AI、业务与场景,怎么落地

我们的时代到来了

训练营,不是培训课堂

主持人简短介绍后,把接下来三个小时交给了邱懿武。各位老朋友、新朋友好,有两年没见了,这两年 AI 发生了很大的变化。年后跟一位高管碰面时说过,拿自己公司来说,现在几乎每个人都在深度使用 AI,可以开发各种各样的项目。这个下午,先花半小时更新一下 AI 最近的进展,再讲下午的安排。

我们的时代到来了

去年过年前,拉着公司的一些人开了个会,画了几张图。第一张图,说“我们的时代到来了”。前两年都是 AI 的基础建设,但今年一月,AI 的应用已经比较完整了。这里面有一个重要突破——一款 AI 编程智能体式的架构出现了。当时画了三幅图:一个是 skill,它解决了企业落地 AI 最后一公里的问题,让 AI 变得很懂你,本质上是一种文件格式,像一份操作说明书,可以理解成一份文档。

第二个是 AI 编程的能力已经变得非常成熟,成熟到今天哪怕是小朋友都能用。今天的 AI 编程不是编程,是语文——只要能表达清楚思路和想法,就有一群超级厉害的“开发人员”(也就是 AI)帮你把想法做成各种数字化工具。第三个正是这一款 AI 编程智能体式的架构,它长在每个人生活最贴近的位置。三者合到一起,真正的 AI agent 时代到来了。AI agent 的定义是“能力的调度系统”。这跟一位做工厂的朋友讲的逻辑很像——今天的 AI 就像一个自动化工厂,只不过是“脑子”的自动化工厂,只要拉足马力让它不断干活,能产生的商业价值就会非常大。

商业化跑得最快的例子:短剧

这几年 AI 商业化做得最好的行业,是短剧,因为它的商业闭环特别快。投资拍一部短剧,在平台上一分发,可能几十万的制作费,带来上千万的回报,当然现在也卷起来了。原因就是短剧的制作调度已经可以做到全自动化,跟办工厂一样。

从“向程序员低头”到“产品型工程师”

这几年要面对的问题是:把这样先进的生产力放到什么场景里,才能产生大的价值?公司人不多,二十个人左右,一半是技术,一半是设计或者说业务人员。前两年,大家都是向开发人员低头的,基本都是 00 后,因为只有他们掌握写代码的能力,能把 AI 调度好。经常还被他们甩脸色:你自己怎么不会?你自己去学呀。

写代码原来是一个非常专业的能力,但从去年年底到今年年后,业务人员也开始能用会写代码的 AI 做出各种应用,一个新世界完全打开了。今年大概熬了一个月的通宵,每天都有做不完的事,能开发出很多过去做不出来、或者要交给别人做的应用。所以在 AI 的新世界里,最需要的是“产品型的工程师”——最好懂一点调度,又懂一点业务,因为了解业务知识,才知道怎么给 AI 下判断。

AI 进化有多快

ChatGPT 出现之后,把 AI 理解成昨天的 AI、今天的 AI 和明天的 AI,不能把它当一个静态的东西看,而更像一个人的成长。业界有个指标叫 METR:让 AI 独立完成一项工作,对应人原本要花的时长,只要准确率在 50%以上,就算达标。到今年,大概是程序员半天到一天的工作量,AI 已经可以一次性较好地完成。程序能力还在突破,大概到 2030 年左右,一个月工作量的任务,AI 也能自动跑完成。

举个例子,医药领域会发生很大变化——个人的判断是,人类二十年内攻克癌症是有可能的,因为癌细胞是一个可以明确求解的问题,用暴力计算加仿真就能找到结果。以前可能要成千上万的博士去做这件事,现在博士的工作被 AI 化之后,求解效率会快很多。放到日常工作里,AI 已经不只是问答,而是可以做“长线任务”了,而且大概每隔几个月能力就翻一倍。行业里不少人在说 AGI 已经到来,三年之内,AI 的智力总和很可能超过所有人类加在一起。这意味着,跟 AI 拼智力,已经拼不过了。

AI 给企业和个人的三个价值

这几年想清楚了三件事。第一,今年最直接能看到的价值,是把 AI 当成一个几十万年薪的程序员乘以一百个人来用,做数字化工具,降本增效。以前企业上一套大系统,要花很多钱;现在做一套类似的系统出来,已经没那么难了,每个人都能借助 AI 做数字化工具。这也是今天下午工作坊的重点——大家用编程工具结合自己的场景,一两个小时应该都能做出比较像样的 demo。

