前段时间做了蛮多场企业AI培训，这一个月在休息做一些品牌项目，对前面的一些动作有些思考。
课程每次讲到工具、讲到 prompt 、讲到怎么把AI嵌入工作流，现场的反馈都很好，大家记笔记、拍照、提问题，气氛很热。
但课程一上完，跟公司负责人或者中层吃饭，一聊到更大的、体系化的落地，现场越热闹，我心里越不安。
工具层面的东西，怎么用AI提效、怎么做 skill 、怎么把提示词变成可复用的系统，相较于去年，今年实现成熟了不少。
但真正把AI嵌入一整条业务线、改掉企业运转方式的系统性落地，我自己也没见过太多真正跑通的案例。
而企业这边，需求越来越具体。
“能不能帮我们做一个定制化的AI工具？能不能把我们公司这一块的业务流程完全AI化？”
跟技术朋友聊，从实现原理上看，好像没那么难。但真正好用的、在企业里跑出来的，确实也没看到谁做出了一个特别好的东西。
带着这个困惑，最近请教了很多人。做技术的、做企业数字化转型的、做产品的、在甲方踩过坑的，聊了很多。
这篇文章，是把聊完之后的一些思考整理出来，跟大家分享。
首先，如果想把企业AI化这件事想明白，大概有几个层面需要想清楚。
一、战略层：你需要AI帮你解决什么战略问题
战略这一层，我自己的高度没到这个位置。之前给企业做培训，更多想的是怎么落地、怎么选场景、怎么用工具。战略这个话题，觉得离自己有点远。
前阵子跟一个专门做企业研究的老师交流，喝东西的时候聊到这个话题，他分享了一个观点，我觉得挺有意思的，也分享给大家。
他说，很多企业喊 All in AI ，但如果你问他“你的AI战略是什么”，大概率得到的回答是“我们要全面拥抱AI”“我们要让全员用上AI”。
这是一种口号，不叫战略。
战略要直面的问题是： AI跟我这个生意到底是什么关系 。
他的一个判断是：企业跟AI的关系，大概有三种。
这三种不是类型标签，是一个光谱。大多数企业可能同时踩在光谱的两三个点上，但总有一个是你目前最真实的位置。
第一种：我需要AI帮我活下去
业务的外部环境在变。客户要求越来越快、价格越压越低，交付标准也在抬升。人力成本在涨，服务价格涨不动，利润空间一直在缩。
AI在这里解决的是一个基本问题：怎么用更少的资源维持现有的服务水准。
第二种：我需要AI帮我跑得更快
企业运转没问题，但产能有天花板。
团队的规模决定了产出的上限，而扩大团队又意味着管理成本和试错成本同步上升。
AI在这里解决的是一个效率问题：在现有组织规模不变的前提下，怎么把产出和响应速度拉上去。
第三种：我需要AI帮我做原来做不到的事
企业手里有一些机会，可能是新的业务方向、新的客户群体、新的服务形态。
但以前因为人力或技术的限制，始终没有能力去碰。AI把这个门槛降下来了。甚至有人已经用AI重新定义了自己的产品和服务形态。
AI在这里解决的是一个能力边界问题。
三种关系可以同时存在，但必须分主次
求生存的，要精准算账。先找一个环节，算清楚AI介入能省多少。
求速度的，要宽松试错。先大量跑实验，看AI在哪些环节能明显加速。
求拓展的，要找准切口。先找一个“原来做不了但现在有机会”的方向。
优先级不清，动作就打架。什么都想做一点，最后什么都没做透。
但不管是哪种关系，有一个东西是共同的：投入。
有些公司喊 All in AI 喊得很响，结果连基础的AI应用都得员工自己掏钱买会员。这种事现在也是一个迷思。
二、业务层：先改哪个场景？
战略方向想清楚了，接下来就是动手了。
但动手之前，第一个问题就卡住了很多人：先改哪个业务？
这个地方特别容易犯两个错。
第一个是一上来选一个很大的场景，想做“全流程AI化”，这多少夹杂一点「政绩导向」。
第二个是选一个很炫的场景，方便展示，但跟主业务关系不大。
我自己对于场景优化这件事，有一个很朴素的标准定义，四个字： 真痛能见 。
“真”：这个痛点是一线真实存在的
不是会议室里想象出来的。
如果你是一个老板，选场景之前，先去业务一线跟三天。不是访谈，不是发问卷，是跟着干活。
你跟完才知道，哪些痛点是真的，哪些是坐在办公室里想象出来的。
“痛”：它真的在影响业务
它要真的影响业务效率、客户体验或交付质量。
不是“有点不方便”，是“这里真的卡住了”。
