夜雨聆风一个真实的对比
先说两个我同时参与的项目。
项目 A：一家公司接入大模型。他们买了 API，建了对话界面，让员工可以"问 AI 任何问题"。一个月后，除了几个人偶尔用来写周报，这个系统几乎无人问津。问为什么，回答是："AI 说的东西，我用不上。"
项目 B：另一家公司每天要处理 10-30 张发票。人工流程是——从群里下载 PDF，逐张打开看金额和客户名，对照表格找到对应的业务员，再转发到对应群。每天大约花 30 分钟，偶尔会漏发或转发错人。我们用 AI 改造了这个流程后，它变成了：PDF 丢进监控文件夹 → AI 自动识别 → 匹配客户和业务员 → 推送到对应群。上线后每天节省 25 分钟，漏发率降到 0。
两个项目的区别在哪？
项目 A 在"接入大模型"；项目 B 在"重做工作流"。
这不是技术能力的问题，是落地思路的问题。
现在企业 AI 的普遍误区
2025-2026 年，几乎没有企业没试过 AI。麦肯锡 2025 年全球调查显示，AI 在企业中的使用面已经大幅扩大，Agentic AI 开始增长。但同一份报告也指出：从试点到规模化价值，仍是多数组织的难题。
IBM 的研究更直接：过去三年，CEO 们认为只有约 25% 的 AI 项目达到了预期 ROI。
换句话说：AI 花了，API 接了，系统也试了，但业务没有明显变好。
我观察到的主要原因有三：
误区一：把 AI 当成"问答案的东西" 很多企业把 AI 接入做成一个"知识问答"入口。但企业真正缺的不是答案，而是把答案变成动作的流程。员工问完 AI，还是得手动去系统里操作、复制粘贴、审批确认——AI 成了额外步骤，不是流程的一部分。
误区二：从模型出发，而不是从场景出发 先决定用哪个模型，再想能做什么。这导致项目往往卡在"模型能力够不够"的争论上，而不是"这个流程要不要改"的决策上。
误区三：低估了人和系统的配合成本 AI 输出 80% 正确的数据，企业需要的是 99.9% 可执行的业务动作。中间的 19.9% 差距，需要靠工作流设计来填补。
Gartner 在 2025 年预测：到 2027 年底，超过 40% 的 Agentic AI 项目将被取消，原因是成本、商业价值不清或风险控制不足。
这个预测其实不是在说 Agent 不行，而是在说：用旧的工作方式去接入新的 AI 能力，注定走不远。
从五个真实项目看"重做工作流"意味着什么
我在过去一年做了五个方向的 AI 落地项目。它们涉及的模型不同、工具不同、业务不同，但有一个共同点：都不是从"接入大模型"开始的，都是从"改造一个具体工作流"开始的。
1. 发票自动化：一个 30 分钟的流程被改写成 5 分钟的工作流
原流程： 财务在群里收到 PDF 发票 → 下载到本地 → 打开 PDF 看金额和客户名 → 打开表格找对应客服/业务员 → 私聊或群聊转发 → 记录到汇总表。
整个过程每天 30 分钟，人工操作 6-8 步。容易出错的地方：客户名字写法和表格不一致时匹配会错、转发多了或少发了、汇总表漏登记。
AI 改造后的流程： 发票 PDF 放入监控文件夹 → AI 自动识别金额、客户名、发票号 → 根据客户名模糊匹配业务员和客服 → 推送到对应飞书群 → 自动汇总到 Bitable。
人工节点： 匹配度低于 90% 的发票，系统推送到"待人工确认"队列，由财务确认后再自动转发。
上线结果： 每天节省约 25 分钟，漏发率为 0，匹配准确率逐步从 85% 提升到 97% 以上。
踩坑记录： 一开始我们尝试让 AI 直接转发所有匹配结果，但发票上的客户名和表格中的客户名经常有细微差异（比如"有限公司"和"有限公"的缩写），导致错发。后来加了模糊匹配 + 置信度阈值 + 人工兜底，才稳定下来。
2. 电商挂网监控：从人工巡检到 AI 风险预警
原流程： 运营人员每天轮流去京东、拼多多、天猫搜索自家产品和竞品 → 逐页翻看是否有违规挂网、窜货、低价销售 → 截图 → 登记到表格 → 私聊对应负责人处理。
一个人每天 1-2 小时，只能覆盖不到 30% 的商品 SKU，且容易漏掉临时上架的违规链接。
AI 改造后的流程： Playwright 定时采集电商平台数据 → AI 清洗结构化 → 匹配客户白名单 → 识别新增产品、新增店铺、重复出现、授权异常 → 分级告警到飞书群。
人工节点： 新出现的违规链接必须人工确认后再触发正式告警和处理流程。白名单的新增和变更由人工维护。
上线结果： 覆盖 100% 目标 SKU，从每天 1-2 小时人工降至每天 10 分钟确认异常，违规发现提前 2-3 天。
踩坑记录： 电商平台的反爬机制变化频繁。首月有 3 次因为页面结构调整导致采集失败。解决方案是加监控告警 + Playwright 降级重试 + 人工巡检兜底开关。
3. 飞书打卡自动化：从自我驱动到系统驱动
原流程： 员工自行打卡 → 主管抽查 → 月底 HR 手动导出考勤 → 核对异常 → 逐一私聊确认。
AI 改造后的流程： 员工打卡 → 飞书机器人自动推送到业务打卡群 → 日报月报自动导出 → 考勤异常自动汇总 → 推送到人事审批流。