第二,企业最大的成本其实在于决策、沟通、判断。企业本质上是花钱买了大家的脑子,也顺便买了身体——身体要吃要喝要发工资,人和人之间沟通还有思维隔阂,为了找到好的决策依据,大家得来回扯皮。如果这些沟通和判断的记录都被 AI 很好地理解,它就能帮上比较好的决策。团队里就有变化:以前该吵架的时候,现在不吵了,而是把刚才聊的东西丢给 AI,结合上下文帮忙分析一下。这个方向比较难,但值得朝这个方向走——让组织本身变成一个智能体,像一个大脑一样。

第三,对个人来说,是探索“未知的未知”。人有很多不知道自己不知道的东西,但有一个足够强的助理之后,这两年探索了很多原本不知道存在的领域,过程很爽,对每个人的成长都很重要。

怎么挑场景

生产力公式:算力、转化率、场景

大概二十几位同事已经提交了自己的场景。AI 时代和过去买软件不一样——以前买软件,最好是别的企业已经用过、验证过,买回来直接用;但 AI 时代,可以总结成一个公式:生产力等于算力乘转化率乘场景。算力有点像用电;转化率是这度电用得好不好,有没有机器设备和人配合去用;场景则是是不是用在了对的、有价值的地方。这几年算力已经是花钱就能买到的事,难的是后两件——转化率和找场景没做好,光有 AI 工具意义也不大。

怎么挑场景:先把判断点拆开

找场景这件事,拿招聘举例。企业说“招聘”是一个场景,但站在 AI 的角度,得先把里面的判断点拆解出来。比如:看简历、评估要不要进面试,是一个判断点;面试完给评价,是第二个判断点;面试完决策要不要发 offer,是第三个判断点。招聘这一个场景里至少有这三个细分的判断点。

挑场景的优先级,建议是:先看做错了的失误概率和后果有多大,不要挑最高的,也不要挑最低的,挑中等的。太低,大家做错了也无所谓,不会被重视;太高,压力会特别大。中等的往往是最好的切入点。

借自动驾驶的 L1 到 L5 看“交棒”

还有两个维度,借用自动驾驶的分级来说明——把智能判断交给机器的比重,从 L1 到 L5。L1、L2 是人主导,AI 提供一些辅助资料,方向盘还得自己拿着;L3 是限定条件下(比如城市高速)可以坐在那,但人要随时监管;到 L4,基本可以放手,把判断权交给 AI;L5 是全场景无人化。自动驾驶里 L3 最危险,因为这时候到底是人主导还是机器主导很容易乱。分水岭其实在 L4——L4 是交给机器判断,L3 之前都还是人在做判断。

比如做大规模简历筛选,把某个岗位的要求给 AI,它本身就能做匹配,当前能做到 L4,理论上限也是 L4,而且哪怕做错了,也能找出背后的规律来复盘。但像面试判断错了、offer 发错了,这个人可能要等半年才会反应过来,代价就完全不一样。所以选场景时,除了失误概率和后果,还要看它当前和理论上限能做到 L 几、有没有硬约束,以及谁来定验收标准。

智能转化率:三件事彼此扣着

这里会提到“智能转化率”,跟生产里的良品率很像。原来把它理解成木桶的短板效应,后来发现更像良品率的连乘——比如三个环节各打八折,连起来良品率就只剩一半左右了。

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。

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。

普及期、高手期,还是直接冲进核心场景

企业 AI 大概可以分几个阶段。第一是普及期,大家都会用一用——用模型、用工具、做知识库、做会议纪要,这个阶段是让大家体会到 AI 带来的变化。但要往前走,得进入高手期——组织里会涌现出几个用得特别好、能玩出各种花样的人,值得去看他们在哪些场景里实现了突破。

如果不往高手期走,很容易就停在普及期。到了高手期之后还有一条路,是前几年也踩过的坑:觉得 AI 很好用,马上把它放进最核心、最高密度的场景里,结果反而会发现 AI 做得越多,大家越头疼——它给出的结论看着有道理,却好像没懂业务,有点像让一个实习生直接冲进董事会发言,说得头头是道,但不懂公司实际情况。这样只会加速犯错。最终的目标应该是像培养一个实习生一样,把他变成正式员工,让他自我成长、循环起来——这也得一步一步来。

从这几个维度看下来,今天对企业来说,算力已经不是问题——花钱就能买到全世界最好的模型。真正重要的是后面两件事:用得好不好,以及用的深度有多少。

用真实数据做的两件事,与 Skill 方法论

用真实数据做的两件事

结合这个思路,周末做了两件事。第一,把大家提交的场景都看了一遍,用自己设计的方法论打分,评判哪些是“快赢”的场景——一做就比较有效;哪些顺手做一做也可以,但价值没那么高。二十几个案例先做了一遍分析。

