光是一眼看上去明显乱填的，就筛掉了 4000 多条。剩下的我又让 AI 判断根因，再结合实际场景看，又筛掉了一批。

最后留下一些看起来还算像样的内容，放进知识库里试。

结果发现，还不如不用。

因为很多故障本来就不可复现，场景稍微一变，原来的经验就不成立。AI 拿着这些经验去推荐排查方向，反而会把人带偏。

这比「没用」还麻烦。没用的东西，顶多是不帮忙。会误导人的东西，是在添乱。

我拿这个结果去找那个资深运维。他说，你看，我早说了吧。

这些东西没人看，大家都是随便填的。谁敢写真正原因？都在甩锅。

假的原因，还不如没有来得真实。

这句话我记了很久。

因为没有知识库，你至少知道自己不知道。但一个假的知识库，会让你误以为自己知道。

后来他还跟我说，他以前在公司也组织过类似的项目。一开始愿景也很美好。大家都希望能沉淀经验，形成知识库，让后来的人少踩坑。

但做着做着，事情就会变形。

有些人不愿意写得太细，有些人不愿意把真实原因放出来，有些东西写出来就会牵扯责任。最后留下来的内容，看起来很完整，实际用的时候又很虚。

03 最后问题不在知识库

我当时才慢慢理解，真正打碎我的不是数据筛掉了多少。

而是我原来以为自己在清洗知识，其实我是在清洗一个组织的自我保护机制。

很多经验总结不是为了让后来的人少踩坑写的。它只是流程的最后一个格子。你填完，它就结束了。填得好，通常没有什么奖励。填得太真实，反而可能惹麻烦。

尤其在一个惩罚机制比奖励机制更突出的组织里，人会很自然地学会写安全的话。它不一定是假话，但它也不是真正的经验。它更像一种不会出事的表达。

这件事后来让我对「知识库」三个字谨慎了很多。

以前我看到 SOP、复盘、历史工单，会下意识觉得这是资产。现在我会先停一下，想想这些东西是在什么环境里写出来的。

所以后来我没有继续逼大家多填几条经验，而是改了一个方向，做了一个「经验卡」功能。经验不再只是工单结束时藏在系统里的一个字段，而是可以被其他人看到。

写得好，别人会用，会收藏，会引用。这个功能不复杂，也谈不上多高级，但它至少改了一点点写经验的动机。以前填经验是为了把流程走完，现在写经验是在同行面前留下一个能被看见的判断。

当然，它解决不了所有问题。只要涉及责任归因，大家还是会谨慎。

但我从那次之后真的记住了一件事：

AI 项目不是把模型接进去就完了。你得先看懂这个组织里的人为什么这样做事。

所以我看钉钉 ONE 的争议时，会有一种很熟悉的感觉。

钉钉当然不是没有数据。它有组织关系，有消息，有日程，有审批，有已读未读，还有各种协作链路。这些东西对 AI 来说，看起来都是很好的上下文。

但这些上下文不是干净的。它们里面有上下级，有管理习惯，有催办，有缓冲，有人不想被看见的部分，也有人特别想看见别人的部分。

AI 一进去，很多原来靠人情、默契和模糊空间维持的东西，就会被重新翻出来。

它可能让一些事情更高效，也可能让一些人更透明。它可能帮一部分人省时间，也可能把另一部分人的压力放大。

所以我现在看 AI 项目，会比以前慢一点。我不会一上来就问，这个功能能不能做。我会先问，这些材料是谁写的，为什么这么写，写错有没有代价，写真话有没有风险。

如果这些没看清楚，模型越强，反而越容易把原来的问题放大。

真实项目里，很多时候更重要的是，你能不能看懂那个组织里的人为什么这样说话，为什么这样填表，为什么这样复盘，为什么有些东西明明在系统里，却不能直接相信。

这些东西听起来不 AI。

但它们决定了 AI 最后能不能落地。