前阵子公司启动了 AI 计划，我被部门推去做种子选手。方案是这样的：每个种子选手从自己的业务里挑一个可以 AI 化的场景，公司配两位 IT 同事，一个负责对接需求，一个负责实现。
这个安排本身没什么问题。甚至可以说，这是现在很多公司推动 AI 落地时最自然的做法：业务的人懂业务，技术的人懂技术，先找场景，再做实现。
但坐在启动会的会场里，我脑子里突然冒出一个挺扫兴的念头：
不是因为预算不够，不是因为领导不重视，也不是因为工具不够好。而是我突然意识到，整个方案里有一个被默认成功的环节，而那个环节，恰恰是绝大多数人从来没真正完成过的。
ERP 有了，OA 有了，CRM 有了，报销从贴发票变成线上提交，周报从邮件变成系统填表。开会有会议系统，文件有云盘，知识有知识库。
一个方案为什么这么改，靠负责人经验；一个风险点为什么要单独拎出来，靠老员工手感；一份材料看到哪里该停一下、多看一眼，很多时候也说不清楚，就是”做久了自然知道”。
这些东西，在人和人协作的时候还能勉强运转。因为人天然会脑补，会补位，也能从一句模糊的话里听出大概意思。
但 AI 不会明白”你应该懂我意思”，只能识别输入信息。它能执行的不是”差不多就行”，而是相对明确的规则。
说白了，很多公司完成的是信息数字化，还没有完成工作数字化。
这也是为什么很多公司的 AI 项目，做着做着就只剩下了知识问答和文档摘要。
这有点像一个国家的发展。工业化都还没完成，就想直接跑步进入现代化，往往是不现实的。
工业化真正改变的，不只是有没有机器。更重要的是，它把原来依赖手艺人、经验和临场发挥的生产方式，改造成了一个更稳定的系统。
以前一个老师傅做零件，可以靠手感。尺寸差一点，他可能敲一敲、磨一磨，凭经验把它修回来。但如果你要建一条生产线，就不能再靠”老师傅觉得差不多”。你必须把材料规格、操作步骤、检验标准、误差范围全部写清楚。
不是因为老师傅不重要。恰恰相反，是因为你要把老师傅身上最有价值的经验，从一个人身上拆出来，变成整个系统可以复用的能力。
放到今天的职场里也是一样。你去问一个做了五年投资分析的同事，”你评一个项目的时候到底怎么看”，他大概率会说，不太好讲，反正你先做，我帮你改。再追一句判断标准是什么，他可能会说，这个得看情况。
这不是他藏着掖着。是很多工作本来就是这样——做久了变成直觉，直觉没有被翻出来过。
但今天我们想让 AI 进入工作，就不能再只靠这种默契。你至少得先讲清楚：给它什么，做什么，按什么标准判断，最后要什么结果。
这不是把工作变得死板，而是把原来只存在于人脑里的经验，翻译成一套可以被复用的结构。
要让 AI 真正进入工作，第一步不是上 AI，而是把自己的工作流程显性化。
而现在很多公司的 AI 项目，恰恰跳过了这一步。买模型，建知识库，接工作流，做培训，找场景，搞试点——直接从工具和系统入手。
回到那场启动会。那套配置有一个隐含假设：种子选手能讲清楚自己每天在做什么、按什么顺序做、什么情况下做什么决定。IT 只需要翻译成 AI 能执行的东西就好了。
但很多业务骨干确实很会干活，却未必讲得清楚自己是怎么做成的。你让他提需求，说出来的可能是结果——”我想要一个能自动出报告的工具”；也可能是片段——”这一步 AI 应该能帮我做”。中间那套真正决定结果质量的东西，没被拆出来。
这就是为什么 AI 项目最后总是退回到那些最容易描述的边角任务。不是核心业务不需要 AI，而是核心业务的流程还没被翻出来，AI 接不进去。
如果公司层面的 AI 落地要先完成这么多前置工作，那是不是意味着普通人只能等？等组织慢慢完成转型，等工具继续成熟，等 IT 把系统搭好？
