Ai4
企业AI项目频遭弃用的根源在于通用模型缺乏未成文的隐性业务知识且盲目自信,企业无需等待漫长的数据清洗,而应部署能主动预警不确定性并通过人工纠偏持续学习的定制系统。
AI-assisted summary of Why AI Investments Fail: The Accuracy Trap from Missing Tribal Knowledge With PromptQL — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本内容由 YouTube 频道 Ai4 于 2025 年 8 月 29 日发布,主讲人为 PromptQL 联合创始人兼首席生态官 Rajoshi Ghosh。视频主要探讨了企业级 AI Agent 项目在试点后因准确率与信任危机而停滞的原因,并分享了如何通过构建理解企业私有数据、流程与隐性知识的定制化 AI 来克服准确率瓶颈并实现可靠落地。
## TL;DR Rajoshi Ghosh 指出通用开箱即用模型因缺失企业内部未成文的“隐性知识”,往往陷入盲目自信且不可信的“准确率陷阱”。企业不应陷入耗时数月的漫长数据清洗死循环,而应优先建立评估体系(Eval Sets),采用具备置信度预警机制的“知错能报”架构,通过业务专家在岗指导与人机交互持续沉淀业务规则。演讲通过现场演示以及在财富 500 强销售预测、放射科 MRI 排程优化和 SaaS 架构映射等真实案例,证明了高可靠性定制 AI Agent 能够带来数千万美元级的商业价值释放。
## Atmosphere & style 整场演讲呈现出务实、犀利且极具实战洞见的基调,主讲人凭借深厚的 B2B 软件实战经验,直击企业 AI 投资落地中的虚假繁荣与核心痛点。现场通过生动敏锐的思想实验、直观的 AI 分析师纠偏演示与详实的企业部署案例,将原本抽象的可靠性与置信度工程阐释得清晰透彻,兼具行业警示感与技术落地的落地启发。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=4s) 企业在 AI 项目前期往往投入巨资,但上线后常因准确率问题导致业务端不敢采用,准确率不足是企业级 AI 投资面临的核心陷阱。 - [00:04](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=4s) 通用大模型无法直接适应企业的私有环境,企业必须构建定制化 AI 并将独特的“隐性业务知识”(Tribal Knowledge)注入模型中。 - [02:09](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=129s) 企业数据中大量核心业务逻辑仅存在于资深员工的经验中,通用 AI 缺乏这些上下文时极易陷入盲目自信的幻觉,无法达到决策级要求。 - [04:25](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=265s) 人机信任的关键在于 AI 必须原生具备“自我表达置信度”的能力,在不确定时主动预警并暴露假设,而非给出不可靠的黑盒答案。 - [04:25](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=265s) 通过“准确率飞轮”,AI 在遇到低置信度时向业务专家求助,业务人员即时纠偏传授隐性经验,系统沉淀知识以实现持续在岗学习。 - [07:24](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=444s) 企业无需等待 6-9 个月把数据彻底清洗干净才上线 AI;一个具备自知之明且会主动预警的 50% 准确率 AI,在实战中远优于从不报错的 90% 准确率 AI。 - [09:31](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=571s) 企业级 AI 架构应坚持“职责分离”:首先建立完善的 Eval 评估体系,由业务专家主导规则维护与纠偏,将技术链路与业务规则解耦。 - [12:09](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=729s) AI 部署应复刻高智商新员工入职流程,直接连接混乱的多源数据,通常仅需约两周即可建立具备置信度自预警能力的基线准确度。 - [13:50](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=830s) 现场演示证明,AI 分析师在缺失 VIP 客户与流失规则时会主动出具低置信度警告,经人工注入业务定义后即可沉淀知识并输出绿色高置信度结果。 - [16:12](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=972s) “连续提问 5 次给出一致结果”的可重复性测试,是验证 AI 具备稳定输出与可靠信号的核心测试手段。 - [17:22](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=1042s) 在拥有 2.5 万名销售人员的财富 500 强企业中,嵌入式 AI 分析师打通了并购遗留的多套系统数据孤岛,直接化解了季度收入预测中 10% 的潜在风险。 - [18:16](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=1096s) 在放射医学排程场景中,具备复杂临床规则理解能力的 AI 将单次排程耗时从 12 分钟压缩至 6 分钟,创造了约 5000 万美元的商业价值。 - [19:01](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=1141s) 针对 B2B SaaS 跨系统对接难题,AI 工程师可大幅自动化 Schema 架构映射与数据转换,将数月的客户交付周期显著缩短。
## Detailed walkthrough ### [00:04](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=4s) 企业 AI 投资的热潮与两大核心洞察
PromptQL 联合创始人兼首席生态官 Rajoshi Ghosh 拥有超过十年的企业级 B2B 软件构建与销售经验。在 PromptQL 发布的短短六个月内,整个市场的发展态势呈现出爆发式增长:团队在数月内连续与多家财富 500 强企业敲定了七位数的商业大单,并且客户规模还在快速扩张。在与企业的交流中,甚至出现了客户原本没有明确的 AI 预算,却竭尽全力从各个业务条线“东拼西凑”调集资金的狂热景象。尽管全行业对部署 AI 展现出巨大的热情与推动变革的能量,但企业预算分类与基础设施显然尚未完全跟上这股浪潮。
在这场狂热的背后,企业级 AI 项目落地普遍面临着严峻挑战。Ghosh 在开场即点明了本次分享的两个核心认知:第一,“准确率是一个巨大的陷阱”(Accuracy is a big trap)。许多企业在前期投入巨资清洗数据、筹备基础设施,但在正式发布后却因准确率问题导致业务端根本不敢采用,这是阻碍当今企业级 AI 推广的最大痛点。第二,“企业需要定制化 AI”(Custom AI)。市面上现成的开箱即用(Off-the-shelf)模型无法直接适应企业的私有环境,企业必须将自身独特的“行业隐性知识”(Tribal Knowledge)融入模型中。
- **PromptQL 市场动向**:产品发布仅 6 个月便签约多家财富 500 强客户,达成七位数合同金额并持续增购。 - **两大核心洞察**: 1. 准确率不足及其引发的信任危机是导致企业 AI 投资失败的“准确率陷阱”。 2. 现成通用大模型无法解决企业特定问题,必须通过注入业务隐性知识构建定制化 AI。
---
[02:09](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=129s) 准确率陷阱与对 AI 可靠性的预警
当企业尝试在私有业务数据上运行 AI 时,准确率问题会立即显现。以医疗业务为例,如果向 AI 提问:“查询 DRG470 的患者再入院率是多少?”资深业务同事能够轻松答对,因为他们对“DRG470”这一特定术语及其背后的统计口径了如指掌。在企业的日常协作中,存在海量此类约定俗成、从未被完整写入元数据或文档中的“饮水机闲聊式”隐性经验。企业真实数据往往极为混乱,一半的规则只存在于老员工的大脑里。
通用 AI 在面对此类专有查询时极易陷入“极其自信地胡说八道”(confidently wrong)的境地。即便模型偶尔给出了高准确率的回答,管理者也无法验证其真实可靠性,更不敢轻易将其输出的数据直接用于董事会汇报或公开财报电话会。OpenAI 联合创始人 Ilya Sutskever(现 Safe Superintelligence 创始人)在 2023 年接受 Dwarkesh Patel 播客专访时曾明确指出,如果 AI 无法在 2030 年前带来预期的经济影响力,其唯一败因只可能是“可靠性”(reliability)——一旦用户无法信任 AI 的输出,每次都需要人工反复核对校验,AI 的经济价值就会荡然无存。
- **隐性知识断层**:企业核心业务逻辑往往未沉淀在结构化元数据中,导致通用模型无法准确解析特定术语(如医疗领域的 DRG470)。 - **自信幻觉风险**:AI 在给出错误答案时通常缺乏自知之明,无法达到进入董事会决策层级的高置信度标准。 - **行业权威警示**:Ilya Sutskever 指出缺乏可靠性将彻底抵消 AI 带来的商业经济效益。
---
[04:25](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=265s) 什么是信任?打造“知错能报”的准确率飞轮
人类在职场协作中并不要求同事做到 100% 的绝对正确,但彼此之间依然能建立起深厚的信任。这种信任的基石在于两点:首先,资深同事理解特定业务领域的隐性知识;其次,更关键的是人类“懂得在不确定时主动预警”。老员工在给出答案时会明确告知:“这是我查了五张混乱的客户表得出的最佳猜测,但我不能完全确定。”这种主动暴露不确定性的机制正是建立信任的关键。要让 AI 处理企业的关键任务(Mission-critical)系统,也必须具备这种自我表达置信度的能力。
