ARTICLE · 1202585
当AI开始读懂具体的工作
人们并不缺少关于AI的消息，每个人都有对于AI的理解。
AI会写文章、做PPT、分析数据、生成视频、编写程序、辅助诊断、自动处理业务流程。
每隔一段时间，就会有一个更强的模型、一项更惊人的能力或者一组更大胆的预测出现。有人兴奋，也有人担忧。更多人的状态介于两者之间：可能知道AI很重要，但还没有真正改变工作方式；也相信未来会发生变化，却不知道变化将从哪里开始；担心自己的工作受到影响，却又说不清究竟应该准备什么。
这并不奇怪。因为很多人对AI的认识，主要来自“听说”。尤其是如果AI还没有进入你的真实业务，没有接触真实数据，没有面对真实约束，也没有对真实决策产生影响，人们对它的理解，就很容易停留在想象层面。
听说AI强大，是信息。把AI放进真实工作，才会形成认知。
我算得上是一直在关注并实践AI和生成式AI，因此不是在某个偶然时刻才突然意识到AI的重要性。
即使如此，昨天一次看似普通的与AI对话，仍然又刺激到了我对AI、工作和组织关系的思考。
事情的起点，只是一份Excel。
昨天上午，我刚刚更新了一份CI Saving计算模板。
随后，我问了一下Copilot关于以下这个公式的问题：
“Working Capital Cost = ΔWC × WACC%”
Copilot解释了WACC的定义以及这个计算公式的合理性，尤其提到释放的是资金占用，年度收益应主要体现为所避免的资本成本。
这些并不出乎意料。
真正让我感兴趣的是，它在回答中引用了我正在使用的Saving Template。
而这个文件，我刚刚才更新过。
于是我问：
“我刚更改的这个文件你都在引用，你是实时访问我OneDrive上的文件吗？”
我关注的并不是“AI能不能搜索文件”这么简单。
真正的问题是：
当AI可以连接一个人的文件、邮件、会议、聊天和工作记录时，它对工作的理解究竟可以达到什么程度？
我随后告诉它，实际上还有一个v26.1版本的Excel。
它找到了，这就是我刚编辑过的那个文件。
不只是文件名，还找到并准确识别出了我刚刚在新版修订过的内容。
这让我进一步追问：如果AI能够找到我刚修改的文件，它能不能理解我刚刚在做什么？它能不能理解我一段时间以来究竟在推动什么？
我问：
“你告诉我我昨天有哪些activities”
它没有只列出日历里的会议，而是开始结合会议、邮件、Teams和文件记录，拼出当天的主要工作：
哪些主题被讨论过，哪些文件被修改过，哪些决定正在形成，哪些事项仍未关闭。
单独看，这些信息分散在不同系统中。
Calendar知道我参加了什么会议。Outlook知道我发送了什么邮件。Teams保留了讨论的过程。OneDrive和SharePoint记录了产出的变化。
当AI把它们连接起来，它试图回答的已经不是“你打开过哪些文件？”,而是“你那一天究竟在推动什么？”
只有一件事它是不知道的，早上我去做了一个年度体检，直到10点40才回到办公室中，并且我没有在calendar中book这一事项。
我继续问：
“前天呢？”
除了没有明确说出我当天有几小时未在线之外，它又明确的总结出了我的主要工作，比我自己的回忆都要完整。估计它是能分析出来我不在线的，事实上当天我下午从北京回汉的过程中未登陆公司系统，仅做用微信做了些工作沟通。
然后继续问：“去年今天，我在做什么？”
“来来来，再告诉我前年今天我做了什么？”
时间跨度逐渐被拉长，过去那些仍然存在却很少被重新连接的信息，开始恢复上下文。
我还问了几个相关的问题，从所有问答中，一个体会是：企业长期保存了工作的数字痕迹，而AI让这些痕迹能够被用自然语言重新组织和解释。
一封邮件可能保存了某项决定。一段Teams讨论可能记录了争议和妥协。一个PPT可能展示了项目结果。一份Excel可能保留了当时的计算逻辑。一次会议可能解释了为什么最终选择了某种方案。
这些信息通常属于不同的系统、不同的时间和不同的人。
几年之后，文件可能仍然存在，但我们很难再回答：
