构建了一个能起草销售演示文稿的AI代理。销售代表们直到能看到它为什么选择每张幻灯片后才开始使用它。

这件事让我明白，采用问题与模型问题完全是两码事，而我一直在解决错误的问题。构建过程：一个销售团队花费大量时间将通话记录和CRM数据转化为针对每个潜在客户的定制演示文稿。我构建了一个代理来完成这项工作。它读取交易背景，决定故事线，生成符合他们模板的销售演示文稿草稿。从技术上讲，它运行得很好。演示文稿质量也不错。但连续几周几乎没人使用它。当我终于和一位销售代表坐下来交流时，发现问题不在于质量，而在于信任。代理生成了一份完整的演示文稿，但销售代表完全不知道它为什么选择那些幻灯片、去掉那个异议、用那个案例作为开场。因此他们不敢在潜在客户面前使用它，而是回去手工制作演示文稿，至少这样他们知道每个选择都是自己的。真正让它被采纳的原因与模型无关： - 代理现在会展示其推理过程，附上一段简短的“为什么这样设计演示文稿”的说明。为什么选择这个框架，为什么选这三个证明点，它遗漏了什么以及为什么。销售代表花30秒读完，要么信任它，要么修改某个部分。 - 每张幻灯片都可编辑，代理会标出它最没把握的两三张幻灯片，这样销售代表就知道该把精力花在哪里，而不用重新检查所有内容。 - 它不再把自己呈现为最终版本。明确声明“这是附带推理的初稿”，仅仅这个定位就改变了人们对待它的方式。使用率从几乎没人变成了团队大多数成员都在用，而我完全没有改动生成质量。同样的演示文稿。区别在于让代理的决策可见，这样人类才能为其背书。 我不断重新学到的教训是：对于任何需要人们署名负责的东西，一个展示推理过程的代理，胜过虽更强大但如同黑箱的代理。你在哪些地方发现可见性比原始输出质量更重要？你会展示多少推理内容而不至于变成噪音？