企业需要的不是通用的外来模型,而是专属的“AcmeQL”(以 Acme 代指企业自身)。这套专属 AI 必须像新入职的员工一样具备在岗学习能力。通过“准确率飞轮”(Accuracy Flywheel),模型在推理时能够主动标示自身的置信度水平。当模型遇到模糊概念或低置信度情况时,主动提示用户;业务专家随即进行干预、指导与纠偏,传授内部隐性知识。该反馈被沉淀并更新至企业知识库中,实现持续学习。当下一次遇到类似问题或特定行业黑话时,模型便能精准作答。
```mermaid flowchart LR accTitle: 准确率飞轮运转机制 subgraph S1["推理与预警"] A["提出业务问题"] --> B["企业定制模型 AcmeQL"] B --> C{"置信度评估"} end subgraph S2["人工介入与反馈"] C -- "高置信度" --> D["输出可靠答案"] C -- "低置信度/不确定" --> E["主动预警并暴露假设"] E --> F["业务专家指导纠偏<br/>(传授隐性知识)"] end subgraph S3["知识沉淀与进化"] F --> G["更新企业知识库/元数据"] G --> B end ```
- **人类信任模型**:理解领域知识 + 能够主动说明答案的不确定性与潜在盲区。 - **准确率飞轮三要素**: 1. 原生具备置信度与可靠性信号标示能力。 2. 支持人类在交互中即时纠偏,填补隐性知识缺口。 3. 将反馈反哺至底层模型与系统,实现持续进化。
---
[07:24](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=444s) 摆脱无休止的“数据清洗”迷局:透明度胜过虚假的高准确率
企业在推进 AI 落地时最常见的借口是“我们的数据太乱了,必须先花几个月清洗数据”。然而在实际业务中,企业数据永远处于动态演进中,绝对不存在完美的终极状态。如果寄希望于先耗费 6 到 9 个月搭建语义层(Semantic Layer)或知识图谱再上线 AI,往往会面临灾难性的用户流失。如同早期电子商务网站遇到加载卡顿旋转图标时用户会直接关掉网页一样,当业务人员满怀期待地测试新系统,故意输入已知答案的问题进行检验,只要 AI 答错一次,业务人员对系统的信任就会彻底归零,导致前期数月的数据治理投入全部付诸东流。
Ghosh 向现场观众提出了一个核心思想实验:面对一个“准确率 50% 但会在不确定时主动告知”的 AI,与一个“声称有 90% 准确率但从不标注置信度”的 AI,企业应当选择哪一个?现场的共识毫无疑问是前者。一个具备自知之明的 50% 准确率模型是可控且安全的,企业可以以此为起点,在每次模型答错或发出预警时教导它修正,通过持续学习稳步提升其准确率。
- **数据治理误区**:数据清洗永远没有终点,等待数据完美才启动 AI 会严重拖延业务落地。 - **上线即弃陷阱**:耗时 6-9 个月建设后,只要初次交互出现无预警的错误,用户就会彻底丧失信任。 - **可信度权衡**:能准确预警自身不确定性的 50% 准确率 AI,在企业实战中远优于黑盒形态的 90% 准确率 AI。
---
[09:31](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=571s) PromptQL 的架构理念:构建 Eval 体系与职责分离
为了帮助企业摆脱传统 AI 开发的泥潭,PromptQL 被设计为一个支持持续在岗学习、原生具备置信度信号输出能力的定制化 AI 构建平台。在传统企业自建 AI 的模式中,团队需要应对极其繁重且脆弱的链路:构建评估测试集(Eval Sets)、跟踪最新基础模型迭代、进行复杂的上下文工程(Context Engineering)、开发各类工具(如 Text-to-SQL、RAG 等)以及数据层前置准备。在这种高耦合结构下,任何底层模型或业务数据的微调,都可能导致整套系统需要推倒重来,耗费 6 到 9 个月的时间成本。
```mermaid flowchart TD accTitle: 业务专家与技术架构职责分离模型 subgraph Biz["业务专家层 (Business Expertise)"] E["构建与维护 Eval 测试集"] F["审核/批准元数据与纠偏反馈"] G["注入企业私有领域知识"] end subgraph Platform["PromptQL 学习引擎"] H["原生置信度评分引擎"] I["自动上下文工程 & 工具调度 (Text-to-SQL / RAG)"] J["持续学习与知识库自更新"] end subgraph Data["多源混乱数据层 (无需漫长预清洗)"] K[("数据库 / 数据仓库")] L[("SaaS 平台 / API / 控制面板")] M[("现有语义层 / 数据目录")] end Biz --> Platform Platform <--> Data ```