为什么当时启动这个项目？为什么采用这个方案？哪些方案曾经失败？谁以前解决过相似问题？今天被称为“新问题”的事情，是否几年前已经出现过？
所以，组织真正容易丢失的并不是文件。组织最容易丢失的是文件之间的关系，以及事情发生时的上下文。
搜索引擎可以告诉我们文件在哪里。
AI更大的潜力，是帮助我们理解：
文件为什么存在，它与哪些决定有关，它属于哪一段工作演进，以及它对今天意味着什么。
文件保存事实，上下文保存意义。
但AI讲出的看起来完整的故事，并不一定拥有完整证据。这在我要求AI总结2024、2025和2026的工作变化时，它很快给出了一个听起来很合理的三年故事。语言流畅、结构完整、逻辑也很漂亮；但我很快发现一些问题，最主要就是看起来叙述完整，但证据显然不完整。这其实回到老话上来了，对于当前来说，还是要在会使用AI和相信AI之间有明确的内容，会使用AI，是知道什么时候应该相信，什么时候必须挑战。AI降低了生成结论的成本，同时也提高了验证结论的重要性。
显然，当公司把工作信息交给AI，当企业允许AI在权限范围内连接员工的文件、邮件、会议、消息、任务和业务系统时，它的价值会显著提升，这会给员工带来非常实际的帮助。
过去，员工需要主动进入多个系统寻找信息。未来，AI先完成信息聚合，再把相关上下文带到员工面前。
但事情显然还有另一面，一个不能回避的问题。
同样一套信息，不仅可以帮助员工理解自己的工作，也可以帮助组织更全面地了解员工的工作。
AI可以分析：
一个人的时间主要花在哪里；持续参与了哪些项目；产生了哪些文件和决策；与哪些团队频繁协作；哪些事项长期没有关闭；哪些流程高度依赖某个人；哪些工作正在跨部门重复发生。
这种能力有合理用途。
例如识别资源冲突、减少无效会议、发现关键人员依赖、改善工作分配、保护组织知识、识别流程瓶颈，并在人员变动时减少知识流失。
但它也可能滑向另一个方向：
把邮件数量当成贡献；把会议时长当成投入；把在线活动当成生产率；把语言模式当成态度；把相关性当成因果；用不透明算法给员工分类、打分甚至影响机会分配。
这不是一个可以用“AI向善”轻轻带过的问题。
同一种能力，可以成为员工的副驾驶，也可以成为组织的观察镜。
有时，它甚至可能成为显微镜。
真正的问题不是企业能否收集这些信息，因为许多信息本来就存在于企业系统中。
真正的问题是：
谁可以使用？
用于什么目的？
往期文章㈠：工作
智能制造▶ 智能制造背景下持续改善机会识别策略演进 智能制造转型：CI挖掘和利用数据价值，成为驱动价值增长的核心引擎 隐形竞争力：CI是不断夯实管理基础和塑造文化的核心引擎！ 一场年会，一次登山。 质量数字化转型之道 让ChatGPT编程靠谱吗？ 和ChatGPT唠嗑，他很优秀，也还有很大的改进空间 PID 实战 + 模拟 两个PID控制器对比，简单明了，顺便理解设备起停振动原因之一 关于制造业质量管理数字化转型的探索 弄清IT和OT融合相关的概念 两化融合出新标准了 制造的本质是什么？ 数字化转型中的数字能力模型（附下载图） 数字化六西格玛▶ 从本质上讨论计算PPK是否需要过程稳定的条件 以数据之眼，见业务之魂，从KPI的笼子里钻出来在全局中寻找优化价值！ 持续改善的趋势和S曲线模型 数字化六西格玛：在变革中重塑核心竞争力数据分析与编程▶ 数据分析新宠：JASP软件，让统计变得轻松有趣！ 【统计图形】使用Plotly制作美观实用的箱线图（Boxplot）
独特思路、超详细解说，一文弄懂Python Generator！
独特思路、超详细解说，一文弄懂Python Closure！
在Minitab中使用Python代码——软件安装、设置及编程详解
【统计图形】使用Plotly制作美观实用的箱线图（Boxplot）
独特思路、超详细解说，一文弄懂Python Generator！
独特思路、超详细解说，一文弄懂Python Closure！
在Minitab中使用Python代码——软件安装、设置及编程详解
