AI做得更多,这门生意就更好了吗?

9月整理企业AI学习和服务的思路时，我特意把铺货型业务和精品型业务的AI重点分开了。

前者往往有大量相对标准的任务，需要让同样的人处理更多工作；后者更需要把广告、库存、物流、采购等信息放到一起，为少数重要选择做准备。

这两件事都可能受益于AI。但如果最后只汇报“生成了多少份、快了多少”，就容易把两种价值混在一起。产量增加很醒目，经营上最贵的问题却未必因此得到改善。

做得多，要算到能用为止

先举一个假设：一个团队经常需要整理商品资料，把不同来源的规格、图片说明和卖点，整理成同一种格式，交给后面的人使用。

让AI参与后，初稿可能很快就堆起来。只看生成这一刻，进步似乎很明显。可团队需要的是合格资料：规格对应正确，表述有依据，该保留的限制条件没有被删掉。

如果一份资料生成得快，复核却要从头查一遍；发现错误后，还要改稿、重新确认，最后交出去的工作量就不能按初稿数量算。

我更关心的是，一份真正能用的资料，到底用了多少成本。这里既有工具费用，也有人的复核、返工，以及后续规则变化时的维护。省下来的生成时间，要和这些新增工作放在一起看。

做对照时，前后还得是在做相近难度的事。如果原来处理的是信息零散的复杂资料，现在只让AI整理最简单的部分，两个速度直接相比，容易高估改进。

“合格”也不能为了显示提效临时放宽。原来不能弄错的规格，现在仍然不能弄错；原来需要核对的来源，也不能因为内容写得顺就省掉。

对这类任务，单位合格产出的全流程成本更值得看。数量增长有意义，但前提是错误和异常没有被推给下一位同事，维护也没有悄悄变成新的负担。

如果AI多做了一批，团队随后花更多时间收拾，账就还没算完。相反，哪怕生成量没有明显增加，只要合格资料更稳定、人工投入确实下降，也值得继续验证。

这也是我理解铺货型业务提效的重点：工作有重复性，改进可以在一份份相近任务里观察。但多铺一些商品本身，并不能替代对成本和结果的判断。

补货讨论，不能按资料页数打分

再举一个假设：同一个团队准备讨论一款商品要不要补货。AI把广告表现、现有库存、物流周期、采购条件和相关费用整理到一起，供负责人判断。

这时，多写几页分析，并不自然意味着帮助更大。真正有用的变化，可能是把原本散在不同地方的信息摆到一起，让人更早看见会改变选择的条件。

例如，广告带来的需求变化和库存消耗，是否用了可比较的时间段？采购到货时间是已确认的条件，还是一个估计？这些差别会影响讨论，不能被流畅的结论抹平。

准备材料的人需要把事实、估计和假设分清楚。否则，一份外表完整的分析，会让大家误以为所有条件都已经确定，反而更难发现真正要追问的地方。

候选方案也要带着代价出现。多补一些可能占用资金，少补一些可能承担缺货风险；具体哪边更重，要结合这门生意的情况判断。AI可以整理取舍，负责人仍要作选择。

衡量这份准备有没有帮助，可以看重要信息是否更容易核对，关键假设有没有被标出来，方案依据能否追溯，以及讨论中原本容易漏掉的条件是否减少。

这些观察比“分析生成得更快”更接近它的用途。不过，一次结果不错，仍不足以证明AI让经营判断更准。市场、供应和人的选择都在影响结果，需要在实际使用里持续比较。

因此，决策辅助的价值也不能拿文字量来替代。有时候，删掉重复解释，把一个会影响补货的假设讲清楚，比增加一份长报告更有帮助。

同一团队，也需要换一把尺子

铺货和精品，是我用来说明侧重点的两种业务情境。铺货并不等于质量低，精品也不等于利润高；商品复杂度、交付风险和团队能力，都会改变AI应该先帮哪一段。

同一个团队上午批量整理资料，下午讨论备货，已经在面对两种不同的工作。前者要算合格产出的成本，后者要看重要选择前的准备质量。

如果都用生成量评价，大家容易把力气放在最容易展示的地方：多出一些稿、多写几页报告。至于这些东西有没有减少重复劳动、有没有帮助看清取舍，反而退到了后面。

沿着这个区分选择AI服务的入口，我会先找这门生意最贵的问题。这里的“贵”，可能是每天重复消耗的人力，也可能是少数选择一旦做错，要花很长时间消化的后果。

要确定它，仍然得回到真实工作：人把时间用在哪里，哪些错误反复返工，负责人作决定前最需要看清什么。没有这些依据，模型再强，也很难知道该把能力放在哪里。

先判断值得改善的是什么，再决定怎样投入AI。之后拿相同任务和实际成本作对照，看看改进有没有发生，值不值得继续。如果人工支持和返工持续上升，就该缩小范围，重新检查这个入口。

我不想把企业使用AI的成绩，只写成一张越来越大的产量表。能多做，是一种价值；让重要选择前的准备更可靠，是另一种。各自有没有兑现，都要回到这门生意里去看。

欢迎关注「Albert的AI经营手记」👋
回复【CODEX】，领取 Codex 小白安装教程；
回复【888】，领取 Claude 小白安装教程。