“能”：AI当前的能力确实能介入
它不需要等两年。
这里就需要你对于AI的边界有充足的认知，或者你看到了真实可跑的案例。
“见”：做完之后效果可见
改前改后，执行人要有切身体感。
不能只是PPT上的一行指标。
四个字缺一个都不行。
“真”但不“痛”的难推动；“痛”但不“能”的硬做实现不了，很容易挫败；“真痛能”但不“见”的，很难跟领导汇报，说不清到底有没有用。
还要分清：流程问题，还是判断问题
流程问题，步骤固定、输入输出明确，AI介入的确定性高。
判断问题，每一步都需要结合上下文做取舍、需要凭经验拿主意，AI只能辅助，很难直接接管。
拿内容、营销行业举个例子。
内容生产，比如产出电商素材，这类事情已经算是确定性比较高的了。之前也做过很多 skill 给大家讲解过，跑得通。
但写方案这个维度，目前还没有特别好的解决方案。
因为方案本身的影响因素太多，没有办法彻底归因；同时这个行业非常依赖个人的经验积累和对整个行业的判断力。
你很难把这种需要人大量做决策的业务，通过原有的 SOP 拆分，就交给AI去完成。
所以选场景的时候，先问一句：
这个环节靠的是执行力，还是判断力？
靠执行力的，AI可以大胆上；靠判断力的，AI做辅助就好。
最后一个感受是：目前急迫的点，不一定是最适合AI化的点。
人手已经扛不住的环节，恰恰最没有容错空间。AI化试败了，业务直接崩。
AI化是在有余力时做的投资，不是在快撑不住时做的赌博。
三、技术层：真正卡你的，可能不只是模型
场景选好了，接下来就是技术了。
这一层，我要先承认一件事。
去年到年初给企业做培训的时候，我把技术这件事想得太简单了。当时更多是在讲怎么用模型、怎么写 prompt 、怎么调工具。
给人的感觉是，只要你掌握了这些，AI就能在你的业务里跑起来。
后来了解得越深，越觉得当时的认知是有偏差的。
最近读了一本书，推荐给大家：洛小山老师写的《Alice工程方法论》。
Alice 是一款桌面AI Agent，这本书讲的是构建这个Agent背后的设计哲学和工程思考。
有意思的地方在于，它虽然是做一个Agent产品的经验，但里面涉及的问题，恰恰也是企业构建AI系统时会碰到的问题：
- 上下文怎么管理
- 记忆怎么分层
- 工具体系怎么设计
- 权限怎么分级
- AI的行为怎么观测
如果做一个桌面Agent产品都要考虑这么多层的问题，企业内部要做系统化的AI改造，复杂度只会更高。
一个窗口装不下真实业务
大模型有一个客观局限：上下文窗口有限，注意力机制会稀释关键信息。
这两个东西直接决定AI能不能在真实业务场景里稳定产出。
当AI真正放到业务里跑，你会发现：一个窗口的上下文装不下你要给它的所有信息，注意力也很难对准最关键的那部分。
如果还有人跟你说“把资料一股脑喂给AI就好了”，可以判定他没真正做过落地。
窗口局限是第一步，而数据收集、整理、清洗、打标也是难题。
很多企业也有数据欠账。客户资料散在五个地方：CRM里一份、飞书文档里一份、销售个人的微信聊天里一份、Excel表里一份、还有一部分只在员工脑子里。
你要让AI理解业务，先得把这些数据汇总、清洗、结构化。
这件事本身就是一个巨大的工程，而且不是技术工程，是组织工程。
当然不必等数据完美再开始，只不过这些都是我们需要直面的局限。
系统要能退回安全状态
从 Alice 的方法论里，还有一个设计哲学叫“可丢弃组件”。
每个组件都要能独立替换，删掉它系统不崩，只是质量下降。
这个思路搬到企业AI化里同样成立。
不要赌一个方向，要确保任何一个环节出问题都能退回安全状态。
所以回到开头的那个观察：技术从原理上好像都能实现，而放在企业里要考虑的东西就不只是技术了。
四、组织层：最难的不是技术，是人在恐惧
四层里面，这一层可能大家感受最深，但又比较少人提的。
培训的时候，我注意到一个很有意思的细节。当我演示一个简单的AI工作流时，去解决某个小问题，并没有太高深的思考，写好判断规则就好。
而相关的中层管理者经常会主动跳出来强调：“这个事情里面还是有很多细节判断的。”
当然会有 know-how 存在，但有一些部分的 know-how 是可以被定性的。
