夜雨聆风
今年五一前几天，我收到一个任务：尽快做出一套销售预测工具。节后一周完成首版，第二周就要演示和验证。
我借助AI做方案、写算法和生成代码，很快把功能做了出来。但真正占用时间的，反而是后面的事情：AI为什么选择这个算法，它到底怎么算，生成的代码有没有问题，预测结果能不能用？
我们拿前三年的历史数据建立预测依据，再预测当年一到三月，与已经发生的实际数据比较。初步回测并不差，却仍然存在明显误差。
当问题从“能不能预测”变成“能不能据此提前备货”时，大家明显谨慎起来。如果销售和生产真的依据它作决定，剩下的误差就可能变成库存和呆滞风险。暂时不把预测结果直接用于备货，并非不愿意创新，而是一次演示成功承担不了经营决定的代价。
这次经历让我意识到：AI把“做出一个功能”的门槛降得很低，但企业能否放心把任务交给它，取决于任务背后的风险、验证和责任。
为什么知识问答做出来了，却很少有人用
我们也用Dify、MaxKB和钉钉知识库试过企业知识问答。技术上并不难，资料放进去以后，AI可以检索、归纳和回答问题。
可功能完成以后，使用频率并不高。它像在原有工作旁边又放了一个入口，员工需要先想起它，再打开和提问。如果答案没有继续进入审批、品质、研发或客诉处理流程，工作还是要回到原来的系统里完成。
这件事提醒我，资料放进去了、答案能够生成，只能证明功能可用。培训和推广当然会影响使用，但如果每次使用都要求员工离开原来的流程，额外打开一个窗口，再把答案搬回原系统，AI就很容易变成工作旁边的一项附加动作。
我们还在继续摸索，怎样把研发、品质、客诉和销售资料与具体流程结合起来。这里有数据安全、系统能力和投入成本等问题，我不能把尚在探索的事情写成已经落地的答案。
后来，我们把AI放进一项每天都会发生的动作
我们正在试运行一个报表主动分析功能。公司帆软平台累计有大约1500到2000张报表，其中包括驾驶舱和一些管理数据。报表访问率不高，并不等于它们都没有价值。更现实的问题是，人的注意力有限，很难每天主动寻找“今天应该看哪一张”。
现在，我们把指定报表的数据提取出来，完成必要脱敏，再交给AI分析。AI生成指标变化、异常提示、初步解释和建议，随后自动发送给指定人员。
这份报告发送前没有人工预审，所以只用于提醒和分析参考，不会直接触发审批、采购或生产动作。接收者如果要采取行动，仍需回到原始报表和数据复核。流程已经基本跑通，还在试运行，没有稳定数据可以证明结果，但它比独立的知识问答更接近真实工作。
两种做法的差别，不只在模型能力。一个等着人想起来再提问，一个主动进入每天发生的信息分析动作。它没有替管理者决策，却减少了从大量数据中寻找问题的负担。企业AI真正的入口，往往不是多一个聊天窗口，而是进入一个每天必须发生的工作动作。
有些任务不用AI，反而更可靠
上一篇写到的批量建工单就是另一个对照。
计划人员每天需要把已经复核完成的数据逐笔录入ERP。输入、规则和结果都比较清楚，错误还必须能够核对。我们最后使用的是系统、确定性算法和流程，没有使用AI，却实实在在减少了每天一到两个小时的重复录入。
在不少制造场景里，准确执行比灵活生成更重要。单据校验、工时防错、批量处理和流程强制控制，只要规则已经明确，传统系统、MES和自动化通常更稳定，也更容易追溯。
我认可工业AI在复杂缺陷和行为识别方面的能力，华为公开方案也覆盖行为规范、缺陷检测、定位和测量等场景。华为工业AI质检解决方案 但对我们当前面对的一些规则型问题，如果管理规范、MES防呆、强制控制或普通自动化已经能够解决，就仍需比较投入、实施周期、维护难度和可以证明的价值。评估前沿模型的本地部署时，我们也遇到过同样的问题：期望的能力和运行体验所需投入，已经远超当前场景能够证明的价值。
这不是否定AI，而是承认企业资源有限。数字化管理者无需把最先进的技术都买回来，更重要的是把有限资源放在当前最值得解决的问题上。
我现在怎样选择系统、AI和Agent
经过这些并不都成功的尝试，我现在会先看任务，再选技术。主要判断三个方面：
• 规则和结果是否确定，输入是结构化数据，还是文档、图片和自然语言；
• 错一次的代价有多大，输出只是建议，还是需要调用系统执行动作；
• 它能否进入真实工作流程，建设和维护成本能否被实际价值支撑。
根据这几个问题，我暂时把任务分为四类。
第一类，规则清楚、结果确定、错误容忍度低的任务，优先交给系统和工作流。例如批量建单、单据校验、流程审批和MES防呆。AI可以帮助开发工具，但运行过程不必为了“看起来先进”而让模型参与每一次判断。
第二类，需要理解、归纳、生成和解释，但最终由人复核的任务，适合使用AI助手。报表分析、需求梳理、方案初稿和知识检索都属于这一类。AI负责扩大人的信息处理能力，人保留判断权。
第三类，需要跨多个工具完成连续动作，而且目标、权限、停止条件和异常反馈都能定义清楚时，才值得进一步尝试Agent。Agent比普通问答多了一层执行能力：它会调用工具、推进步骤和完成任务。权限和边界说不清楚，能力越强，风险也可能越大。
第四类，涉及重大经营取舍、外部承诺和高代价结果的任务，仍然应由人作决定。销售预测可以给出参考，但备多少货、承担多少库存风险，不能因为模型给了一个数字，就把责任一起交给模型。
预测模型继续优化当然有必要，但准确率提高解决的是程度问题，不会自动解决使用边界和责任问题。只要输出会触发备货、采购或生产，高代价决定就仍然需要验证依据、人工确认和明确的责任人。
微软2026年Work Trend Index同样强调判断一项任务适合什么协作方式，并由人设定方向、评估输出、对结果负责。这份全球调查不能直接代表中国制造企业，但它校准了我的实践判断：技术选择最终要回到工作设计。
这也改变了我对数字员工的理解
公司里有不少被大家开玩笑称为“表哥、表姐、表弟”的工作：整理Excel、搬运数据、核对报表、反复提醒。这个说法不是评价人的能力，恰恰相反，很多有经验的人被这些重复动作占用了大量时间。
我现在理解的数字员工，不是让一个大模型包办全部工作，而是一个组合：系统和工作流负责稳定执行，AI负责理解、分析与建议，人负责判断、例外和结果。它不追求一次把人拿掉，而是先接走可以标准化的动作，让人把时间用在协调、改善和创造上。
过去我更容易先问“AI能不能做”；现在我会先问：这是什么任务，错了要付出什么代价，输出只供参考还是需要执行，最后由谁确认。技术选型没有必要进行先进程度排名，关键在于任务、风险、成本与价值能否匹配。
数字化管理者需要证明的，不是今年上了多少AI，而是有没有为每一类任务找到可靠的承担方式。哪些动作可以放心交出去，哪些结果必须有人复核，哪些决定仍需要人承担，下一篇还要继续把这条责任链说清楚。
