员工用上了 AI，企业留下了什么？

约 3 分钟阅读

员工开始用 AI 以后，站在企业经营者的位置上，我还会追问一句：这些变化，最后给公司留下了什么？

员工开始用 AI，当然是一件值得关注的事。方案写得更快，材料整理得更顺，有些过去反复做的工作，现在很快就能完成。

如果只是某个人更熟练了，公司未必知道他用了哪些资料、怎样判断结果、哪些地方容易出错。换一个人接手，可能又要从头摸索。个人效率的提高有价值，但要让这种进步持续进入企业的工作，还需要进一步整理。

为什么我会和老板谈“卢德主义”

在和企业主讨论 AI 转型时，我们会借“卢德主义”这个话题，讨论工具变化以后，经验、能力与议价权之间的关系。这个角度能引起一些老板的兴趣，因为它把话题带到了他们熟悉的问题上：企业赖以运转的能力，究竟掌握在哪里？

过去，很多关键能力依附于具体的人。技术人员知道怎样处理特殊要求，销售知道客户没有说清楚的条件，资深顾问知道一份材料哪里还不能下结论。这些能力很重要，也未必已经完整地留在公司的文档和流程里。

AI 给了我们一个重新整理这些能力的机会：把能够说清的规则、反复使用的材料、经过检验的方法，逐步放进企业可以维护的知识和工作流中。

我用这个类比，是为了提出一个经营问题：当工具改变了工作的完成方式，企业怎样把这次投入留下来，让后来的人也能接着使用？它并不能证明所有经验都可以被提炼，更不能证明有了一套系统，就不再需要专业人员。

留下工具，也要留下让工具有用的东西

企业拥有一个账号、一台设备或一个系统入口，不等于完整的业务能力已经留在了公司。

以技术方案初稿为例。要让工具持续帮上忙，需要的不只是一个能够生成文字的模型，还包括客户需求怎么收集、历史方案适用于什么条件、关键参数怎样确定，以及初稿交给谁复核。

如果这些条件仍然只靠一个熟悉情况的人临时补齐，工具虽然留在公司里，工作还很难交接。

所以，我更关心企业逐渐留下的三类东西。

第一类是可使用的资料。历史文件放在哪里，哪个版本有效，什么情况下可以参考，谁有权限使用。把文件收进一个目录，只是开始。

第二类是能解释的判断。为什么选这个方案，遇到哪些条件必须调整，什么信息不足时不能继续。模板提供结构，判断规则帮助后来的人知道怎样使用这个结构。

第三类是能持续运行的工作方式。谁提交需求，AI 支持哪一步，谁检查结果，例外怎样处理，资料与规则由谁更新。把这些责任安排清楚，工具才有机会进入日常业务。

这三类内容需要业务人员参与，也需要在实际使用中修正。顾问和开发者无法仅凭外部观察，把企业的全部经验提炼出来。

把它留在企业里，不一定等于全部本地部署

资料、规则和工作流是否由企业掌握，与模型运行在哪里，是有关联但不同的问题。

企业可以使用外部模型能力，也可以根据业务需要考虑本地部署。无论采取哪种方式，都需要弄清楚：业务资料能否这样使用，账号和权限由谁管理，工作流由谁维护，模型或供应商改变以后，已有积累能否继续使用。

对于老板来说，更值得警惕的是，公司并不一定清楚这些能力依赖着什么。关键能力可能依赖某位员工的私人账号，也可能依赖外部团队才看得懂的一套配置。

设备买回来了，维护和调整仍然无从下手，这样的投入还没有成为企业能够持续运用的能力。

具体采用什么技术方式，应当跟着业务、保密要求和维护条件判断。

从一项工作开始，看换人以后能否继续

我不建议一开始就要求把全公司的经验全部整理完。企业还在经营，业务人员也有自己的工作，整理和维护都需要投入。

可以先选一项问题明确、有人愿意参与的工作，把输入、资料、判断和复核串起来。除了看第一次输出是否可用，还应当看后面几次能否继续完成：换一个经过培训的人，是否知道怎样开始；遇到例外，是否知道找谁；材料变化以后，是否有人能调整。

这些检查不意味着每个人都能替代资深人员。它们帮助企业看清，哪些能力已经能够传递，哪些环节仍然依赖专业判断，下一步还要投入什么。

员工因为 AI 而变得更有能力，企业也应当为这种能力提供发挥和积累的条件。提供经验、参与验证、维护规则，都要花时间，也应当计入工作安排。

对我来说，一次 AI 转型值得留下的成果，是公司下一次遇到类似问题时，可以从已经积累的基础上继续做，而不必再从零开始。