人工节点： 异常考勤的处理结果由 HR 确认，AI 只做采集和推送，不做判定。
上线结果： 打卡率从 85% 提升到 98%，HR 每月考勤核对时间从半天缩短到半小时。
4. 企业知识库驱动内容营销：从各自为战到系统复用
这条链路更长，涉及从知识库到公众号和小红书的完整闭环。
原流程： 运营、销售、客服各自维护自己的文档和话术 → 内容团队写公众号靠个人经验 → 小红书靠员工手动发 → 数据不回流 → 下个月从头做选题。
AI 改造后的流程： 飞书 Wiki 作为知识中台（制度库、产品库、案例库、话术库、SOP 库） → AI 根据知识库生成内容草稿 → 经人工审核后排版 → 自动推送到公众号草稿箱 / 小红书发布队列。
人工节点：
• 每篇公众号文章发布前人工审核内容和标题
• 小红书发布保留扫码确认
• 关键数据和案例事实人工核对
上线结果： 公众号内容产出周期从 2 天/篇缩短到 4 小时/篇，小红书矩阵从 3 个账号扩展到 18 个账号的规划。
5. Agent 工具化：从 ChatGPT 自由发挥到可审计的业务执行
这是最"不 AI"的一个项目，但却是让我最受启发的。
我们做了一个 Boss Agent——把招聘平台的职位发布、简历筛选、打招呼、投递、跟进等操作封装成 Agent 可调用的工具。它的核心价值不是"AI 能聊天"，而是**"AI 能按 SOP 操作外部系统，并且每一步都可审计、可回滚、可人工干预"**。
这让我意识到：企业 AI 落地的终点，不是对话界面，而是可编排、可审计、可兜底的业务执行系统。
核心方法论：六要素框架
经过这几个项目，我逐渐总结出一套自己的方法论。不管接什么企业 AI 项目，我都会用这个框架来评估和设计：
场景 SOP × 企业知识库 × 工具调用 × 人在回路 × 数据回流 × 治理风控
1. 场景 SOP
先找每天重复、可验收、可度量的业务流程。发票处理、考勤汇总、商品巡检、内容生成——这些流程有三个共同特点：高频、确定、有验收标准。不是所有场景都适合 AI，先从不适合人的场景开始。
2. 企业知识库
AI 不靠训练数据回答你，而靠你喂给它的上下文。制度、产品资料、案例、话术、SOP——这些必须提前清洗成 AI 可用的结构化知识。知识库的质量，决定了 AI 回答的质量。
3. 工具调用
AI 要有"手"，不只能"说"。飞书、表格、数据库、浏览器、发布平台——让 AI 能调用这些工具，它才能真正进入业务流程，而不是停留在对话窗口。
4. 人在回路
关键节点保留人工确认。这不是技术妥协，是上线条件。凡是不能人工干预的自动化系统，都不应该上线。 扫码发布、草稿审核、异常复核——人工节点不是多余的，而是系统的安全阀门。
5. 数据回流
做完一步，结果要沉淀下来。发布数据回流到选题库，异常数据回流到风控表，效率数据回流到指标看板。没有回流，AI 项目就永远停留在"试一下"，而不是"持续优化"。
6. 治理风控
权限、日志、脱敏、重试、白名单、黑名单、审计、回滚。这些听起来像工程问题，但其实是业务信任问题。企业敢不敢让 AI 自动执行，取决于它能不能说清楚每一个动作是谁做的、为什么做、出错了怎么恢复。
可复用清单：如果你想在企业推进 AI 落地
对照下面五条，看看你卡在哪一步：
第一步：找一个高频、确定、可验收的流程 不要找 CEO 关注的战略级场景。去找财务、运营、客服、HR 手里那种"每天都要做、做错了很麻烦、做对了没人知道"的流程。
第二步：盘点这个流程涉及的数据 数据在哪里？谁维护？什么格式？更新频率？权限归谁？如果数据不能稳定获取，AI 就不该先上。
第三步：设计人工兜底节点 在 AI 输出到业务执行之间，留出人工确认的缝隙。这个缝隙的大小取决于容错成本。
第四步：定义成功的指标 不要写"提高效率"。要写"每天节省多少分钟""漏发率降低到多少""处理量提升多少倍"。
第五步：上线后留出迭代空间 第一个版本不要求完美。上线 > 完善。 真实数据跑起来，你才知道哪些地方需要模糊匹配、哪些需要降级策略、哪些需要人工介入。
为什么是"重做工作流"，而不是"接入大模型"
回到开头的问题。
接入大模型，是把 AI 当成一个"外挂"。它知道的很多，但它做不了事。
重做工作流，是把 AI 嵌入业务流程。它能看发票、能匹配客户、能推送消息、能生成草稿、能采集数据——它能像一个人那样，在一个完整的业务流程里扮演一个角色。
企业 AI 落地，不是在办公室里多装一个 ChatGPT 入口。
企业 AI 落地，是把一个本来需要人做的流程，改成人 + AI 配合做的流程。
这是两回事。
后续预告
这篇文章是一个开篇。接下来我会按这个思路，逐一拆解每个项目的工作流：
• 《我为什么把飞书当成企业 AI 的操作系统》
• 《一个 30 分钟人工流程，如何被 AI 自动化接管》
• 《电商挂网监控：AI 如何帮企业做风险预警》
• 《企业知识库不是把 PDF 丢进向量库》
• 《公众号自动化不是自动群发，而是自动生成可审核草稿》
如果这些内容对你有用，欢迎关注。如果你正在做企业 AI 落地，欢迎交流。
本文基于真实项目经验撰写，项目数据已经脱敏处理。
