夜雨聆风近期继openclaw(小龙虾)安装热潮后，安全事件层出不穷，又开始引发了卸载热潮；周鸿祎在访谈中也说，openclaw其实不适合普通人，而更适合发烧友。
最大的赢家可能是那些收费帮人安装openclaw的人，现在他们又开始卖收费卸载openclaw的服务了。
但其实，这个场景在openclaw刚出来时，简单了解过openclaw技术原理的人大都能预料到会出现这样的局面。马斯克还发了一个“猴子拿枪”的视频暗讽openclaw的实质。
毕竟，openclaw并没有改变大模型本身，之前我们和大模型聊天时出现的问题，openclaw依然会出现（“AI幻觉\专业不精通\意思理解错误\能被提示词注入攻击”等等），不同的是因为它有了“拿枪”的权限，子弹真的可能把你的电脑或你的生活崩掉。
不过，无可争议的是，openclaw确实可以帮我们做很多简单的工作，很多简单的工作以前都是只有懂代码的人才能通过代码实现，而现在openclaw把写代码、配置环境这些工作帮我们做了；虽然这里面的安全风险有点太大了，而且也很难稳定地运行复杂功能。
——那么，作为或者想要作为AI时代参与者的我们，应该如何投注，才能构建一个属于自己的长久的AI事业？
关键在于一句话：高可靠的单一工作场景，而非什么都能做的大管家。
比如针对某个单一的工作场景（行业研究，数据分析，代码编写……）中的某几个核心环节，通过agent设置、模型微调、rag知识库构建等方式，让AI能够稳定地支持专业人员实现工作交付，这才是真正长久的生意。
目前能够真正持续赚到钱的，也基本上都属于这种情况，包括cursor的代码编写、医疗影像识别、AI视频生成等等。其他的，大抵是一轮投资泡沫。
在行业的专业生态能够真正成熟稳固之前，一切的大管家式的服务，比如agent平台，都是无根之物，没有核心竞争力，也成不了长久的生意，最多是其他业务的附庸，比如卖服务器的附庸。
和传统的互联网逻辑不同，AI时代，生态入口没有话语权，专业价值的输出，才是真正的话语权。
下面我们将从个人和企业的角度，来解析AI时代我们的“可能性”
PART 01 如何构建靠谱的AI工作助手
PART 02 企业如何落地AI
PART 03 AI对企业变革的影响
参与AI，最快的方式，在于将AI应用到你的核心工作场景之一，比如销售方案、教案制定、产品设计、录音分析、行业研究。
我们大多数人使用的方式是，通过直接和大模型对话来完成任务。
这是最简单也是最基础的方式。大家可以通过“用户提示词”的方式一定程度上地提高输出效率。
不过当我们每次都执行相同性质的任务时，依然还会出现需要反复对话才能慢慢调整好的问题，那么能不能实现一句话就输出我满意的工作结果？
要想实现“一键式生成”，就涉及到更进一步的AI工作流或者AI agent的实现了
这里面主要是三步走
1、选择AI工作流或agent的平台，如dify平台、飞书的cozi、本地化部署的ragflow等
（线上平台最简单、最方便但灵活性会少一些，本地化部署最安全、最灵活、最适配企业部署但有一点学习门槛）
2、学会如何写出大模型能够“稳定识别”的提示词，重点是“系统提示词”，来固化不同大模型的角色、原则、任务、输出结果示例等。
（模型能稳定识别的“系统提示词”有固定的格式，比如用<>和</>把内容包裹起来，这样能让模型清楚地了解到被包裹的内容是完整的一部分。）
以下为“系统提示词”的示例：
<role>
你是一个20年管理咨询经验的麦肯锡管理咨询顾问，你需要基于最新的情况编写一个正文1万字左右的研究文稿，输出中文，目标受众是企业中高层。
</role>
<principle>
1.完全依赖于可信网站的信息，不做任何凭空编造
2.语言表述精准，逻辑高度严谨
3.要满足咨询公司MECE的要求
</principle>
<task>
1. 理解用户的意思
2. 将其分解为逻辑子任务。
3. 明确标明每个子任务的置信度（0-1.0）。
4. 逐步执行每个子任务，并清晰地展示推理过程。
5. 验证准确性、逻辑性、事实性、偏差性、完整性和一致性。
6. 如果置信度＜0.9，则识别缺陷并重试，重试次数上限为10次。
7. 给出最终的文章.
