夜雨聆风很多团队都在用AI，但大部分还停留在"个人提效"的阶段，比如某个同事用ChatGPT写了封邮件，某个运营用AI生成了几张图。这些当然都有价值，但它们是散点，不是系统。
真正的问题是一个组织到底如何把AI编进自己的运转方式里。
现在我们小红书业务团队一直在做这件事。试图认认真真地回答一个问题：一个接近百人的业务团队，怎么让AI成为组织能力的一部分，而不只是某个人的快捷工具？
这篇文章想分享我们走到今天的一些真实思考和实践。不一定对，但都是真实的经历。
一、从SOP到Skill：一个认知转换
过去很长一段时间，我们组织的基本底层知识库就是SOP。标准化操作流程是好东西，它让经验可复制，让新人有据可依。但SOP有一个前提：执行者是人。
当AI进场之后，SOP的局限就暴露了。SOP是写给人看的，它假设执行者能理解上下文、能灵活应变、能在模糊地带做判断。但AI不需要"看懂"一份SOP文档，它需要的是可执行的Skill：明确的输入、明确的输出、明确的判断规则。
这个区别很微妙，但极其关键。
举个例子：我们小红书业务有一个9节点的商务全流程，过去沉淀了大约20个SOP项。当我们开始推AI落地的时候，第一件事就是把每一个SOP拆解、重构成AI能直接执行的Skill。这中间需要做大量的知识工程，把隐性的经验变成显性的规则，把"老人才知道的潜规则"变成标准化的判断逻辑。
这不是技术活，是管理活。
很多公司买了最好的大模型、接了很多API，但AI落不了地。原因往往不在技术，而在于没人做"SOP到Skill"的翻译工作。这一步，必须业务一把手亲自下场，因为只有真正懂业务的人，才知道哪些环节的judgment可以被规则化，哪些不能。
二、不要用AI替代岗位，要用AI重组工作流
"AI要取代多少岗位"，这大概是过去两年被讨论最多、也最容易引发焦虑的话题。但在实践中，我发现这个问题本身或者就问错了。AI不是来替代某个人的，它是来改变工作被完成的方式的。真正要做的不是"砍岗位"，而是重新审视每一个工作流，找到AI和人各自该站的位置。
我们的CRM岗位是一个典型案例：负责CRM维护的小张，现在和一个我的AI搭档叫阿尼塔一起工作。小张通过标准化的指令（我们编号为指令一到指令四）来驱动阿尼塔完成数据录入、状态更新、异常提醒等工作。小张的角色从"数据操作员"变成了"AI协作管理者"，她的核心工作不再是敲键盘，而是确保AI的输出质量、处理AI搞不定的异常情况、以及优化指令本身。
这种"人+AI"的组合不只发生在CRM。我们在商务、策略、运营、项目管理等多个部门都在做同样的事情。每个部门都有一个AI负责人（AI Lead），不是技术人员，而是最懂那个部门业务的人。
三、五定框架：让AI落地有章可循
光喊"用AI"没用，得有管理机制。
我们内部提炼了一个"五定框架"来推进AI在组织中的落地：
定岗位，哪些岗位或工作环节引入AI协作。不是所有岗位都适合，优先选择重复性高、规则明确、数据可得的环节。
定标准，AI输出的质量基线是什么。你不能让AI干活却不检查结果。每个Skill都需要明确的验收标准，就像招了一个新员工你得有考核标准一样。
定反馈，怎么衡量AI带来的实际价值。不是看"用了多少次AI"，而是看业务指标有没有变化：响应速度、客户满意度、错误率、人效比。我们用数据看板来做可视化追踪，让效果看得见。
定迭代，AI不是部署完就完了。每个Skill都需要定期回顾和优化。上周好用的prompt，这周可能因为业务变化就不好用了，定期每两周做一次Skill Review。
定负责人，每个AI落地项都得有一个明确的人来负责。不是IT部门的人，而是业务部门的人。谁最懂这个环节，谁来当这个Skill的Owner。
这五个"定"看起来挺朴素的，但它解决了AI落地最常见的几个失败模式：没人管、没标准、没迭代、没法衡量效果。
四、两层同时转：业务层和管理层
很多团队推AI的时候只关注一层："AI能干什么"。能写文案了，能做数据分析了，能自动回复客户了，这些都是业务层的能力。