在 PromptQL 倡导的理想架构中,最为关键的原则是“关注点分离”(Separation of Concerns): 1. **Eval 体系至上**:开始任何 AI 项目前,最关键的第一步就是建立完善的评估测试集,作为衡量正确性的基准。 2. **业务专家主导**:组建由最懂业务与数据含义的业务专家构成的团队,专注于编写 Eval、审核用户日常对 AI 的纠偏教学,并维护企业元数据。 3. **技术链路解耦**:将数据准备、底层模型适配与业务规则定义解耦,避免同一个技术团队在数据清洗与业务逻辑校准之间疲于奔命。
---
[12:09](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=729s) 像入职新员工一样引导 AI:两周建立基线准确度
PromptQL 引入 AI 的方式完全复刻了企业入职一名高智商新员工的流程:新员工无需等待公司整理好完美的知识文档才上岗,而是直接接入现有的工作环境。系统直接对接企业内部所有包含上下文的数据源——包括数据库、数据仓库、API、现有的数据目录或已有的语义层资产。即使数据依然脏乱无序,PromptQL 也能基于现有的数据资产自动推断业务逻辑,并在后续交互中“边干边学”。
这种部署方式将传统的实施周期大幅压缩。通常仅需大约两周的连接与初始化配置,系统就能建立起一个具备置信度自预警能力的“基线准确度”(Baseline Level of Accuracy)。在此之后,系统进入持续学习模式,随着业务人员的日常使用和持续纠偏,模型精度会不断提升。企业既不需要等到数据彻底清洗干净才上线,也可以在后续数据治理过程中同步让系统受益。
- **快速冷启动**:直接连接混乱多源数据,2 周内建立基线准确度并上线运行。 - **渐进式迭代**:不阻塞在数据清洗环节,通过边使用边纠偏实现模型与数据质量的同步进化。 - **全源连接能力**:支持无缝对接数据库、数仓、API 接口、SaaS 控制台及历史沉淀的元数据目录。
---
[13:50](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=830s) 现场演示:AI 分析师如何从“不确定”通过反馈走向高置信度
在现场演示中,Rajoshi Ghosh 展示了一个接入了 SaaS 控制面、账单数据和客户支持系统的 AcmeQL“AI 分析师”实例。当向系统提问:“谁是我的 VIP 客户?其中有多少人存在流失(churn)风险?”时,AcmeQL 在连接的混乱数据中进行了推演,并给出了初步的客户名单及流失分析结果,但系统在输出旁明确打上了一个“可靠性预警信号”(Reliability Signal)。
模型在预警中坦率说明:“我给出了答案,但该结果不可靠。原因在于:第一,我在你的数据中没有找到流失风险的官方计算规则,这是我自己假设的计算公式;第二,你的数据和元数据中没有关于 VIP 客户的明确定义,这也是我的默认假设。”随后,演讲者在界面中输入了企业的专属业务定义:“流失风险是指使用量下滑且过去 10 张工单中出现负面情绪;VIP 客户定义为年账单超过 10,000 美元的企业版计划客户。”AcmeQL 迅速确认接收并更新理解。当再次执行相同查询时,系统展示了解析计划并复述了刚学到的业务定义,输出结果旁亮起了绿色的“高置信度”校验图标(Green Check)。
- **演示核心步骤**: 1. **低置信度初探**:模型完成计算但主动提示缺少“流失”与“VIP 客户”的准确定义,拒绝盲目自信。 2. **业务规则注入**:人工输入精确规则(VIP:企业版且年消费 > $10,000;流失:用量下降 + 过去 10 张工单含负面情绪)。 3. **知识闭环与高置信度输出**:模型复述并应用新规则,输出带有绿色高置信度标识的结果,完成隐性知识的沉淀。
[16:12](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=972s) 可重复性检验与隐性知识注入:以信用社自动化为例
评估 AI 模型准确性的一个核心手段是检验其“可重复性”(Repeatability)。如果在相同条件下向模型连续提问五次,模型能够给出五次完全一致且正确的结果,这就形成了一个极具说服力的准确性信号。这种原理在利用定制模型构建“AI 工程师”(AI Engineer)时同样适用。以信用社(Credit Union)领域的自动化任务为例,当人类向 AI 下达指令:“创建一个自动化流程,读取最新导入的会员文件并将他们的账户添加到系统中”,AI 必须首先理解什么是“新会员”(New Member)。
由于每家机构对“新会员”的定义完全不同,系统在生成自动化逻辑时会主动触发可靠性预警,向用户提示:“可靠性受限,因为我是这样定义新会员的,这样可以吗?”此时,业务专家可以直接指出错误:“不,这不是我们的业务规则,我们平时不是这样操作的”,随后补充那些“从未写进正式文档、只存在于个人笔记本或脑海中”的详细隐性知识(Tribal Knowledge)。系统随即更新元数据和自身的上下文理解,最终给出绿色的高置信度信号,确保自动化流程精准无误。