第二,让 AI 把这家企业作为上市公司披露的所有公开报告都通读一遍,再基于这套方法论帮忙推理,按照大家的职能,哪些场景可能比较值得做——这些是 AI 推理出来的建议,打了分,放到了网站里,大家可以对照自己的岗位看看是不是匹配。有了这个之后,就可以进入开发环节了。

还做了个有意思的东西:把跟 AI 聊过的所有内容整理成一个“上下文包”。大家跟 AI 聊的时候,如果它不太了解这家企业,把这个包丢进去,它对这家企业的了解可能比在场很多人都更细——因为让它通读了大量这家企业的公开报告。基于这些资料,问 AI:如果是小家电的部门,应该做哪些应用比较好?它给了建议,于是下午花了一个多小时,把其中一个做成 demo。它建议做一个一线员工入职材料核查的小助手,聊了几轮细节,然后说“帮我做出来吧”,十几分钟就做出了一个小工具——员工入职登记时,哪些材料交了、哪些没交,一目了然。这个具体流程不算特别懂,一线 HR 应该有更专业的判断,但理论上,一个懂招聘的人,今天下午就可以做出一个比这个更专业、更贴合这家企业实际的工具,做完当天就能用,好不好第二天就有反馈。

Skill 是什么:把工作经验做成文件夹

再讲讲 skill。可以理解成把工作记录和工作经验做成了一个文件夹。昨天就做了一个:考虑到不少同事不熟悉程序触发逻辑,但跟 AI 聊项目管理、聊文档分类时,总得让它记得聊到哪一步了,把这个难点告诉 AI 之后,它帮忙开发了一个 skill,取名“有谱”。

一个 skill 大概是这么构成的:最先加载的是一个说明性的小文件,相当于让 AI 快速了解这个文件夹是干什么用的;然后它会去读 SKILL.md,有点像一份岗位说明书——这个事情核心是什么,该做什么、不该做什么,以及标准案例是什么样的。再往下是“资产”部分,一个会不断更新的模板——聊天过程中做了什么决定、下一步要做什么、每次对话产生了什么,都会像一个秘书一样帮你记录下来。

有了这个之后,大家下午也可以练一个自己的 skill。还做了一个“开发管理 skill 的 skill”——类似于一个 HRD 的角色:假设 skill 是员工的技能,那 HRD 要解决的问题就是招聘、提升、培训、考核这些技能。基于这个思路,插件里点一下,让它把刚才沟通中好的经验沉淀下来,它就会分析出有哪些成功经验值得留存。比如让它总结“企业 AI 场景从 demo 到共创”这个技能,它会调用前面那个类似 HRD 的能力,反过来锻造自己的技能,总结完就是一份岗位说明书。这份说明书未来会变成企业之间能力相互调用的资产,基于它就能做很多复用。

人机协作,八条心得

人机协作,我的八条心得

最后分享几点跟 AI 合作这么久,提炼出来的心得。

第一,不要一上来就让它干,先把问题聊透。比如 HR 招聘这件事,先跟它说清楚背景是什么、为什么要这么做、以前是怎么做的,再问它“如果要这么做,应该怎么做比较好”,不断跟它聊,把它的智能逼出来。认同了它的方法之后,再让它做,速度会很快,做完了也方便调整。

第二,动手之前,先让它写个计划——第一步、第二步、第三步大概怎么做,自己审核一遍觉得差不多了,它做出来的准确率会更高。

第三,把它当下属对待,不要当工具对待。做得好就鼓励,做得不好就直接批评——你不对、你对、你很好,要说得很直接。只有这样,它才会更理解判断的标准,甚至可以适当“PUA”它,“你再努力点、再加油、再想一想”,效果反而更好。

第四,做得差不多但拿不准的时候,让它自我学习、自我增强。比如问它:一个验收标准很高的管理者会怎么验收这个项目?让它先想清楚验收标准,再对照自己纠偏。看到别人做得好的项目,也会直接丢给它,让它先学一遍,告诉哪些该学、哪些不该学,判断合理就放行。

第五,阶段性放权,可能会有惊喜。大概到六十分到七十分,判断它已经比较了解在做的事情之后,会经常说“加油,你再努力”,不管它提得对不对,连着来个十几次,过程中常会发现 AI 给出的东西超出预期。当然放权之前会先告诉它,别破坏前面做好的部分,在另一个版本里去尝试。

第六,因为对话聊起来容易碎,可以借助项目管理类的技能包,把它整理成结构化的文档——文档指标写得越清晰,AI 理解得越好。

第七,专业的词汇会激活专业的能力。比如直接问它“这个产品的用户故事是什么”“帮我模拟一下某个角色使用这个产品的感受”,把专业名词给它,它也会变得更专业。

第八,一个项目文件夹里可以开多个对话、并行给它布置多个任务——现在 AI 做一件事可能要花上一个小时,不是网速慢,是它真的在干活,所以完全可以多线并行,开发速度会明显加快。

