做企业AI的人，真实工作可能跟大家想象得完全不同。
外面讨论的是 Agent、MCP 和大模型，真正进入企业以后，从业者面对的却是 Excel、CSV、照片、手搓 API，以及永远对不完的数据口径。
一位从业者说：
数据在 SaaS 里？这么好？我们都在 Excel、txt、CSV 还有照片里。
AI 项目的第一步，可能不是调用模型，而是先找到数据到底存在哪里。
一、数据不在SaaS里，在Excel和照片里
客户资料在 CRM 里，销售记录在 Excel 里，产品信息散落在文件夹里，还有一些资料只存在聊天记录和照片中。即使把它们全部找出来，也不代表能直接使用。
二、比找数据更难的，是统一口径
接下来还有更磨人的工作：统一口径。
销售部门说的"成交"，可能和财务部门统计的"收入"不是一回事；广告后台记录了线索，CRM 却没有对应客户；上游只要修改一个字段，下游报表和自动化流程就可能全部失效。
有人形容自己的工作是：
名为开发，实则做报表，天天求上游对数据口径。
三、手搓API和两年建不完的数据仓库
还有人在负责企业AI转型时，无休止地手搓 API。好不容易把数据接进来，业务口径又变了，只能重新调整。
一家传统零售企业，仅付费媒体的数据仓库就持续建设、修改了两年。银行里也有人从 Python 调用 API 和搭建数据湖开始，希望把原来依赖 Excel 手工处理的流程一点点整理出来。
四、不够"AI"的工作，才是真正的工作
这些工作很少出现在AI项目的宣传里。
因为它们没有酷炫的演示效果，也很难用一张截图展示价值。多数时候，从业者只是在清洗数据、修复管道、检查权限、追问指标定义。
五、比技术更难的，是组织问题
更麻烦的是，有些问题根本不是技术问题。
谁有权限拿到数据？哪个部门愿意开放接口？指标应该听谁的？流程出错以后谁来负责？
即使是大型企业，也可能找不到统一的数据来源。数据模型没有理清，项目还会继续受到部门权限和内部协作的影响。
所以，企业AI落地最容易被低估的，是这些不够"AI"的工作。
它们枯燥、劳动密集，也未必有成就感。但数据找不到、口径不一致、权限没有打通，Agent 生成得再快，也很难进入稳定的生产流程。
总结
如果企业准备启动一个AI项目，可以先拿一个具体业务问题检查：
数据在哪里？口径由谁确定？多久更新一次？出错后谁负责？
这四个问题有了明确答案，再讨论模型和 Agent，项目才有真正上线的可能。