引子：从焦虑到平和的心路历程

今年2月，OpenClaw广为推崇，放眼望去，线上线下都在安装、讨论或者秀产出。受过去在大厂工作时“必须紧跟潮流、一步晚步步晚”的心态影响，我瞬间焦虑起来，疯狂扒视频、看文章，一路尝试了Claude、Gemini、CodeBuddy、ClaudeCode 等一众工具。连做研发的老公都调侃：“不知道的人还以为你是产研同学。”

后来，安全合规问题被频繁讨论，加上自己用了一圈后发现，其实也还好，没那么惊为天人——仍然需要人的主观输入和校准才能得到像样的产出。心态慢慢平和下来，能心平气和地选择偏好的工具搭子，稳住脚步了。

随着AI技术快速迭代，2025年以来各类AI工具集中涌现，“学习AI、使用AI”已成为个人与企业的共同动作。最近和几位朋友聊了各自公司的AI落地实践，发现不少公司开始系统推动：采购工具、组织培训、甚至在考核中纳入AI使用指标。大家意识上、行动上确实比之前紧张了，但围观之余，也听到一些不够冷静甚至有些过头的举措，感觉可能需要适度回归理性。如下是观察到的一些现象和粗浅思考。

一、三个值得注意的倾向

在狂热的拥抱行动中，一些管理动作出现了变形：

1. 高估当前能力，低估人的作用

一种常见表述是：“这个工作以后AI就能做了。”这种说法容易引发恐慌或松懈。

从源头看，盲目鼓吹AI的替代性，一部分来自大众媒体的渲染，另一部分可能是自媒体为了卖课圈钱。就AI工具的实践表现看，目前处理相对标准化、低复杂度、容错空间较大的任务时比较有效，例如生成文本初稿、整理会议纪要、辅助代码补全，但在需要经验判断、风险权衡、复杂逻辑判断、关键取舍方面，表现差强人意。比如要写一个项目方案，最终约略30%思路需要校准，且措辞细节等需要多重调适，并非毕其功于一役。

简单说，就是AI能将特定任务推进到及格线附近（大约60-70分），但从及格到优秀，通常仍需要人的介入——包括业务理解、上下文判断、针对性调整等。

这并非AI能力不足，而是其当前的技术进展使然。目前大模型本质上是基于历史数据训练的统计模型，并非逻辑推理系统，也不具备对现实世界的感知。比如搜集整合信息时，会发现很多AI幻觉，不加选择和判断会出大糗。

2. 考核方式的形式化与极端化

具体落地而言，不乏很多团队为了推动落地，开始统计AI工具的使用频率、对话次数、产出占比，甚至后台监控使用频次和使用场景。

这种积极拥抱的态度没有错，但问题在于：考核的是“是否使用”，而非“使用效果”。实操中很容易演变为为了达标而产生的无效对话/无效产出——询问无关问题、重复提问、刻意凑数。

如此下来，当考核指标与真实目标脱节时，不可避免大家的行为会出现偏离，极易诱发员工为了达成指标而进行“无效操作”，不仅可能与业务价值脱节，产生管理异化，甚至影响大家时间精力投入方向和产出ROI。

3. 试图一次性改造全部流程

另一种常见做法是：启动AI落地时，直接启动部门乃至公司全量流程梳理，逐项标记“是否可用AI替代”或“如何用AI优化”。

不可否认，着实从流程入手，才能整体撬动、形成新的组织能力，但执行中容易事倍功半，原因在于：并非所有流程都适合当前阶段的AI介入。实际很多流程问题不在于大家不知道或者技术实现问题，而在于卡点在人或者环境资源、协作等等问题。不分主次地全面推开，不仅消耗了团队对核心业务问题的深度思考，也容易让AI落地变成一场毫无重点、长战线、长投入的体力活，实际价值有限。

二、些许思考：AI提供的是起点，而非终点

基于当前AI工具的产出表现（60-70分水准），一个更务实的定位可能是把AI工具类比成一个“执行力强但经验有限的高级实习生”。可以用它快速完成指令明确的标准化任务，而把那些需要复杂判断和情境感知的工作交还给人类。

毕竟，大模型本质上是基于历史数据的统计模型，不具备对现实世界复杂利益关系的责任感，也无法真正理解组织内部的隐性约束和动态变化，最后30分的提升仍然需要人，是因为真实的业务判断依据往往不在可见的文档里，而是存在于人对业务背景的理解、对风险收益的权衡、以及对模糊目标的澄清能力中。

AI可以帮助我们加快脚步，但它无法脱离人的思考而独立产生真正的价值。用AI只是开始，驾驭它去解决业务顽疾才是终点。

三、如何落地AI应用的操作思考

落地的意愿要坚定，行动策略上要兼顾灵活与可行性：

1. 正向牵引优于负向惩罚

与其盯着工具点击量和使用次数，不如关注实际产出效果。通过奖励那些真正利用AI解决了业务痛点、提升了效率的真实案例，来营造氛围、引导主动探索。这比惩罚性指标更可持续。

2. 从小切口开始，逐步扩展

不必急于一次性改造全部流程。可以先选择两三个重复性高、容错空间大、反馈周期短的任务作为试点，比如撰写邮件草稿、整理文档摘要、辅助代码生成。跑通后再考虑进一步推广到更多场景。

3. 深耕底层能力建设

AI工具的使用门槛正在持续降低。未来更重要的能力，不是编写花哨的提示词，而是：

• 将模糊问题清晰定义的能力
• 判断AI输出是否可靠的鉴别能力
• 在AI输出基础上进行有效修正和完善的能力

这些底层能力在任何技术周期中都具有长期价值。无论个人还是公司，都应该持续在这些方面成长、建设。

结尾：不试试怎么知道呢？

说到底，AI是工具，不是目的。它能帮助我们跑得更快，但不能替代我们决定跑向哪里。

最近听说Kimi不错，看到它新一轮融资的消息，我心血来潮又把它捞回来付费体验了一把深度思考。虽然试完后略有失望，甚至还开玩笑想反馈“能不能把早上充的钱退回来（哈哈）”，但这恰恰是我当下的状态：保持好奇，但不盲从；大胆尝试，但心态平和。毕竟，不试试，怎么知道边界在哪里呢？

希望AI工具越来越好用，也希望我们在驾驭工具的路上始终保持独立判断，持续进化。共勉。