一句话看懂：数据科学顾问 Nikhil Suresh 在一期播客中直言，AI 无法解决企业交付能力不足的核心问题。他基于多年从业经验指出，许多公司真正的瓶颈在 DevOps、利益相关者管理和基础开发上，盲目上 AI 只会加剧资源浪费与团队疲惫。
事件核心：发生了什么
在 No-Nonsense Agile Leadership 播客中，主持人 Murray Robinson 与嘉宾 Nikhil Suresh 讨论了他那篇标题尖锐的文章《I will fucking pile drive you if you mention AI again》。Suresh 拥有心理学与数据科学背景，2019 年 AI 热潮起时就发现大多数企业“想要机器学习，实际只有电子表格”。他曾在医院分析全澳救护车记录，尝试用 AI 自动标注涉毒、涉酒报告，最终发现 98% 的工作是 Web 开发，AI 部分退化为简单的关键词搜索。他称这种情况在多家企业反复出现：AI 要么只需几行 Python 代码，要么需要七个博士花五年研究且无人愿意投资。如今他创立的数据咨询公司明确拒绝 AI 项目。
为什么重要
Suresh 的观点击中了当前 AI 商业化中的结构性问题。大量公司高调引入大模型（LLM）或 AI 方案，却忽视自身数据基础设施与工程交付能力。他观察到，2019 年数据科学市场因底层基建太弱而萎缩，直到 ChatGPT 出现才重新回暖，但“废话含量”并未减少。当企业把“用 LLM”当作万能药去代替流程改进和产品管理，AI 非但不能加速交付，反而会成为团队内耗的源头。这种“先架模型、再改流程”的激进策略，正在被越来越多一线实践者质疑。
对用户/开发者/创作者的影响
对企业技术负责人来说，Suresh 的经历是一个警示：不要把 AI 当成组织管理缺陷的补丁。如果团队连按时交付基础功能都做不到，引入 AI 不会自动修复上下游协作、数据质量或需求变更问题。对数据工程师与 AI 开发者而言，他建议回归更“沉闷”的数据工程与流程优化，而不是追逐下一个热门模型。对独立创作者或小团队，这篇分析提醒：评估 AI 投入时应优先衡量自己能否先把核心产品按时交付出去。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
第一，目前公开信息显示，这位程序员的怒火在业界有一定共鸣：若销售与合作方持续以“AI 能自动化一切”为卖点，可能导致更多资方与管理者对 AI 项目产生信任度下降。第二，当越来越多一线从业者公开反思 AI 泡沫时，企业采购 AI 产品时的决策流程是否会变得更务实、更依赖结果而非概念？第三，真正有价值的 AI 落地案例往往隐藏在需要长期基础设施投入的领域——关注那些明确说“AI 只占项目 5% 工作量”的实干派，可能比关注纯模型演示更有参考意义。
