夜雨聆风
最近这段时间，我一直在想一个问题：
公司里很多基础岗位的低效，真的是因为人不够努力吗？
我越来越觉得，不是。
很多时候，人不是被工作本身拖住，而是被工作周围那些碎片拖住。
这些事情单独看，都不大。
但它们每天出现，反复出现，而且不能不处理。
如果不处理，客户会等，项目会乱，同事之间会互相追问，最后管理者也要被拉进去补位。
我这次做 Kickstarter 相关工作流自动化，表面上是在解决一个具体项目的问题。
但做完之后，我反而觉得，真正值得写的不是 Kickstarter。
真正值得写的是：一个团队怎么判断哪些工作应该被 AI 重做一遍？管理者又怎么把那些靠经验、靠记忆、靠人肉同步的事情，重新整理成可以执行的 SOP？
先别问 AI 能不能替你干活
很多人一提 AI 自动化，第一反应是：
能不能直接让 AI 替我回复客户？
能不能让 AI 自动做决定？
能不能把某个岗位完全省掉？
我现在反而不这么看。
如果一上来就把 AI 放到“最终决策”那一步，风险很高，落地也很难。
真正更适合先改造的，是另一类工作：
高频发生； 单次价值不高； 不能漏； 长期依赖人的注意力； 一旦出错，又会影响客户体验或团队协同。
这种工作最消耗人。
它不会立刻让公司出大问题，但会一点点磨掉团队的专注力。
跨境电商里的客户消息和物流跟进，销售团队里的线索分配和客户状态同步，供应链里的订单异常和交期提醒，内容团队里的选题、素材、发布节点，财务里的发票、报销、对账，人事里的入职、转正、合同。
行业不一样，表面问题不一样。
底层其实很像。
信息入口太散，判断标准太模糊，处理动作靠记忆，结果追踪不完整。
这类工作，才是 AI 工作流最应该先切进去的地方。
我这套流程是怎么搭起来的
我没有一开始就做一个很大的系统。
如果一开始就想着“我要做一个完整平台”，这件事大概率做不下去。
我先做的是一条很窄的链路：把每天分散出现的信息，整理成一份同事真正能处理的日报。
第一步，是把入口收拢。
原来信息分散在管理邮箱、平台通知、客户邮件和群沟通里。我的第一步不是让 AI 处理，而是先让程序每天固定时间去管理邮箱里抓取相关消息，过滤掉明显无关的内容，并记录哪些已经处理过，避免重复。
这里用的是 Python、IMAP、状态文件和定时任务。听起来很技术，但本质很简单：先把散落的信息放到一个入口里。
第二步，是让 AI 做理解，而不是做决定。
消息被抓回来以后，我让 Claude Code 去做英文内容理解：翻译、摘要、判断类型、初步标优先级、建议谁跟进、判断应该邮件回复还是后台回复。
这一步我没有让它直接发出去。
它只是把原来需要同事反复读、反复判断的内容，整理成更容易处理的形式。
第三步，是把结果变成一个工作界面。
我没有让结果停留在聊天框里，而是生成 Excel 看板：哪些需要处理，哪些只是记录，哪些要物流同事看，哪些需要邮件回复，哪些需要到后台回复。
这个看板很重要。
因为团队协作不能只靠一句“AI 已经看过了”。
同事需要看到一张能处理的表，管理者需要看到一个能追踪的状态。
第四步，是把提醒推到工作现场。
日报生成后，会推到钉钉。物流相关内容会单独提醒。验证码和重点项目消息，也可以做成即时提醒。
这一步解决的不是“内容理解”，而是“消息有没有到该到的人手里”。
很多流程卡住，不是因为没人能做，而是因为信息没有被正确交付。
第五步，是保留人工审核。
需要邮件回复的内容，可以先生成草稿，但最终仍然由人确认。
我不想为了显得自动化，就把对外动作全部交给 AI。
真实工作里，能自动整理，已经很有价值；能自动发送，反而要非常谨慎。
这些 AI 分别放在哪一步
这次实践让我更清楚地意识到：不是每个 AI 都要解决所有问题。
Codex 更像我的工程搭档。
我用它一起拆任务、看代码、改脚本、查日志、补配置说明。很多时候，我不是让它“写一段代码”，而是让它把我脑子里的流程变成可以运行、可以报错、可以追踪的东西。
Claude Code 更像理解层。
它适合处理每天变化的英文消息，帮我做摘要、分类、优先级判断和回复草稿。它不是最终负责人，但它能把原本很散的信息先整理成结构。
ChatGPT 更像思考层。
我会用它反复问自己：这个流程边界在哪里？哪些地方能自动化？哪些地方必须人工确认？这件事怎么讲给团队听？它不是在替我执行，而是在帮我把管理逻辑想清楚。
DeepSeek 现在更多放在内容沉淀层。
我每天记录自己学习 Codex、Claude Code、AI 自动化和公司流程改造的过程，再用 DeepSeek 帮我整理成公众号草稿。它不直接参与客服处理，但它能把实践变成可复盘、可传播的内容资产。
