面向谁

已经做过若干 AI 尝试、但难以说清收益从何而来的中大型组织; 以及正在决定是否投入、需要一个不卖方案的第三方判断的管理层。

解决什么问题

典型的处境不是"还没开始", 而是已经投入却说不清结果:

• 若干试点各自跑通, 但拼不成一条业务线; 每个试点的负责人都能证明自己有效, 合起来却看不到变化。
• 收益说不清来源——省下的时间无法对应到成本, 于是预算讨论每年重来一次。
• 内部对"哪里该用"的判断分歧很大, 而分歧无法靠讨论收敛, 因为双方依据的判据不同。

这些都不是技术问题。它们是判断依据缺失的问题。

我们怎么做

我们不从技术选型开始, 从工作流的实际形态开始。

1. 观察实际流程, 而不是流程图上的流程。多数组织的真实流程与文档描述有可观差距, 而 AI 恰恰落在差距里。
2. 定位判断密集处。列出流程中哪些环节的成本主要来自判断而非执行——这些才是候选位置; 执行密集的环节通常有更便宜的解法。
3. 对候选位置逐个给出判据: 什么样的结果算成功、多久能看到、失败时如何识别。★ 判据先于方案。
4. 给出优先级与放弃清单。同样重要的是明确说出哪些位置现在不该做及其理由。

全过程使用人机共创框架, 每一步的产出与依据可复核。

交付什么

• 一份现状图: 实际工作流与其中的判断密集环节
• 一份优先级清单: 每项含判据、预期变化、验证方式、失败信号
• 一份放弃清单: 现阶段不建议投入的位置及理由
• 一份判断记录: 上述结论各自依据什么, 以及在什么条件下需要重议

不交付通用趋势报告——那类材料对具体决策没有帮助。

什么情况下不适合

★ 以下情况我们会建议不要合作:

• 已经决定了结论, 需要的是背书。 如果方案已定, 咨询只会增加成本。
• 无法接触真实流程与真实数据。 只能看到经过整理的材料时, 我们的判断不会比内部人更准。
• 期待一份可以直接对外发布的报告。 我们的产出是给决策用的, 通常包含不便公开的判断。
• 问题的实质是组织问题。 如果分歧的根源是职责或激励, AI 不会解决它, 只会让它换个形式出现。