夜雨聆风
看了很多企业AI落地的文章，也写过几篇。至今没见过一个传统大型企业真正完成AI转型。
我想要的很具体：企业明天要开始做这件事，第一步该干什么？难点在哪？
看看这段企业政策原文，大多数领导者都会给出这样的描述：“依托AI大模型的发展升级，推动业务AI应用，从流程自动化迈向决策智能化……为操作层提供高效工作台，为管理层提供实时监控台。”
作为执行者，我们该把枪指向哪？
齐桓公和轮扁
齐桓公在堂上读圣贤书，轮扁在堂下做车轮。他放下工具上前问：“您读的是什么？”桓公答：“圣人之言。”轮扁说：“那不过是古人的糟粕。”桓公大怒，要他解释清楚。
轮扁说：做车轮时，榫眼太松会滑，太紧又嵌不进。必须不徐不疾，得心应手，但这种技艺无法言传。我无法教给儿子，儿子也学不会，所以七十岁还在亲手做轮子。
可见，真正的精髓，不在书里。
轮扁认为经验无法言传，到现代，这点也并没有改变，我们不像三体人一样直接将经验隔空传给另一个大脑。
很多企业真正有价值的经验，不在制度文件，也不在工作手册，而在人的脑子里。
会计知道哪类数字账面正常但实际是虚的，老中医知道病症背后可能是心理问题。只可意会，不可言传。
这里有个简单的判断。
如果你会做一件事但说不清楚→你只能自己做；
如果你说不太清但别人能理解→你能雇人做（传统杠杆）；
如果你能把隐性变成显性、形成规则→你能让AI做（现代杠杆）。
这些经验过去靠人带人，靠师傅带徒弟，靠组织里的默契慢慢流动。到了AI时代，如果想让机器参与进来，就必须把这些经验说出来，拆出来，写成规则。
所以企业推进AI，谁能把事情讲清楚，枪就应该在谁手里。
把流程拆到足够具体
用过Agent的人，一定都能理解AI的工作方式。
生成式模型本质是概率预测，祈求正确结果无异于抽卡。以做表格为例，人需要先理解目的、数据来源、表头设计、字段约束、计算校验、给谁看……
拆到这种程度，才能判断哪里真正需要AI，哪里不需要。
吴恩达Agent课程中讲过一点，Agent也分高低智能，并不是每个环节都硬要上模型。需要稳定输出的地方用代码，循序开放性决策的地方上模型。不要把所有事情都交给AI，而要重新划分工作，让代码、模型和人各自站到合适的位置上。
很多企业的误判在于，以为接入AI，流程就会自动变聪明。
创新与稳定背道而驰
千万不能忽略的一点就是，AI在打破专业壁垒，让非本专业的人也能快速上手一件任务，大不了不停追问。所以在规模大，组织结构冗余的公司，人员可能往通才的方向发展。
当前互联网大厂的裁员现象表明，看似拥抱变化的盲目革新，实则带来了深层的组织问题。
以前任务边界相对清楚，AI参与以后，问题会变成结果是谁生成的，谁审核的，谁批准的，出错以后谁负责，模型调用了哪些数据，有没有越权，有没有泄露。AI用得越深，责任边界越容易模糊。
创新永远走在安全之前，本身就和落地AI过程中追求稳定、可控的方向背道而驰。
难以解决的问题
为什么大型企业不能像个人一样直接用AI？
需要高质量的数据。
数据是任何模型输入的关键，大语言模型的发展趋势表明，越复杂规模数量越大的数据，可以提高模型的输出质量和输出结果。有些公司连基础数据治理都没做好，直接就开始用AI分析，那么他往往不会得到什么好的结果。
用谎言去验证谎言，得到的还是谎言。
潜在的解决方案太多。
当一个问题有太多的答案，如果想通过穷举的方式去解决问题，并不是很实际。从历史角度来看，这些问题一般都是采用启发式的方式解决的。用单一的规则来解决，往往可能找到大多数情况下足够好的方案，但并不是最优解。针对这种有无数解决方案的问题，运用AI是一种比较好的选择，但是验证这些方案就变得更加困难了。
而且语言模型擅长生成一些有创意的和多样的答案，如果出现了幻觉问题，生成了与事实不符的信息，会削弱企业对模型决策的信任。
缺乏可衡量的目标。
也就是说，想要模型帮我们解决具体问题，就需要明确的知道如何衡量问题是否已经解决。
比如AlphaGo下围棋，赢下这盘棋，就是一个清晰、可衡量的目标。然而很多企业的决策者并不清楚企业最终要达到什么目的，只知道有一个问题摆在这儿。
还记得我们之前常说的，AI时代缺乏的三大能力，第一个就是写作能力。写作就是将这个问题清晰地拆解出来。
如果你能清晰将问题描述出来，那么多数问题已经解决了一半。
最后想说这点洞见来自SECI模型。知识创造的起点源于个人的隐性知识。知识在这个“社会化-外显化-组合化-内隐化”的循环中流转，每一次循环都会将知识的质量和数量推向更高层次。随着这个循环在团队、部门乃至整个组织间不断展开，知识便实现了从个人到组织的跃升，形成不断扩张的“知识螺旋”。
实践、认识、再实践、再认识。
AI的应用，也应该是这样螺旋上升的。