分组实战的几个片段

下午怎么安排

下午的安排大致是:把账号密码发给大家,打开平台后大家马上体验最新的 vibe coding 能力,不要简单地跟它对话,而要把它当员工一样去指挥。傍晚提交作品,相互打分,选出得票靠前的几组上台路演,最后颁两个奖:一个是大众最受欢迎奖,投票最高的那组;还有一个由这家企业的一位领导来提名他认为最有潜力的项目。

环境插曲:先解决登录,再谈开发

课程进入实操环节,现场先花了一段时间搭工具环境:每人开一个账号,在一个类似聊天窗口的界面里新建项目文件夹,把提前整理好的两份“上下文资料”——一份是关于这家企业 AI 应用场景的背景总结,一份是团队现场碰撞出的补充信息——丢进去,让 AI 先理解这堂课要解决的问题,再动手做。

现场一度被网络和账号登录问题卡住,折腾了一阵子——工具打开慢、CDN 加速、密码反复输入不成功、账号要排队等——花了不少时间才陆续恢复,大部分学员先用公共账号顶了一阵,再逐个换成自己的账号。期间也有人提到,真要处理公司内部比较敏感的数据,还是得走私有化部署这条路,不能直接用公共工具跑。

报价系统实操:一次意外的示范

搭环境的间隙,顺带讲了一个小插曲。前两天有人找邱懿武报价,以前都是用 Excel 一项项算,那次想,这个事好像也可以交给 AI,把报价逻辑跟它讲清楚,它就直接帮忙写出了一套报价系统——第一个客户报完之后,后面的客户就像点菜单一样直接选。这也顺手成了下午的一个现场例子:很多手工表格式的判断,今天都值得试一试交给 AI 打个底。

把人工判断变成 AI 辅助流程

现场讨论到一个具体场景:有一类工作现在是靠人看表格做判断,比如某个环节要核对数据、判断对不对。如果把这类判断标准讲清楚喂给 AI,下一次同样的数据交过来时,AI 就可以先把判断过程做一遍,人再去确认结果,而不是从头自己核对一遍。顺着这个例子,提醒大家找场景的方法:先回头看自己日常工作里有哪些是经常要重复做的事情,这些重复性的判断或整理工作,往往就是最容易先落地的切入点——原来可能需要一个专职岗位来做,现在这部分工作可以先交给 AI 打底。

也提到一个观察:AI 现在真正专业、门槛高的能力还没打通,但很多通用能力已经在各行各业跑通了,AI 正在变成一种开发工具本身,这是今年 AI 最大的一个变化。不过最后还是要提醒一句:大家做出来的东西好不好,最终看的是有没有自己独特的业务理解,不是简单套一个模板。

从对齐思路到“看得到的原型”

这段是分组实战开发阶段,现场在各组之间巡场。大部分组的推进方式是类似的:先跟带教的同学把思路沟通清楚,确认得差不多了,就明确告诉 AI“要把这个开发成一个软件工具产品”,让 AI 再提一版思路。如果觉得思路可行,就让它先把这个东西开发出来——先做成一个看得到的东西,再基于用出来的问题给反馈、继续迭代。

提醒大家,这种小应用可以发布成一个独立的链接,叫“工具”也行,叫“应用”也行,叫“智能体”也行,本质上就是自己做了一个小程序,让别人也能直接打开用。

先做单品转化工具,再做看板

其中一组的方向是产品转化率诊断。团队讨论后定下节奏:先做单品转化的工具,后续再做多个产品转化的看板系统,按“方案 1+2”分阶段推进。要做的事情是:把链接后台的曝光率、转化率、销量等数据,加上团队现有的相关表格,交给 AI 自己先抓取、先分析,再形成相应的方案。

调试过程中一度出现“项目不要了、重新加载”的反复,属于正常的试错节奏——先加载一版,觉得不对就换一版继续来。

“AI 能力等于电表”

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。

当场把 AI 能力接入的逻辑讲成了一个比喻。

AI 的能力,你可以理解成电表。就是要挨家挨户的电表,接到你这个应用里面,它才能“充电”。

为了让这组的诊断工具真正跑起来,建议默认演示案例用一个大家熟悉的破壁机产品——最终确定用“某明星产品”(某款破壁机新品)的案例作为默认演示案例,功能一定要跑通,旁边可以留一个默认案例做展示,但核心是分析功能本身要真实可用。