```mermaid flowchart TD accTitle: AI Agent 隐性知识校准与置信度确认流程 subgraph S1["1. 意图执行与预警"] A["自动化指令输入"] --> B["AI 解析业务实体定义"] B --> C{"主动反馈定义并提示<br/>'有限可靠性'"} end subgraph S2["2. 专家介入与知识沉淀"] C --> D["专家指出偏差<br/>输入未成文的业务规则"] D --> E["更新系统元数据与上下文理解"] end subgraph S3["3. 验证与上线"] E --> F["输出高置信度绿色信号"] F --> G["安全执行自动化集成"] end ```
- **可重复性测试**:连续提问 5 次且结果一致,是验证 AI 具备稳定输出与可靠信号的基础测试手段。 - **主动可靠性反馈**:AI 不应在缺乏明确定义时盲目执行,而是主动抛出自身假设与可靠性风险,引导人类介入。 - **隐性知识数字化**:通过人机交互,将原本散落在员工个人笔记和日常经验中的专属业务规则转化为机器可执行的结构化元数据。
---
[17:22](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=1042s) 财富 500 强企业案例:消除 2.5 万人销售团队的数据孤岛与预测风险
当企业拥有了真正可靠且高精度的 AI 之后,商业价值将迎来巨大释放。以一家拥有 2.5 万名销售人员的财富 500 强企业为例,该公司在多年发展历程中收购了大量不同公司,导致其各个 Salesforce 实例中充满了重叠的客户数据,“每个人都在向所有人卖产品”。当销售团队试图向新客户进行商业拓展时,获取统一、全局的数据视图变成了一项几乎无法完成的艰巨任务。
数据可见性的缺失直接引发了严重的业务后果:该公司每个季度的销售预测准确性存在高达 10% 的风险敞口,这对于一家需要每季度向公开市场公布财报的上市公司而言是巨大的隐患。通过在 Salesforce 内部无缝嵌入一个 AI 分析师组件(Widget),让一线销售代表能够在日常工作流中即时查询和使用这些清洗、打通后的数据,不仅消除了可见性壁垒,更直接提升了财报季的业绩预测准确率。
- **庞大销售团队体量**:覆盖 25,000 名跨部门、跨业务线的企业级销售人员。 - **并购遗留数据孤岛**:多套 Salesforce 系统中存在大量重复客户实体与交叉销售记录。 - **财报级业务影响**:直接化解了季度收入预测中高达 10% 的潜在风险。
---
[18:16](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=1096s) 放射科排程案例:从 12 分钟缩短至 6 分钟的 5000 万美元价值
在放射医学实验室(Radiology Lab)场景中,AI 工程师同样展示出了惊人的降本增效潜力。当患者致电预约核磁共振(MRI)扫描时,系统需要为该患者精确分配特定的医疗计费与排程代码。该代码的判定维度极度复杂,取决于患者的年龄、性别、是否患有糖尿病、是否需要空腹、体内是否植入心脏起搏器等一系列严格的临床指标。
如果代码分配错误,患者在到达现场后将无法按计划检查,直接导致昂贵医疗设备的排程槽位被浪费,给机构带来巨大的直接经济损失。过去,由于缺乏自动化工具,排程人员必须具备极高的专业资质,且每次接到预约都要手动梳理一遍复杂的业务逻辑,即便如此依然频繁出错。引入能够精准理解临床业务规则的 AI 系统后,单次排程耗时从 12 分钟直接压缩至 6 分钟,据估算这为该机构创造了高达 5000 万美元的商业价值。
- **复杂规则判定**:综合考量年龄、糖尿病、空腹要求、心脏起搏器等多种临床与合规条件。 - **错误代价高昂**:排程错误直接造成设备闲置与机位浪费,严重损害医疗机构运营利润。 - **核心业务收益**:业务办理时间从 12 分钟直接缩减 50% 至 6 分钟,年化经济效益估值约 5000 万美元。
---
[19:01](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=1141s) SaaS 架构映射与总结:将数月的客户集成周期大幅压缩
另一个极具代表性的 AI 落地场景是典型 B2B SaaS 企业的跨系统集成。在面向信用社等金融机构的 SaaS 服务中,核心系统往往拥有自身标准化的数据架构(Schema),但每一个对接的外部客户都采用完全不同的自定义架构。这种结构层面的不一致导致每次新客户入驻(Onboarding)都需要耗费数月时间,工程师的大量精力仅仅消耗在将客户架构与自身系统架构进行逐字段映射的重复劳动中。
通过应用 AI 工程师能力,这一极为繁琐的 Schema 映射与数据转换过程被大幅自动化,极大加速了客户的交付与集成周期。演讲最后,PromptQL 首席生态官兼创始人 Rajoshi Ghosh 总结道,构建高准确性、深度融合企业专属知识的 AI 基础设施正是解决上述业务瓶颈的关键,并热情邀请现场观众前往 356 号展台或在会后展开深入交流与答疑。
