企业已经买了模型、组织了培训,也有人做出了应用。接下来要回答的问题是:这些个人手里的新能力,怎样才能变成组织可以持续使用的能力?下面把三场分享放在一起,从一个具体场景出发,走到判断的沉淀与协作方式的调整。
先选一个能学会的场景
但今年我越来越觉得,关键不在于年龄,而在于谁掌握了 AI 没有的东西。AI 最后要在真实业务里交付结果,谁来判断,谁来把关?有经验的人,能把真实场景的判断跟 AI 结合起来,就有优势。[1]
那 AI 场景到底怎么选?第一要改变思维,从采购思维转成学习思维。优先级上有五条判断:第一,反馈够不够快?今天做得好不好,能不能一天内判断?像投广告,有效没效明天就能改策略,跟炒股一样,每天都是新市场。招一个人要一个月、半年后才知道好不好,那这事很容易凉。第二,频次够不够高?一年才做三次,你没手感。第三,后果选中等——最低的没人 care,最高的很容易做错,中等的最适合让 AI 切入。第四,一个人就能拍板,别搞太多跨部门。第五,一把手看得懂。我经常给老板们装一个炒股的 skill,他们立刻就懂了——因为有智能的反馈,他看得懂。所以典型的错误就是:别挑最重要的,别挑最容易的,别挑最全面的,也别让技术部门自己去调,而要挑学习链路最短的——今天一做,明天马上能感受到变化。[2]
选择反馈短的场景,并不是承诺它一定成功,而是让业务人员有机会尽快看见错误、解释错误,再验证修改。企业工作坊把这个选择进一步落实到交付要求。
智能转化率大概是这个意思:要让 AI 干好活,得先给它三样东西。第一,明确让它干什么、什么算好;第二,中间的“供料”——把足够的背景信息给它;第三,到底做得好不好,怎么验收。这三者是彼此扣环相扣的关系,少一个都不行。[3]
企业 AI 落地的难点就在这里:供料系统好比采购一台注塑机,是可以花钱买的;但“要做什么、什么算好、怎么验收”,往往只有业务部门和管理者自己心里清楚。这一前一后如果没有事先约定好,就特别难落地——就像招聘标准,不同人、不同企业的标准都不一样,很难有一套标准化的东西在 AI 时代做到百分百通用。[3]
把业务判断放进实际运行的过程
这组同学的工具搭起了一个框架,但打开一看,分析结果始终跑不出来。看了一下指出问题:这个应用里面还没有接入 AI 分析的 API,只要把这个 API 给它,它就会有分析能力了——现在这个状态,只是搭了一个框架,比较简单,没有接入 AI 的能力,所以看起来像个空壳,其实是一个只演示的框架,而不是真正具备分析功能的产品。[4]
另一组做的是简历/招聘评估工具,同样卡在“框架有了,但没有 AI 分析能力”这一步。把一段 AI API 的接入代码发给对方,说明:把简历上传进去,基于已经定义好的评估方法,加上 AI 的分析能力,最终就能给出一个评估结论。对方随手找了一份简历上传验证,效果确实跑通了。[4]
借这个案例把 AI 接入的逻辑讲得更细一点:AI 的逻辑就是,给它数据,用专家方法,结合它的 AI 能力去分析,给你一个结论;结论出来之后,你来判断这个结论对不对,如果不对,告诉它为什么不对,让它再学、再学、再学——这个过程很像带一个实习生。[4]
框架能够打开,和判断能够交付,是两件需要分别验收的事。功能接通以后,真实使用还会暴露上下文和流程上的断点。
有学员反映,换了另外一个品类进入资料录入页面后,显示的还是之前那个品类的信息,没有跟着自动更新。看了一下,判断这里是逻辑问题:系统默认取用的还是上一个品类的数据,所以换到新品类时,后面这些资料信息没有跟着刷新。[4]
建议直接把这个诉求原话讲给 AI:在新品项目立项时,输入一个新品类点击生成,需要让后面这些信息都自动更新一遍,这一步可以调用 API 能力去实现。确认了一下这个需求:其实就应该是录入一个品类,其他信息全部让 AI 自动生成,是这个意思吧?对方确认是的。总结成一句话——想要的效果,就是输入品类、点击生成之后,系统调用 API 的能力,把其他信息一次性给你。这类判断背后的逻辑,跟前面简历工具是一致的:给 AI 数据源和方法,让它给结论,再靠人不断矫正。[4]
这些现场问题提醒我们:组织不能只留下一个应用链接,还要留下它依据什么判断、什么情况下会出错,以及人是怎样修正它的。
所以企业要做好的,其实是把文档做好、把给每个人交代的东西讲清楚——这叫上下文。什么是上下文?很多人以为“我们公司数据很值钱”,我说你们的数据可能是坨屎——因为数据是死的,是一条条表格记录。企业的记忆有三种:流程记忆(SOP、制度,记的是“怎么做”)、数据记忆(ERP、CRM,记的是“做了什么”),这两种早就有;而判断记忆——“为什么这么定”——从来没存过。工业化让我们积累了流程记忆、数据记忆,但 AI 时代最重要的,是你当时基于这些数据,怎么做的判断。[5]
让能力进入组织,而不是停在个人演示里
还有一位产品经理,业余已经帮我们做了很多产品和应用,在自己的大组织里却做不了。因为对方说,这只是 demo,不能进生产,生产权限不给你。人和工具都强了,真正的业务却没有跟着变。[6]
组织原来把聪明人的脑袋串起来,是为了共同完成大事情。但串起来以后,内耗也会很大。群体不一定天然有智能,有时候反而不智能。那有没有可能,让 AI 帮我们把上下文、经验和判断更好地汇集起来?[7]
一边是个人已经能够做出来,另一边是组织尚未允许能力进入真实流程。两者之间,需要有人明确问题、提供上下文,也需要有人承担最终验收。
所以我给自己的定义是:真正的 AI 应用人才,是能把行业经验结构化,转换成 AI 可以处理的模型、工具和流程,再由自己像厂长一样监控它,让它产生业务价值的人。[8]
我说,大家都还在摸索。我也是积累了很多具体经验,像中医看一个场景,看到以后才比较好判断。不是说我现在已经有一套完全标准、什么行业都能直接套的方法。[9]
回到自己的组织,可以先把一个问题说清楚:准备把哪项判断交给 AI,依据来自哪里,谁来验收,错误怎样回到下一轮改进?先让一条真实业务链能够反复运行,再决定它值得扩展到哪里。若接下来需要把业务经验做成产品,可以继续阅读产品专题,进一步检查价值定义、判断方法与真实使用之间的关系。