简历评估工具:接入 AI 能力前后的差别

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。

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。

这跟带实习生一模一样,你告诉他做得对不对,多调几次之后,他就越来越知道你想要什么东西了。

API 本身就像一把通讯密钥:把文档加方法,通过这把密钥送过去,对方基于这两样东西分析完,再把结论传回来。现在用的 AI 开发工具,工具本身也要有 AI 能力才能分析,大概是这个逻辑。

竞品价格/销量监控爬虫踩坑记

另一组的项目是监控竞品的价格和销量。团队反馈:喂了一个网站给 AI,新增了监控销售和销量价格的需求,让它去抓、去对比竞品情况;结果 AI“啪啪搞完”给了一堆东西,打开全是代码,没看明白,只好又让 AI 把监控到的信息做成一个可用的应用。

调试中遇到的第一个问题是:数据没有抓全,有一部分没加载出来——判断是目标平台(京东)有反爬机制,部分页面被拦住了。第二个问题是团队原本要求 24 小时循环监控,但 AI 目前只是完成了单次抓取任务,要做到 24 小时轮询,还需要专门写一个循环脚本;好在这个脚本 AI 本身也能写,写完贴进去,系统里就带上了这个脚本,能力就补齐了。

关于反爬机制,讨论中提到一个“最土但管用”的备选方案:RPA 式模拟——像人一样打开网页,一页一页翻,一页一页把数据抄出来,速度慢,但基本都能抓到。有做电商的朋友过去自己写了几十个不同网站的爬虫脚本,以前写爬虫都要找程序员开发,现在这类脚本 AI 就能直接写出来。

网页正在替代 PPT 汇报

另一组在做的是策略文案/图文类工具,中间有人提出一个提醒:把同样的文案提示词直接搬到另一个工具上是没用的,因为对方并不知道说的“某明星产品”具体指哪个、提到的参照产品又是哪一个——模型能不能理解这个具体场景,往往才是难点所在,光换个工具、不把背景信息喂过去是不行的。

顺着这个话题,也分享了一个感受:自从 AI 写网页的能力变强之后,团队这一两年做 PPT 做得很少了,基本都直接开发成一个网页——网页里可以直接接入实时数据,汇报的时候读取过来就行,报价这些内容全都在同一套系统里出,网页就变成了 PDF 加 PPT 合一的逻辑。不过考虑到企业业务本身的颗粒度和复杂度比较高,细节上还是要反复打磨。

调试过程中也暴露了当前编程智能体的一个局限:它还没有生成图片的能力,目前更多是做策略和分析,智能程度比较高,但涉及配图时,画出来的其实是用代码画的 SVG 示意图,画不到很细。关于数据是否涉密,回应是:这次用的是一个独立的演示服务器,问题不大,但从长期看,企业内部最好还是要部署一套自己的 AI 工具平台,把数据留在内部。

部署方法:一句话生成可访问链接

还剩最后十分钟,提醒大家:如果页面做出来了,哪怕只是一个雏形,都可以先部署。方法很简单,跟 AI 说“帮我部署一下”,发过去这几个字,等一会儿它就会给一个链接,打开链接就能看到效果。还没搞定的,现场再一起看一下。

现场纠一个 bug:换品类后资料没自动更新

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。

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。

有学员打趣:以后一个人喝酒、一个人开发就够了

现场也有学员感慨,现在这类 AI 辅助编程工具,已经做到脑子里想什么,直接跟它说就行。有学员半开玩笑地问,以后做 IT 的初级程序员是不是都要失业了;也有人说,以后小朋友都能自己写游戏出来。还有学员打趣说,以后做渠道可能两个人就够了——一个人负责应酬喝酒,一个人负责用 AI 搞开发,“喝酒还是要喝的”,引来一阵笑声。

效率故事:开车路上想,落地就验收

现在也在用这个方式开发很多东西:想法定下来交给团队去做之后,开车的时候脑子里冒出各种新想法,就直接跟 AI 说,车开到地方,正好开始验收结果,效率确实高。现在开会也是这个节奏——上午大家一起讨论方案,下午就能拿出初版给到。建议把这类零散的能力沉淀成一个系统,让系统自动刷数据、自动分析、自动写报告。

真正的难点是业务理解,不是编程本身

现在 AI 确实相当于帮你完成了原本需要一个程序员投入很久的编程工作,但真正的难点,在于对业务的理解能力。就像早年上企业信息系统一样:假设是某位业务负责人,得先把东西讲清楚,这中间的沟通成本非常高——放到 AI 协作上也是一样的道理。

