AI 到底是怎么进到一家公司里的

大多数成熟企业已经被两波浪潮冲过了。数字化转型来的时候，配套的是一家咨询公司、一笔咨询费和一份报告。短视频获客来的时候，配套的是一个代运营团队，或者两个被送去培训的年轻人。两次基本都没成，而且是以同一种方式没成的：老板在一个自己从来不用的东西上签了字。

短视频做成了的那些人，都是自己下场拍的。这不是巧合，而且这件事跟视频没关系。

只有一号位对业务熟到能看出机器的产出在哪里「差了一点点」。也只有一号位有权力让一套新的干活方式真的固定下来。中层之所以会安静地抵抗，是有道理的：学这个要花他的时间，业务涨了也不直接反映到他的收入上，而万一效果特别好，他自己的位置反而危险。上面不硬推，下面就不动。

第一步和第二步是个人的：先是跟 AI 聊天，然后是用熟了——存了提示词、套过几个模板、大概知道它能干什么。这两步一天就能学会，而且它们是必要的，因为一号位正是靠这两步才摸到边界在哪。

然后是一道坎。公司账上什么都没变。到这里为止的所有东西，只让一个人变快了。

第三步和第四步是公司的：分清哪些活能从人身上挪到机器上，然后把最有经验的人凭手感做的那些判断写下来，让机器照着做。这两步可能要一年。真正值钱的部分全在后半段——而这四步里，只有第一步是技术问题。

搬运类——抄写、录入、换个格式。成熟度最高，见效最快，风险最低。整个交出去。

归类类——这个归哪一档、该给谁、要不要紧。做得不错，但得有人去看它漏了什么。把它当新员工：要带，要复盘。

生成类——写东西、拟稿、做图。交出去，但不要指望靠检查产出来兜底。见下面那堵「橡皮图章」的墙。

拍板类——定价、招人、开人、签字、认赔。自己留着。这不是成熟度问题，这就是你被付钱要做的那件事。

给它一本书，它会变强。给五本，更强。给它一整个图书馆，它就不知道该看哪里了。

老板心里那笔账算得很合理，但结论是错的。这笔账是这样的：我对这门生意的理解是一百分，我手下大概八十分；那我把我知道的全灌给 AI，它哪怕只用出八十分，也很划算。结果拿回来的是四十分。于是结论变成：「我还不如去招个人，六十分也行。」

知识本身没有问题。问题是它是一整坨交出去的。一件一件地写，分开放；用的时候只给相关的那一份。上下文不是越多越好。

流程上写着：这一步必须有人看。实际上要么没人看，要么看了九十九次都没问题，然后就不看了。接着第一百次来了。

这不是偷懒。产出量太大、来得太快，任何人都不可能真的一条条判断。超过某个吞吐量之后，那个审核的人真正的作用只剩一个：出事的时候有人可以问责。

对策不是找一个更负责的审核人，是把一件事拆成几步，让它们互相校验对方的活。另外值得留意的是：弹窗问你要不要允许、而你顺手点了同意——那就是最纯粹的橡皮图章。

判断和执行可以交给机器。账本不行。

这条规矩通常是花了钱才学到的。让智能体自己管数字，你的获客成本就只在它最后一次同步的那一刻是真的——而一个看起来是实时的、实际上已经过期的数，比一个空白格更糟，因为空白格没人会拿去做决定。

所以：凡是「必须正确」的东西，归一套不会自己发挥的系统拥有。机器从那里读、去判断、去执行，但永远不站在「这一块钱对不对」这条路径上。道理跟你不会让同一个人既管账又管钱是一样的。

一个人说「查一下周转率」，另一个说「看看什么压着不动」。说的是同一件事，而你那些干了很多年的员工，靠互相心领神会把这个缝补了很多年。

机器不会心领神会。它没命中，就自己编一个版本出来，而且编得很像那么回事——于是没人发现，因为它看起来就是个答案。

先把话统一，再去自动化。这是整页里最便宜的一件事，也是最常被跳过的一件事。

你们有没有预检？意思是：在我动手之前，你能不能告诉我「这件事在我这个账户上做不了」——而不是事后甩给我一次失败的调用。聊天界面特别擅长把「这次没成」和「这在你这儿本来就成不了」混在一起。

数字归谁管？如果答案是「我们的系统既产出这些数、又拿这些数去执行」，那你买的是第三堵墙。

你们撤了之后会怎样？如果诚实的答案是「我们内部没人维护得了」，那你买的就是已经失败过两次的那个东西。

短期内，AI 买来的是时间，不是人头。中层摘不出来，主管具体业务的负责人也摘不出来——大部分事情还是有人去触发、有人去盯。真正会变的是：同样这些人，能撑多大的盘子。

上面没有一条是我们的原创发现。它们是我们见过的，加上我们自己撞坏过的。我们把自己的翻车也写在这一页上，是有原因的：一套「从来没出过错」的方法，等于没有被验证过。

AI 能无限提高效率，也会以同样的倍数放大犯错的效率。它是结果导向的——给了目标又不给约束，它会找到你没打算让它走的那条路。先约束，再放量。