</task>
<output_example>
……（此处省略输出示例的内容）
<output_example>
3、基于工作中专业领域的需求和业务逻辑的“原子级细致拆解”，设计多步骤的AI工作流/AI agent的流程。
（这一步最为繁琐，需要反复测试每个环节的输出结果是否能够“稳定”地输出高质量结果，并调整“系统提示词”和“工作流程”）
更进一步的，还需要为必要环节的agent选配“搜索引擎、excel处理工具、文本解析器”等必要的工具；这一步或简单或复杂，比如简单的只需中平台勾选一下MCP选项，复杂的还需要下载代码并配置上去。
后面如果我们还想要更贴近业务需求，再进一步提升生产力，就需要学习更多东西了，比如
1、学习大模型运行的基础信息，如agent对本地模型的调用、模型的上下文限制、大模型温度的和top N的设置、不同模型的特点和适用场景。
2、搭建rag等配套系统，来连接本地知识库，让大模型能够访问特定的材料和信息。然后再优化rag的效果，如embedding的解析优化、构建grathrag知识图谱、通过pineline解析文件、set meta data、RAPTOR的召回增强等等。
3、学会通过日志log排查错误，要知道怎么查日志、看懂或者问AI日志的信息代表了什么，并找到解决办法（如agent响应极慢，排查日志发现是陷入了无限执行的循环-infinite loop；或者搜索内容明显偏离任务主题，出现了agent执行过程中的“搜索偏差”）
4、提升信息获取和信息输出的效率，如连接爬虫的代码通过特定的渠道来获取更多信息，结构化输出的json设置来严格输出特定的内容。
5、更高级的功能实现，模型对mcp或skill的调用设置、工作流嵌入其他网站的api设置、业务系统的数据接口的调用、前端网站的UI设计……
6、最后才是微调模型，给大模型本身注入更多专业领域的信息，这个成本最高、见效也相对很慢。
企业落地AI，核心有三点
1-AI价值不是实验室的产物，而源于一线参与
2-创始人和管理者的亲自下场是企业落地AI的最大引擎
3-聚焦核心工作场景，而非边缘场景
1-AI价值不是实验室的产物，而源于一线参与
大部分企业参与AI的方式，其生态位不在于大模型的开发，也不在于芯片、服务器和电力，而在于如何通过AI在企业应用端提效。
所以大部分企业参与AI的方式，核心不在于招懂AI的技术人才，而在于如何让公司里的“聪明人”把AI在业务中用起来。
我们可以参考摩根大通落地AI的案例，它们最开始的做法也是招很厉害的AI技术人才在IT部门的“实验室”做研究，但是花了巨额费用依然不见成效。
它们的破局之法在于，搭建AI中台，然后让一线员工自主在企业内部的AI中台搭建适配业务的AI agent，如果某些员工搭建的agent效果比较好，就重点在企业内推广。
而也正是通过这种方式，摩根大通终于能够交上能让董事会满意的成果。麦肯锡落地AI也是类似的方式，麦肯锡总共有6万员工，内部agent已经搭建了2.5万个。
对于我们大多数规模没那么大的企业，如果对大多数普通的企业数据没有太大的保密需求，完全可以不用搭建自己的AI中台，可以直接用第三方平台或者部署在电脑本地的agent平台。
我们也不需要把这个事情想得太复杂，我们从前面的part 1可以知道，搭建agent并不难；难的是如何动员大家动起来。信心是一笔宝贵、高价值，但需要维护的资产。
2-创始人和管理者的亲自使用是落地最大的动力。
我们经常能听到对管理咨询人士的抱怨是“外行指导内行”，其实我是很理解这句话的，只有看似正确的空洞方法论，对大多数人来说是没有什么意义的，甚至让人反感。
作为管理者，面对AI这一新技术，其实也需要特别警醒这点。
如果企业真的要坚定推动AI在企业内的深度应用，创始人和核心管理者必须：
A 要么自己亲身入局：核心是进场操作或者学懂技术，其次是愿意投入真金白银；
B 要么能够足够包容和鼓励：少一些毋庸置疑的指导与命令，收起以往成功的经验和自信，多一些研讨共创和容错鼓励。
当创始人或者核心管理者足够坚定，甚至进入了全心投入的“热爱”的状态时，很多难以跨过的难题和正当理由就不再是阻碍了。
3-聚焦核心工作场景，而非边缘场景
搭建agent不需要懂什么技术，但需要懂业务的人花很多精力去反复调试工作流的流程和系统提示词，直到其能稳定输出高质量的工作成果。
如果不是经常性、核心的、很耗时的工作场景，搭建agent的投入产出比是很差的，对工作的赋能提效有限，大家也容易失去继续探索的兴趣。
推动AI在工作中落地，最灵活有效的方式是：在公司里识别出几个“对AI充满好奇和探索欲、学习力强、懂业务”的人组成一个小组，针对自己工作的核心场景之一探索AI的落地，如果在业务的落地效果好，就可以推广给其他人。
比如我们作为咨询顾问，很核心的一个场景就是快速做行业研究，经常需要收集大量的资料，并把不同类型的信息对应到我们自己的行业研究模型的不同模块里。
我应用下来的情况是，目前我们自己搭建的agent已经能够很快地抓取到行业高质量的信息，基于我们自己工作的模型，生成一个几万字的研究报告，帮了我在不少项目的行业研究中很明显地提升了速度，能够让我在这些信息中看到不少“行业洞察”，信息来源也比较靠谱，也能追索到信息的原网站。