现场有一个组当场跑通了一个“产品转化率诊断工具”的案例,可以载入示例、上传数据。也有小组反映点击几个功能没反应,一问才发现是还没跟 AI 说清楚要输入什么,比如具体的 SKU 信息。提醒大家,做完系统之后,把 AI 的 API 能力加进去,就可以在一个独立网页里跑起来,比如给它一个产品后台的链接,它就能自动读取信息,不需要再重复描述一遍。

接下来把这个能力真正接成一个可复用的独立应用:先明确需求——网页里要有 AI 分析的能力,把对应的 AI 服务接口放进来,以后只要给一个链接,系统就调用这个接口的能力,结合之前定好的分析方法,直接给出结论。这样它就不再是“跑一次的案例”,而是可以反复复用的工具。

七组学员的方案

提交与团队互评

最后的时间用来提交部署好的作品,流程很简单:团队名字、成员名字、作品链接,加一句作品说明,提交之后就能在后台看到其他组的作品,大家可以互相打分。提交过程中也出现了一些技术插曲——有学员误提交了错误的链接,也有预览链接失效的情况,现场逐一做了排查和补提交;提交进度陆续同步,靠前的几个组被现场点名鼓励,还没提交的抓紧时间冲刺。也提醒大家,这次搭建的工具属于教学演示版本,后续如果要在企业内部长期使用,更理想的方式是把系统部署到企业内部,让所有数据留在自己手上。

第一组:新品立项评分工具

第一组的学员介绍说,团队日常需要评审大量新品立项书,每个项目都附带预测数据和卖点说明,评审人要逐项细看才能判断项目能不能继续推进,工作量很大。团队希望把这个过程工具化:把立项书信息导入后,让工具基于机会、痛点、差异化、价格带、渠道匹配、内容传播力、商业价值、开发可能性等维度自动打分,给出一个初步的成功率评估。

评分逻辑里会植入企业内部沉淀的方法论,并设定一些“红线”标准,比如卖点讲不清楚、只有参数没有用户价值、价格带竞争过于同质化等情况会被直接标记出来。团队还打算建一个内部的成功、失败案例库,让工具通过对照历史项目去学习判断的尺度。输出的是一份可行性评分、分析结论,以及风险点和改进建议,目前这个框架还没有完全做完,但方向已经跑通。

第二组:电饭煲外观创新工具

第二组做的是一个探索电饭煲、破壁机外观创新方向的工具。学员先把企业的某明星产品作为输入案例,让工具解读这款产品“紧凑、小巧、不占地”等核心外观要素,再把这些要素迁移到电饭煲品类上,尝试推演出不同的外观方向——比如类似咖啡机的抽拉式结构、小容量结构等,也参考了日式设计(比如没有上盖、厨房内嵌分体式的产品形态)做拆解。

工具会对每个方向打分,包括外观冲击力、外观差异性、量产可行性等维度,也可以输入某个已有品牌的产品,让工具分析这款产品外观好在哪里、差异性体现在哪里,是否值得借鉴到自家产品上。团队反馈,现阶段工具还只能输出文字方向拆解,没有配上效果图,直观性有限——如果能接入 AI 出图能力,会更方便判断某个方向是否值得深入尝试。

如果先把电饭煲品类的外观知识库整理完整,再叠加图像合成能力,这个工具会更实用。

第三组:生产线异常预警工具

第三组分享的背景是生产线上突发异常问题较多,团队希望做一个能提前预警和排查风险的工具。做法是把两张表格导入:一张是下一周的生产计划表,一张是历史上已经发生过的质量问题记录。工具处理后,一方面可以按责任归属做回顾,另一方面各班组可以按自己的产线和产品去查询潜在的风险点。学员提到,这已经是团队第二次跑这类应用,此前在企业内部一个轻量的智能体工具上已经做过验证,能够提前把生产线可能出现的问题识别出来。

第四组:新品维修率预测工具

第四组关注的问题是:新产品刚上市时销量往往很大,但维修反馈非常滞后,等真正发现质量问题时已经错过了最佳改善窗口。上市前几个月看到的维修率数字通常很低,容易让人误以为质量没有问题。

团队原来的做法是拿历史机型的数据手工建回归模型去拟合,工作量大、也不够准;更早之前甚至只能凭经验设一个基准值。这次尝试用 AI 来做:把历史机型按“全新平台”还是“常规平台”分类,分别设置风险系数,再把各机型上市早期的维修率数据喂给工具,通过这个统计模型去推算新品未来的维修率走势,从而在上市初期就能预警,而不是等实际数据爬升上去之后才发现问题。团队也提到,目前销售到维修的分配系数还只是粗略估算,后续需要持续微调。