但我们发现还有一层同样重要，甚至更难："怎么让AI持续干好"。这是管理层的问题。
业务层回答的是What——AI能做什么。
管理层回答的是How——怎么让AI在组织里持续地、高质量地运转。
举个例子，你的AI-Agent今天能自动给客户发跟进消息了（业务层搞定了）。但谁来监控发送质量？出了客诉谁负责？新的产品上线后prompt谁来更新？Agent之间的协作流程谁来设计？这些都是管理层的问题。
两层必须同时转，缺任何一层都走不远。
只有业务层没有管理层，AI就是个工具，Demo做得漂亮，上线三个月就没人维护了。只有管理层没有业务层，那就是空转，一堆流程和文档，但AI实际上没在干有价值的活。
我们在实践中的体会是：业务层的突破往往来自一线同事的探索，他们最知道哪里痛；管理层的建设则需要团队负责人推动，因为它涉及权责、流程和考核，这些不是一个一线员工能拍板的事。
五、AI时代的组织护城河
有一个观察也越来越清晰：在AI时代，产品和技术的可复制性大幅提高了。你今天做出来一个好用的AI功能，竞争对手下周就能做出来差不多的。大模型是公共基础设施，prompt是文本文件，API是标准接口，这些都不构成壁垒。
那什么才是壁垒？或许答案是组织本身。
更准确地说，是一个组织把AI编进自己运转方式的能力，这件事极难复制。因为它不是一个技术决策，而是无数个管理决策、文化选择、人员配置、激励设计的叠加。它是路径依赖的，是和团队基因绑定的。
历史上，很多伟大的公司本质上是"组织发明"。它们之所以伟大，不是因为某个产品领先了几个月，而是因为它们围绕新的工作类型发明了新的组织结构。流水线之于福特，矩阵式管理之于宝洁，敏捷开发之于互联网公司，每一次技术变革，最终都催生出新的组织形态。
AI时代的组织形态会是什么样？坦白说没人知道确切答案。但有一件事是确定的：答案一定是从一个个团队的实践中长出来。
我们团队也还在摸索。但有几个方向已经越来越明确：
第一，人才密度是结构性决策。当AI处理了大量routine工作之后，留给人的都是更需要判断力、创造力和业务洞察的部分。这意味着你需要更好的人，而不是更多的人。
第二，激励机制必须跟上。你不能一边喊'全员用AI'，一边对主动推进的人视而不见。如果一个人花时间把自己的工作流程梳理成AI Skill、帮团队提了效，但这件事完全没有得到认可，那下次谁还愿意做？组织推AI和推任何变革一样，需要让做事的人被看见。
第三，"边做边学"会变成常态。过去说"边做边改"，更多是因为老板改主意了，方向变了。但AI时代的"边做边改"有一个根本不同：不是方向变了，而是随着事情推进，上下文变得越来越完整，AI能做的事情会持续扩展。一个三个月前不可能自动化的环节，今天可能因为数据积累够了、模型能力提升了，突然就可以做了。这要求团队保持敏感，持续关注AI能力的变化，就像你关注市场变化一样。
六、数字基础设施的重新定位
最后说一个容易被忽视的点：很多公司这几年投了大量资源建BI系统、上ERP、搞数据中台。这些投入不会白费，但它们的定位需要调整。
过去，这些系统的核心价值是"给人看报表"。但在AI时代，它们最大的价值应该变成"给AI提供可信赖的数据闭环"。
什么意思？AI要做好决策、执行好Skill，需要两样东西：可靠的输入数据，和可验证的输出结果。如果你的数据系统里充满了脏数据、断裂的流程、和没有闭环的记录，那再好的AI也做不出靠谱的判断。
所以，数字基础设施建设的重心要从"让人看得懂数据"转向"让AI用得好数据"。这不是推翻重来，而是在现有基础上做一次重新定位。具体来说，就是确保数据有标准的接口、有完整的时间线、有可追溯的来源，让每一个数据点都能成为AI信得过的决策依据。
写在最后
最大的感受是：把AI编进组织，本质上不是一个技术项目，而是一次管理升级。技术在外面，很容易获得。但"怎么把技术用起来、用好、用到组织的骨骼里"，这件事没有标准答案，只有每个团队自己走出来的路。
这场变革才刚刚开始，我们也还在路上。