以我做行业研究的agent为例，目前我对这个agent的态度是“一个很快的信息检索和分类工具”，但是主要的结论判断，还是得靠我们自己。
因为目前在反复调试后，我的agent依然还存在一些局限性，比如对行业趋势的判断结论不准确、关键信息的重要性判断排序不对、部分概念混淆等问题。
在关键结论的判断上，依然高度依赖有业务实践经验的专业个体去主导。
有了靠谱的工作agent，最大的提效在于把专业工作的分工中相对低价值的工作“外包”给agent，在人机协作中实现以往需要很多人才能实现的工作。
这部分主要讨论AI对企业管理的专业领域的影响
1-AI对战略的影响
最近我们也接触了不少老板，我们发现很多老板都在焦虑，焦虑中AI时代自己和自己的企业会落伍。
但其实，对于大多数企业，都不需要太过于焦虑。
战略源于什么，一是宏观环境，二是客户分析，三是竞争格局，四是使命愿景。
对于大多数行业，宏观环境并没有因AI而有太大的变化，客户的人群和核心需求也没有太大变化，使命愿景也没有太大的变化，唯一需要比较关注的在于竞争，AI是否能够赋予你更高的核心竞争力。
关于竞争力的提升，从part 2的内容中，我们可以了解到目前AI对专业度的提升依然是非常有限，AI更多在于把你的企业之前的一些短板补齐到行业平均水平左右，但这并不能在专业上给你的企业打造非常核心的竞争力。
不过值得注意的是，AI会让本来就没有核心竞争力的企业在“卷低价”中出清，本来就不够专业的企业在AI时代是几乎没有生态位的。
AI会产生影响最大也最直接的行业主要是：
数字技术型行业：比如saas企业服务行业、服务器行业、网络通信行业等
政策强导向型行业：比如安防行业、军事行业等
前者的影响主要源于“成本革命”和技术带来的“产业路线变革”，后者的影响主要源于“财政拨款”的变化。
如果我们不是这些行业，其实不需要那么焦虑，也不需要让企业伤筋动骨，只需要保持开放心态，主动学习和接受变化就行了。看到了好的AI做法，我们可以抄，碰到了好的AI工具，我们可以买。
2-AI对组织的影响
AI对组织最大的影响在于：人员精简化、组织扁平化、团队民主化
A 人员精简化
现在我们已经能看到AI对企业的影响是，大多数企业对于坐办公室的初级岗位的需求已经有了很明显的下滑。
AI时代，不需要那么多人处理简单执行、逻辑固定不变的工作，这是对人的解放，也会导致大量办公室的工作岗位的消失。
（比如记录会议纪要、按固定格式处理数据表格、搜索汇总网络资料、定期汇总公司情况写ppt总结等）
B-组织扁平化
另一方面，伴随着AI让大家都变成了“一专多能”的多能手，在企业里，将可以基于项目需求随时把人灵活调走；
在这种情况下，岗位名称也会变得没那么重要。AI时代，组织管理的关键不在于层级管理，而在于能力管理。
在这方面实践走得比较前的是德勤，它们把18万员工的岗位名称都去掉了，而只需基于岗位图谱的能力管理。
“岗位图谱”会将公司业务所需的能力划分为不同的族群，族群下面又划分不同的技能序列。那么在德勤，员工所拥有的标签，就是不同技能序列的等级标签，如“项目管理5级+数字化技术6级”。
固定工资部分的赋薪基础，也不是基于岗位，而是基于能力。
这样基于能力的管理，天然地适应项目制管理的组织运作模式，也将进一步地支持围绕项目需求的人员的灵活调动。
而在已经采用了项目制管理的公司，真正有权力的不在于部门老大，而在于一线的项目负责人。反而是有时候部门老大跑去和项目负责人商量说A、B很久没有项目了，能不能下个项目带上他。
在这样的组织里，自然也不需要太多的中层上传下达，而且AI基于固定逻辑对任务的拆解，也会比人更稳定也更客观。
就像打仗一样，前线士兵要吃粮，中间运输队伍也要吃粮。中间路线长了，实际前线的人只消耗了总消耗粮草的少部分，比如1/3。
现在好了，AI时代，前线的人少了，中间的运输队伍也会大大减少，就会少了很多内耗斗争、部门墙和山头主义，少了很多过程的资源损耗，多了更多一线价值和高效协同。
C-团队民主化
权力是力量和信念的结果，未来企业内中层的权力含量也会大大缩水，企业的内部生态里，权力最大的将属于最接近客户和最接近掌舵的两端，而非中间的“节度使”。
与之对应的，每个一线的“超级个体”的个人感受、个人成长、自我状态的管理也将越来越重要。
做管理，赋能能力和共情能力，将成为上位的不可或缺，不然你管不住团队，大家不信你也不会追随你。
同时，随着人的变化、权力结构的变化，企业的决策机制也会改变，尤其是民主的共同决策机制将会越来越多甚至可能成为主流。
超级个体将成为公司的重要资产，而非消耗品，留住人、激发人、凝聚人，将成为企业最重要的核心竞争力之一。
面对这样的未来变化，管理者准备好了吗？企业家准备好了吗？你准备好了吗？
基于上面的三部分
PART 01 如何构建靠谱的AI工作助手
PART 02 企业如何落地AI
PART 03 AI对企业变革的影响
也希望大家看了能够有属于自己对AI时代的理解和感悟，
更重要的，更希望大家能够在这个变革的时代，行动起来，借用AI的工具改变你的人生和事业。