上市前几个月看起来很低的维修率数字,可能只是问题还没有显现出来——这正是团队想用 AI 提前预警的原因。

第五组:物料短缺预警看板

第五组来自物控条线,背景是工厂生产执行过程中经常因为物料异常影响生产,现有系统里的数据实时性和时间颗粒度都不够。团队把未来一周的生产计划、交付计划和库存数据放进工具,让它列出所有产线里哪些物料在一周内可能出现短缺,并按满足率高低分成不同预警等级,同时按班组、按物料类别统计齐套率。

团队表示,现阶段更希望达成的目标,是把面向供应商的催货、交付计划加工这类原本要采购人员手工完成的工作,也交给 AI 来做,以此提高效率、减少人工投入。

第六组:OEM 核价工具

第六组分享的是一个 OEM 核价模型。学员说明,由于数据比较敏感,现场演示阶段没有导入真实的业务数字,只是先把模型框架搭起来。做这个工具的出发点是,OEM 业务量这些年持续保持稳定,核价工作量比较繁重,而及时性又跟不上战略市场的要求。

模型分三个维度去评价核价的合理性:自身的核算合价、战略市场的目标价,以及竞品的中位价,综合这三项来判断定价是否合理。团队计划后续把历史数据和准确性校正机制持续接入,让工具不断学习、逐步变得更准,最终目标是实现更及时、更有效的价格管理。

第七组:新品营销定位工作台

第七组认为,产品和推广开发完成之后、正式上市之前,往往缺一个“营销故事”——也就是对产品核心定位、核心痛点场景以及解决方式的一次系统包装,团队把这个工具定位为新品的营销定位工作台。

使用流程上,前期先录入产品名称、品类、目标价格带、上市渠道、上市时间和负责人等基础信息,工具会用 AI 自动补全相关资料,团队更希望这部分信息由人工亲自录入,只是在信息不完整时可以先让 AI 输出一版草稿再做修正。演示时团队用企业的某明星产品(一款破壁机)做示例:填入产品体积、功率、可使用场景、容量、清洗结构等参数,再设定目标用户假设(如都市小家庭、独居白领、新婚家庭、注重养生的人群)和使用场景假设(早晚想快速做豆浆、米糊、奶昔和辅食,但担心传统破壁机体积大、噪音大、清洗麻烦、占台面),并录入竞品资料(现场以两款头部品牌的对标产品作为参照,含各自的 slogan 和核心卖点)以及来自社交平台的公开评论摘录。

确认资料无误后,工具会输出一份用户画像和使用场景洞察,包括核心目标用户、不建议主打的用户群体,以及主要使用场景和决策顾虑;再进一步给出痛点解法和对应的证据链——比如针对“占地方、拿取麻烦”的痛点,给出“轻巧顺手收纳”作为第一层产品利益点,并配上可对外传播的表达。最后,工具会基于痛点解法和证据链,一次性输出三套不同方向的定位方案(场景型、功能型、情绪型),每套方案先由 AI 自评打分,再进入人工评审环节——评审维度包括用户是否具体、场景是否真实、痛点是否高频、解法是否成立、竞品差异化是否明显、证据是否充分、slogan 是否好记、渠道是否适配、合规是否安全等,团队可以在这些维度上做人工修改和打分,最终生成一份定稿。

定稿输出的是一张完整的新品定位画布,包含目标用户、核心痛点、主定位、详情页首屏文案、直播话术、主要使用场景、产品解法、主 slogan、短视频钩子、小红书标题,以及相应的评审结论和风险提示,构成一份新品上市前期定位工作的完整信息包。

尾声:业务专家的时代到来了

业务专家的时代到来了

分享结束后,邱懿武先做几点总结,再请一位高管点评。

最大的感受是,业务专家的时代到来了。同样一件事,原来自认为也算专业,但要真正理解一个业务场景里的细则,以前得花一个月,现在 AI 一两个小时就能帮忙理清楚。所以 AI 是可以极大赋能的——只要用得好,它会极大放大那些原本就在岗位上有方法论、有判断力的业务专家的能力。

业务专家的时代到来了。

AI 还有一个特点:做到 80 分特别容易。只要愿意花两个小时,把自己知道的东西讲给 AI 听,AI 都能很好地把它解读出来。但如果想让 AI 从 80 分再往上走,做到 85 分、90 分,这一段特别依赖颗粒度很细的东西——尤其是像在座各位这样已经做到头部的企业,一定有很多很细的门道,而这些门道往往就掌握在不同的业务专家手里。

AI“动脑”的逻辑:数据、模型与经验反馈

总结一下 AI“动脑”的逻辑。第一,今天不管是哪个模型,还是现场用的这些工具,所有好的模型本质上都是一种能力,就是深度思考和推理的能力,像人脑一样——动脑的能力背后是不同的“智商”。但它不了解企业的上下文、判断经验和方法论的时候,它就是在瞎推理,或者说是按自己的理解去推理。哪怕是一个特别牛的专家,如果不了解这家企业的具体情况,做出的结论也不一定对。