显性化这件事，不必发生在公司里。它本质上是你自己的事。公司能不能推动，要看一群人愿不愿意把自己的工作搬出来。这个过程慢、卡、互相牵扯。
而且你不需要先把工作流程画完再去用 AI。事实上，你每次写提示词的时候，就已经在做显性化了——被迫把脑子里的流程翻出来。每一次 AI 没接住你的意图，本质上都是在告诉你：你还没说清楚。用 AI 的过程本身，就是显性化的反向训练。
这不是显性化，这只是把抽象的事换了一个抽象的说法。一个实习生看完这三行，依然不知道哪些事情该写、哪些不该写，要写几条，按什么顺序排。
先列本周做完的事，按对下周的影响排序，不按时间。每件事写一句"结果是什么"，不写"做了什么"。下周计划只列三件最重要的，每件写明依赖谁。
就这三行。你下次让 AI 帮你写周报，把这段贴在前面就行。AI 不是突然变得更懂你的工作了，它只是知道了”这个人写周报是按什么顺序看的”。
写出来不像高深的方法论，反而有点笨。因为它就是把一个老员工脑子里默认的东西，一行一行抄出来。但也正是因为这个”笨”，它才能被 AI 接住。
不管你审的是投资报告、产品文档还是合同条款，很多人让 AI 审一份材料时，第一反应都是直接丢一句：”帮我看看这份材料有没有问题。”
这句话不能说错，但它太像在对一个熟人讲话。如果是一个带了你半年的人，他可能知道你说的”问题”是什么意思。是逻辑问题？是口径问题？是数据前后不一致？是措辞不够稳？是风险提示不够？还是关键判断没有说透？
你不给 AI 标准，它就只能按自己的理解去”看问题”。于是它可能给你改出一堆很泛的建议：表达可以更清晰，结构可以更完整，部分内容建议进一步补充。
如果你真的想把”审材料”这件事交给 AI，就得先往前多走一步。
你要告诉它，这类材料主要看哪几类问题。比如事实口径是否前后一致，数字和表述是否互相打架，风险是否被轻描淡写，结论有没有超过证据，语言是不是太满，是否留下了不必要的承诺空间。
你还要告诉它，输出应该是什么样。是直接帮我改正文，还是先列一份风险清单？是按”问题—原因—修改建议”来写，还是只标出高风险表述，方便我自己判断？
你甚至还要告诉它，什么情况不要改。比如涉及正式口径的地方，不要擅自替换；涉及数据来源的地方，不要自己补数字；涉及法律或监管判断的地方，只提示风险，不直接下结论。
你不是在写一段更长的 prompt，而是在把一项原来靠经验完成的工作，拆成输入、规则、步骤、输出和边界。
它没有那么酷，也不像发布一个 Agent 那样有科技感。但这一步做完，AI 才第一次有可能真正接住这项工作。因为它接到的不再是一个模糊请求，而是一套可以执行的任务结构。
我自己最近也在做同样的事。比如做 PPT，我现在不会直接让 AI”帮我生成一份 PPT”。我会这么做：
先告诉它哪份材料是主材料、数据以谁为准，哪份只是参考。输出逐页规划，每一页必须有一句核心结论和对应的数据点，还要有排版建议等我确认完内容和排版，再进入PPT生成。
这套流程，做分析、写备忘录、做行业研究，前面几步其实都很像。差别只是材料不同，最终呈现形式不同。
显性化不是制造新的复杂，而是把你本来已经在做的事写出来。
我不是反对那个方案。公司层面的 AI 推进，无论效率高低，都还是有意义的。一个组织愿意认真试，本身就是好事。
那天回到工位，我打开备忘录，写下了第一份工作流程。
AI 时代真正的差距，不在谁公司更早上了 AI，也不在谁先拿到了更贵的模型会员，而在谁更早开始把自己的工作翻出来。
夜雨聆风