底层工具其实不复杂：Python、邮箱 IMAP、Excel、钉钉、定时任务。
但它们被串起来之后，就不再是几个零散工具。
它变成了一条工作流。
一个可以迁移到其他行业的框架
现在我看任何一个想改造的流程，都会先拆成五层。
第一层，是输入层。
信息从哪里来？邮件、表格、CRM、ERP、飞书、钉钉、微信群、后台通知、客户留言，都是入口。
很多团队不是没有信息，而是信息太散。
第二层，是识别层。
这条信息属于什么类型？要不要处理？优先级高不高？有没有风险？应该归到哪个客户、订单、项目或负责人？
过去这一步常常靠老员工经验。
但经验如果只存在一个人脑子里，团队就会一直依赖这个人。
第三层，是处理层。
下一步应该做什么？回复、转交、补资料、更新状态、发提醒，还是只记录？
AI 可以在这里给建议、写草稿、补背景，但未必需要直接执行。
第四层，是协同层。
谁必须知道？谁负责跟进？结果要同步到哪里？
很多流程失败，不是因为没人会做，而是因为事情没有被交到正确的人手上。
第五层，是复盘层。
这件事最后有没有处理？用了多久？是不是重复发生？下次能不能形成规则？
没有复盘层，自动化只是把事情推快一点。
有了复盘层，团队才会慢慢变聪明。
SOP 不是写一份文档
以前我也以为 SOP 就是流程文档。
现在我觉得，这个理解太浅了。
真正有效的 SOP，至少要回答四个问题：
什么时候触发？ 怎么判断优先级？ 谁负责下一步？ 结果怎么记录和复盘？
很多公司的 SOP 之所以没有用，是因为它只写了“应该怎么做”，没有解决“工作发生时怎么自动进入流程”。
客户问题来了，如果它还躺在某个人邮箱里，SOP 没有启动。
消息转到群里，但没人知道谁负责，SOP 没有闭环。
处理完以后没有记录，下次还要重新判断，SOP 没有沉淀。
AI 能帮我们重做 SOP，不是因为它能替人负责，而是因为它能把原来散落的经验变成结构化流程。
过去的 SOP，是人读文档，然后照着做。
未来的 SOP，应该是信息一进来，系统就先完成初步识别、分类、提醒和记录。
人不是被 SOP 管住。
人是被 SOP 支持。
怎么判断你的工作适不适合做 AI SOP
我现在会用一个很简单的检查表。
如果一件事符合下面五条中的三条，就值得认真考虑用 AI 重做一遍流程：
每周都会重复发生； 需要从多个地方收集信息； 经常需要同事之间互相提醒； 有一定判断，但判断标准相对稳定； 一旦漏掉，会影响客户体验、交付、财务或协同。
如果全部符合，就不要再只靠“人更细心一点”。
这类工作继续靠人撑，迟早会出问题。
不是今天，就是下个月。
不是这个员工，就是下一个员工。
因为它本质上不是人的问题，而是组织没有把经验沉淀成系统。
这也是为什么我觉得这件事会让很多人焦虑。
以后公司不一定会问：你每天做了多少重复工作？
公司更可能会问：这些重复工作，为什么还需要你每天手动做？
这句话听起来有点刺耳。
但它很现实。
AI 不会马上替代所有岗位。
它会先替代那些没有被系统化、没有被标准化、没有被复盘的重复动作。
所以，真正应该焦虑的不是“AI 会不会取代我”。
而是“我现在做的工作，有多少还只是靠人工记忆和重复搬运在维持”。
管理者应该先做哪三件事
如果你是管理者，不需要一开始就做很大的系统。
先做三件事就够了。
第一，找出团队里最消耗注意力的重复流程。
不是最难的工作，而是最频繁、最碎、最容易漏、最让人烦的工作。
第二，把这个流程拆成输入、识别、处理、协同、复盘五层。
不要一上来问“能不能自动化”。
先问：信息从哪里来？谁判断？谁处理？结果去哪？下次怎么避免重新来一遍？
第三，只让 AI 先接管低风险环节。
比如摘要、分类、优先级、草稿、提醒、日报。
最终决策和对外动作，仍然交给人。
这样做，阻力小，风险低，但价值很快能被团队感受到。
最后
这次 Kickstarter 工作流只是一个入口。
它让我更清楚地看到：AI 自动化最有价值的地方，不是把某个具体动作做得更快。
而是让管理者重新审视一个问题：
团队里到底有多少工作，还停留在“靠人记住、靠人转发、靠人判断、靠人催促”的阶段？
这些工作过去看起来很正常。
但在 AI 时代，它们会越来越显得低效。
未来真正有竞争力的团队，不一定是最早买了多少 AI 工具的团队。
而是能最早把自己的经验、流程和判断标准，转化成 AI 可参与的 SOP 的团队。
这件事越早做，越像效率提升。
越晚做，越像组织补课。
AI 自动化最值得先做的，不一定是宏大的系统。
它可以从每天被重复打开的邮箱、后台、表格和提醒开始。
