夜雨聆风上周在评估一个重要客户的跟进方案时，我打开了 CRM 看历史成交记录，又翻到飞书表格查工程师的最新跟进，再去本地文件夹找上次销售培训的最新资料，最后还到微信里查看了朋友转给我的竞争对手的动态信息。
四个入口，来回切了快四十分钟，才把"给这个客户的跟进方案"拼出一个大概。
我已经在用好几个 AI 工具了——AI 帮我写邮件、做会议纪要、清洗数据。但这些工具再强，也改变不了一个事实：我依然在用四十分钟，手动把散落在各处的上下文搬运到一起。
这和我之前在笔记里写下的一个判断对上了：很多号称"AI 原生"的产品，不过是在旧系统右下角加了一个聊天框——本质还是"AI+"，谈不上真正的 AI 原生。
那什么是真正的 AI 原生？如果产品有 AI 原生，管理者有没有"AI 原生"？
我觉得至少有三个转变值得聊聊。
第一个转变：从"打开系统"到"提出问题"
真实的管理场景是：渠道拓展的进展散落在销售的口头汇报里，客户的真实卡点藏在微信聊天记录里，竞争对手的动作碎片化地出现在各种行业群。
我原来以为，是工具不够多、数据不够全。后来发现，问题出在入口——一个真实的业务判断，从来不住在某一个系统里。
现在我把 Codex、WorkBuddy 这类本地智能体，当成一个统一的"管理入口"。这些本地智能体可以利用本地文件、文档、表格、聊天记录等等，甚至是利用MCP连接到外部的知识库，构建一个统一的知识库。
过去查项目，第一反应是"我该登录哪个系统"；现在第一反应变成了"我该提出什么问题"——
"新渠道最近三周，哪些只有拜访却没有下一步动作？"
"明天去拜访这个客户，我应该回顾哪几份历史材料？"
当 AI 能同时连接本地工作目录、飞书表格、知识库和客户文档时，它就不再只是一个"聪明的文秘"，而变成了一个能直接支撑判断的工作入口。
过去是人围着系统转，未来应该是系统围着问题转。
第二个转变：把隐性知识变成 AI 能读的"料"
系统能围着问题转有一个前提：你得有"料"给它查。
前几天和一个创业团队交流，他们分享了一个做法让我很有共鸣。过去每周早会，工程师挨个汇报，大家听完记不住重点。后来他们把周报收敛到飞书多维表格，让 AI 自动派生出"可能延期"的风险字段。开会时不再逐个过进度，只聊风险。
换个场景。在管理一个新客户项目时，如果 CRM 里只有"已拜访"三个字，那这个信息其实没什么意义。更关键的是：拜访对象是谁？对方真实的决策卡点是什么？有哪些资源可以让客户更认可我们？如果这些信息只留在销售的脑子里或者微信对话里，三个月后就没人记得了。
但如果它们持续沉淀到结构化的表格或笔记库里，我随时可以让 AI 帮我做跨时间段的复盘，而不是每次都从零开始回忆。
AI 原生管理的核心，不是把所有东西搬进一个新软件，而是让关键上下文变成 AI 随时可以调用的资产。
第三个转变：从等管理员排期，到自己造工作流
还有一个变化我觉得特别关键。
过去在 CRM 里想看某类客户按区域、行业、阶段的组合转化率，要给系统管理员提需求、排期、配字段、定制报表。等报表出来，业务早变了。
以前是系统定义能力、管理员配置能力、管理者被动使用。现在不一样了。
我开始把自己反复做的分析和判断，沉淀成专属的工作流：渠道拜访复盘做多了，就固化一个提示词模板；某类客户文档经常要生成，就让 AI 固定读取几个维度的材料、按固定结构输出。
一开始不完美，但先跑通、再迭代、再固化。这和我现在写公众号的过程很像——选题风格、排版偏好、版本管理规则，都是一点点沉淀下来的。
流程化真正有价值的地方，不是把简单的事情变复杂，而是把个人的判断经验变成可复用的能力。
结尾
所以现在每当有新的 AI 工具出来，我都不再急着注册试用。工具会一直变，今天是 Codex，明天可能是别的 Agent。
真正要练的，是重构工作的能力。
如果你也想试试，不妨从一个最小的动作开始：下次做业务判断前，别急着登录各个系统，先把你要回答的那个问题写下来，再看看这个问题需要哪些上下文、这些上下文现在散落在哪里。
光是这一步，你就已经开始像一个 AI 原生管理者那样思考了。
AI 原生管理者，不是会用 AI 工具的人，而是能把工作入口、上下文和复用能力重新设计一遍的人。