所以 AI 真正要用起来,得先给它“喂料”——数据源。比如工厂业务里很多波动数据,以前都要靠人工加工判断,下一步可以通过爬虫、系统接口,也可以人工采集,总之要先有数据来源。有了数据源之后,中间就是两件事:一个是好模型,今天这几个对话框里的模型已经是全世界最好的了;更重要的是企业能不能把自己的业务规则和经验分享给 AI,让它做判断和结论。AI 刚开始会犯错,所以一定要有成功案例和失败案例给它反复学习,让它反思、矫正,决策的准确度才会越来越高。

所以这些 AI 模型都可以叫做“专家的智能体”——未来一个专家手上可能会有好几个服务于具体业务场景的智能体,把一部分工作交给它们,就能极大提效。下一步大家要面对的是,今天两个小时能手搓出一个 80 分的东西,但从 80 分到 95 分的过程,其实有不少硬骨头要一点点啃,才能让它从一个玩具变成真正能用的东西。

先做徒弟,再做导师

一位高管在总结点评时说,今天大家动手做了一个智能体,应该深有感触——做一个 80 分的智能体,两个小时就能搞定,但要做一个 100 分的、甚至超出预期的智能体,没那么容易。他说,智能体的重要性此前提出过很多次,不用再多说;智能体一定能大幅提升效率,今天大家应该也能感觉到,它还能大幅减少因为情绪问题导致的判断错误。

他给出的方法论是:养智能体,首先要把它当成自己的徒弟去培养,对它寄予厚望,让它未来能成为自己的导师——先做徒弟,再做导师,他说自己已经是这样实现的,AI 已经是他的老师了。

先做你的徒弟,再把它培养成你的导师。

他提到一个具体的判断标准:如果智能体的操作界面还很复杂,说明它还有很多东西没学到位。智能体本该是帮我们做减法、提升效率的,所以要不断给它喂数据、喂知识、喂经验,喂完一次,就要让它总结、迭代,形成文本沉淀下来。

他分享了自己的一段经历:有一天晚上,自己养的智能体把前面学过的东西全忘掉了,把他气得不轻。他让它把从第一次沟通开始的所有记录重新看一遍,再重新总结。它照做了,还发现了自己漏掉的地方,重新形成了新的经验和教训。他说这跟养一个人一样,要慢慢引导、慢慢培养,要鼓励它,还要分阶段让它去学习行业里的新知识、别人的新经验——他自己也会把一些行业里讲得好的文章丢给它,让它在此基础上叠加方法论。他说,现在自己那个做产品分析的智能体,已经比自己还专业了,因为喂给它的东西多,而自己有认知的盲区、有不了解的新知识,它反而不受这个局限。

本我与虚拟的我

他还提到此前提出过的一个判断:未来决定每个人竞争优势的,一个是本我,一个是虚拟的我——虚拟的我就是自己的智能体。未来很多虚拟的我可能会超过本我,去一个企业面试,可能既要带够本我,也要带够虚拟的我,如果没有培养出一个有价值的虚拟的我,会被时代淘汰。

他提出了一个具体要求:希望大家分组回去之后继续把智能体完善,每个部门在 9 月底之前,至少要培养出一个能代替部门主要的、重复性的、经验判断类工作的智能体,而且要能真正投入运行。他解释说,现在还是单个智能体各自为战,但他判断,未来企业里会出现“智能体群组”——不同职能的智能体会自己打通;再往后,群组还会自己生成新的智能体,去补上沟通协作中可能存在的职能缺陷,变成一种能自我迭代的智能体组织。

面对变化很快的行业环境,他给出的建议是:每个人都要认真对待这次转变,想清楚自己要怎么不被智能体取代,反过来让自己的智能体既是自己的导师,也成为别人的导师——在这个过程中,认知也会跟着升级。他说不想用“拥抱 AI”这么空泛的说法,而是希望大家“拥抱智能体”。最后他感谢了邱懿武,希望日后能多给团队一些指导。

会后:从个人到组织的智能体

培训结束后,几位人员还围绕“个人怎么用 AI”和“企业级的智能体平台该是什么样”简短交流了几句——核心的思路是,企业内部应该有一个统一的平台,让不同部门的业务专家把各自的经验和方法沉淀成可以被调用的“技能”,而不是每个人各自零散地用 AI、注册来注册去。有了这样一层沉淀,一个业务专家积累的判断经验,才可能变成整个组织都能复用的能力。讨论过后,培训在几句道别中结束。