- **多租户架构差异**:B2B SaaS 平台与下游客户存在严重的数据架构不匹配问题。 - **交付周期质的飞跃**:将原本长达数月的客户手动映射与上线流程转变为高度自动化的快速集成。 - **现场展台互动**:演讲者在 PromptQL 的 356 号展台继续与参会者进行技术探讨与商业对接。
## Notable quotes > [00:04](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=4s) 准确率是一个巨大的陷阱 — Rajoshi Ghosh
> [00:04](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=4s) 企业需要定制化 AI — Rajoshi Ghosh
> [02:09](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=129s) 查询 DRG470 的患者再入院率是多少? — Rajoshi Ghosh
> [04:25](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=265s) 这是我查了五张混乱的客户表得出的最佳猜测,但我不能完全确定。 — Rajoshi Ghosh
> [07:24](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=444s) 我们的数据太乱了,必须先花几个月清洗数据 — Rajoshi Ghosh
> [13:50](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=830s) 谁是我的 VIP 客户?其中有多少人存在流失(churn)风险? — Rajoshi Ghosh
> [13:50](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=830s) 我给出了答案,但该结果不可靠。原因在于:第一,我在你的数据中没有找到流失风险的官方计算规则,这是我自己假设的计算公式;第二,你的数据和元数据中没有关于 VIP 客户的明确定义,这也是我的默认假设。 — AcmeQL
> [16:12](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=972s) 创建一个自动化流程,读取最新导入的会员文件并将他们的账户添加到系统中 — Rajoshi Ghosh
> [16:12](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=972s) 可靠性受限,因为我是这样定义新会员的,这样可以吗? — AcmeQL
> [16:12](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=972s) 不,这不是我们的业务规则,我们平时不是这样操作的 — Rajoshi Ghosh
> [17:22](https://www.youtube.com/watch?v=tHS5Z3m2Pd4&t=1042s) 每个人都在向所有人卖产品 — Rajoshi Ghosh
## Mentioned Rajoshi Ghosh, PromptQL, AcmeQL, Ilya Sutskever, Dwarkesh Patel, OpenAI, Safe Superintelligence, Salesforce, DRG470, Text-to-SQL, RAG
## Video description Rajoshi Ghosh, Chief Ecosystem Officer/Founder, PromptQL
Abstract
Many AI agent projects stall after promising pilots because they can’t deliver the accuracy businesses need to trust them. This talk shares lessons from early enterprise deployments on why accuracy debt holds back adoption—and how leading teams are overcoming it by building AI agents that truly understand their company’s unique data, processes, and language. We’ll discuss why generic solutions often fail, share a practical framework for evaluating AI agents, and show how to design systems that deliver reliable, explainable results your team can count on.
[Source](https://www.youtube.com/watch?v=tHS5Z3m2Pd4)