夜雨聆风2026年，全世界都在喊"AI转型"。大多数公司的做法是：买一套AI工具，发给员工，让员工自己学着用来提升工作效率。结果工具买了，也用起来了，但没有人真的在工作流程上发生什么根本性改变。
最近从X平台上看到关于Uber（优步）内部成功推行AI转型的思路，非常特别，对其他企业具有一定的借鉴意义。Uber的做法：先派人去学流程，再决定怎么用AI。
不是带着AI工具去找问题，而是先找到真正的问题在哪里，再决定AI怎么切入。
（https://x.com/praveenTweets/status/2074605343439810922）
背景一：99%的工程师在用AI，但业务部门还是老样子
Uber CTO Praveen Neppalli Naga最近在X平台上分享了一组数据。他说，到今天，Uber的AI渗透已经非常深：
- 99%的工程师
每天在用AI工具写代码 - 超过70%的代码
来自本地AI智能体或云端智能体 工程师们已经开发了超过2500个智能体技能
这意味着在Uber内部，AI写代码已经不是竞争力，而是基础设施。于是，Praveen问了自己一个问题：
"工程团队已经把AI用起来了——那非工程部门呢？财务、法务、人力资源、运营，这些部门怎么用AI？"
这是一个普遍存在的问题。很多公司花大钱买AI工具，最后发现：工具主要是技术团队在用，其他部门要么不知道怎么用，要么用不起来。
Uber的回答：不能靠各部门自己摸索，得派专人来。
思路一：先选对人，不是先选技术
Uber的方案叫Agentic Pods（智能体小组）。
核心思路是：从工程团队里挑最顶尖的AI工程师，每人配一名业务领域专家——财务、法务、人力资源、市场、客服、采购，各条线都有。
注意这个组合的逻辑：一个懂AI的人配一个懂业务的人。
Praveen的解释是：这两个人的组合是至关重要的。工程师懂AI，但不懂Uber的业务流程具体怎么跑；业务专家懂这个流程，但不知道怎么用AI改造它。两人关于对方都懂得太少，所以必须配对。
其他公司做AI转型，第一步问的是"我们买什么工具来用"。Uber的第一步问的是"我们派什么人来用"。
思路二：两周时间，不是无限调研
每个小组的工期是固定的两周。两周结束，必须拿出一个可用的AI工具。不是概念验证，不是PPT，是真的能跑起来、真的有人在用的东西。
这个时间压力相当于一个筛选器。如果一个小组跑了两周还拿不出任何东西，Uber的判断是：要么是这个流程太复杂，需要单独升级成正式项目；要么是这个小组还没有真正搞懂这个流程。
拖长到一个月，很多内部转型项目会陷入一个陷阱：调研阶段变成舒适区——永远在记录，永远在学习，永远没有开始动手。Uber用时间限制来打破这个陷阱。
具体的两周安排如下：
第 1–2 天：AI工程师跟随业务专家，观察每一个步骤。记录工作流程。提出问题。
第 3 天：根据工作规模、重复性、业务影响、数据可得性，对机会排定优先级。
第 4–5 天：和做这份工作的人一起，搭出一个能跑起来的AI智能体。
第 6–9 天：找几位做同样工作的人一起验证。它能通用吗？真的让工作变好了吗？
第 10 天：上线发布。
思路三：前两天不建任何东西，只观察
两周的前两天，AI工程师什么都不用做，只坐在旁边观察业务专家干活。
看什么？
业务专家几点打开电脑，第一个登录的系统是什么 一个任务来了，从头到尾经过哪些步骤 哪些是自动的，哪些是手动的 哪些步骤在等待响应，哪些是人工判断 一个业务流程，涉及多少个系统，多少人，多少次确认
Praveen特别强调这个环节是"Observe every step"，观察每一步。不是只看"主要流程"，而是连边边角角的步骤都看。
因为AI agent最擅长接管的，恰恰是那些看起来不起眼的边角流程——手动录入数据、重复点击确认、等一个人回复才能继续操作。这些东西没有写在任何官方流程文档里，只有在实际工作中才看得到。
思路四：找到流程中的"重复动作"
工程师在观察阶段要找的，不是"这个流程哪里可以更快"，而是"这个流程里哪里有重复动作"。
"重复动作"是指：比如，同一个数据要手动录入三个不同系统、每次都要等另一个人回复才能继续、某个决策每次都要重新走一遍审批流程——这些是AI最擅长消灭的东西。
小组成员在观察阶段要回答的问题只有一个：哪些步骤是在重复地等待、重复地录入、重复地确认？
思路五：和业务人员一起建，不是替他们建
找到切入点之后，就可以进入建设阶段。这里的关键：工程师不是自己埋头写代码，而是和业务人员一起建。
这个设计的两个好处：
第一，确保AI工具真正贴合实际工作流程。工程师自己设计的流程很可能不现实，必须由懂业务的人来验证。
第二，建立信任。业务部门参与建设过程，才不会在工具上线时产生抵触情绪——"这是我的工具，不是我被强加的工具"。
思路六：上线前让其他人来做同一份工作验证
工具建完了，还不能直接上线。小组有一个验证环节：找其他做同样工作的业务人员，让他们用这个工具，对比结果是否一致。
这个步骤解决的是一个根本问题：确保工具依赖的不是业务专家个人化的经验，而是真正可复制的工作方式。
实际数字：两周能改变什么？
在今年5-7月，Uber一共有16个小组在16个不同的业务领域开展了工作，其实施战果体现在一组数据上：
写在最后
Praveen认为，虽然这些效率提升令人印象深刻，但最让人意外的不是速度，而是那些深入陌生领域的AI工程师，竟能如此迅速地发现那些一直明摆着、却被人视而不见的优化机会。
在整个AI改造业务流程的过程中，最大的收益很少来自把单个任务自动化。而是来自重新思考一整个工作流。
一旦你开始围绕AI重新设计工作流，往往就能消除一定的中间环节、去掉不必要的审批、替换掉老旧工具、减少供应商开支，并大幅加快决策速度。
所以，工作流才是实现工作自动化的基本单元——而不是单个任务。
最有价值的AI应用技能，是能横跨团队、组织、职能、工具和系统等多个技能。
而那些最好的AI落地机会，一定由最懂组织自己流程和业务的人才能识别出来。
延伸阅读：
1、礼来制药HR的AI组织转型：先转变自己，再帮助全公司转型
————
下一期WorkBuddy开课通知：时间8月8-9日（周六、日），每天上午8:00-11:30，请扫描下方海报的讲师二维码了解课程费用和报名参加：