培训多了想明白了。这句话翻译的意思其实是：
你他娘的别砸我饭碗。
能理解。
世界是个草台班子，大多数人只是想在这个工作上做得久一点、拿到该拿的报酬。
你突然告诉他，AI能做他70%的工作，他的第一反应一定是防御。
而中层更甚。恐惧是有道理的。
因为中层的工作大量是信息搬运和进度协调：把一线的情况总结给老板，把老板的意思翻译给一线。
其中再夹带自己的一些「行业认知」和「信息差」。
公司想沉淀能力，员工想保护能力
这个部分没有什么结论，但可以结合最近发生的这两件事一起看。
一些大厂剧烈裁员，一减就是几千人几千人。
领导者的判断，可能是看到了未来格局，选择矫枉必须过正，用剧烈动作强制整个组织进入新的状态。
但留下的人会怎么想？
他们会更不敢交出真本事。
关于“蒸馏员工”的讨论也是同一个逻辑。
公司想把能力从人身上转移到系统上，让能力不跟着人走。员工的反制是什么？
“我有两套 skill ，一套交给公司被蒸馏，一套留给自己。”
交出去的是可标准化的部分，真正值钱的判断、关系、直觉，留在自己脑子里。
这是求生。跟公司裁员是同一个逻辑：大家都在做对自己最有利的选择。
但如果只有博弈没有信任，AI化就会变成一场军备竞赛。
公司裁员保护自己，员工藏 skill 保护自己，双方都输了。
五、那到底怎么做？
说了这么多困境，回到一个更实际的问题：如果今天就要动手，应该怎么做？
接下来的部分，如果你真的要让公司动起来，分两条线说。
中小公司：老板亲身入场
我给中小公司的建议一直很直接： 老板自己先上手 。
选一个你自己最熟悉的业务环节，用AI重做一遍。
不需要立项，不需要等IT排期，今天想到今天试。小公司最大的优势就是快，这种速度本身就是竞争力。
可以拉一两个业务负责人一起做，但你自己要真的在干。
跑通的人，掌握了“怎么用AI重新做这条业务线”的能力。这个能力在同行公司里很值钱。
如果你让下面的人跑通了，他自己会想：“这东西我自己就能干，我为什么还要给你打工？”
跟人品没关系，是利益结构问题。
你的公司是你的，你跑通的东西沉淀在自己的组织里。核心判断留在自己脑子里，才安全。
找对人，操作步骤其实很简单：
- 定场景
- 拆步骤
- 找实现手段
- 然后才是工具、提示词、
skill、搭工作流
大公司：找“有痛感的孤岛”
大公司的情况更复杂，因为我自己接触的大企业合作里面，跨部门的配合、多系统的耦合、组织惯性，这些都是小公司不会遇到的复杂度。
跟做企业数字化的朋友聊了不少，以下是我的一些判断。
大公司不能靠老板一个人干，因为老板碰不到一线。也不能靠全员推广，因为阻力太大。
一个相对可行的路径是：找一个“有痛感的孤岛”。
也就是一个相对独立的业务单元，它自己有明确的痛点、自己的负责人有动力、跟其他部门的耦合度相对低。
让它自己先跑起来。
跑通了之后，这个孤岛变成全公司的参照物。
别的部门来看“他们是怎么做的”，根据自己的情况去调。
但推广的不能是一套方案。每个部门的工具、数据、流程都不一样。
真正能推广的是一套方法：怎么发现场景、怎么试、怎么验证。
负责人必须得到足够的激励和足够的保护。
跑通了有回报，跑砸了不背锅。
无论公司大小，有一件事是共同的
前面试了、跑了、有效果了，接下来要做的是把这套东西变成更多人能用的。
不是每个人都要从零开始摸索，而是把已经验证过的 prompt 、 skill 、工作流沉淀下来，变成团队共享的资产。
以及，组织要给试错留空间。
跑砸了的那个人，对绩效能不能没有负面。
最后
聊了这么多，最后一个观察作为结尾。
AI会倒逼企业重新理解自己。
到底靠什么活下来的？业务在市面上靠什么竞争？
过去一个品牌活下来，各有各的路。有的靠独特的审美，有的靠产品力，有的靠渠道优势，有的靠成分和配方。
放在未来，大多数企业想要活下来，AI能力可能也会成为一个必备的竞争因素。
它已经不单单是一个降本增效的问题了，它是这个时代的关键竞争力壁垒。
这篇文章是我此刻的认知。可能半年后有些判断会变，但有一点我很确定：
AI化这件事，越早开始想，越早开始试，哪怕试错了，都比站在场外看要强。
因为真正跑过的人，和只在旁边看的人，看到的东西完全不一样。
