夜雨聆风最近很流行用 AI 做工作台。
看到越来越多不写代码的人，也能给自己搭出一个像模像样的系统，我是很开心的—— AI 编程这项技术终于能被更多人亲手体验到了。
但我想借这篇文章说一件事：做工作台这件事真正的难点，从来不在技术那一侧。
你会发现，卡住你的往往不是"这个图表怎么画出来"，而是"我到底该看哪几个数""这件事我平时到底是怎么做的"。换句话说，做工作台的过程，其实是逼着你把自己的业务从头到尾重新想一遍。
下面我把这个"重新想一遍"，拆成几层来讲。
先说清楚我理解的工作台：它是服务于某一类工作场景的。你是 CEO，就可能是全公司的工作台；你负责一条业务线，就是这条业务的工作台。它不是一个通用软件，它一定有明确的服务对象和明确的范围。
第一层：仪表盘——你怎么看这项业务
第一个关键的地方，是仪表盘。
顾名思义，仪表盘是让你通过它了解业务运行状况的全貌，并且发现哪些地方需要你去干预。既然是工作台，它上面就应该是你真正关注的那些工作、那些指标结果。
这里有两点容易被忽略：
第一，仪表盘不是一堆静态数字的罗列。 根据你要看的信息不同，该用不同的图表去呈现。趋势要用趋势的看法，构成要用构成的看法，异常要能一眼被看出来。
第二，也是更重要的一点——仪表盘的设计本身就很考验人。
因为你放什么、不放什么，先展示什么、后展示什么，其实体现的是你从高层次上怎么理解这项业务。同一条业务，两个人做出来的仪表盘可能完全不同，那不是审美差异，是业务理解深度的差异。
所以别把仪表盘当成"最后美化一下的那部分"，而是最先开始思考的部分，也就是基于报表和展示的目标，去看整个工作台应用要怎么构建。当你在纠结该放哪几个指标的时候，你想的其实不是页面，是这项业务到底靠什么在跑。
第二层：工作流——你到底是怎么做事的
第二个关键的地方，是梳理你的工作流。
工作流听起来是个技术词，其实很朴素：你做这件事，到底是怎么一步步做的。
最简化的说法就是一个"输入—处理—输出"的 IPO 模型：
• 输入是什么？（你拿到什么东西才能开始做） • 中间的处理是怎样的？（你做了哪些动作、判断） • 输出是什么？（做完之后交付出去的是什么）
对于简单的业务，你相对容易把它画成一条线。
但复杂的业务就没那么容易了。工作流中间往往还套着子工作流，有些环节错综复杂，有些是层次结构，有些还需要你做抽象——把很多具体动作归拢成一件事。
这一步特别考验你对这块业务的理解能力。而且我想说的是：梳理不清楚工作流，工作台是做不好的。 因为工作台上的每一个动作、每一个入口，本质上都是工作流的落点。
很多人是在这一步第一次发现：原来自己天天在做的事，居然从来没有被完整地讲清楚过。
一个很常见的反模式：把菜单和按钮堆得密密麻麻
聊完两个关键点，说一个反模式。
有些人做工作台，会把菜单、按钮堆得密密麻麻。我觉得那是上一代企业软件的做法——有些是为了卖钱，为了显得功能多，于是硬搞出一堆东西来。
但放到 AI 时代，放到 2026 年当下来看，菜单和按钮真的不是越多越好。原因很直接：
• 人操作起来很费劲——找一个功能要翻三层； • AI 理解起来也很费劲——结构越乱，AI 越难参与进来。
我不是说不能有菜单，不能有标签页。而是说，这些东西你要做很好的抽象和很好的设计。
堆得越满，往往说明想得越少。
第三层：给谁用——回到产品设计
一旦讲到抽象和设计，其实就回到产品设计了。
那么你就得考虑一个问题：除了你以外，还有谁会用这个工作台？
你当然是它最重要的使用者，但通常不会是唯一的。所以要想清楚：
• 他是谁？ • 他的使用路径是怎样的？ • 他期望完成的任务和目标是什么？
这就又回到产品设计的那几个基本要素——用户旅程、用户故事，等等。这些概念听着专业，但你把上面三个问题老老实实回答一遍，其实就已经在做了。
到这一层，你想的已经不只是自己的业务，而是这项业务里的人是怎么协作的。
第四层：AI 能参与到哪——两种工作台的区别
如果以上这些你都想过了，有了自己进一步的思考和理解，我们就可以聊聊两种工作台的区别了。
传统工作台
它的所有数据展示、流程、菜单，都是预先编排和设计好的。
以今天的眼光看，它可能不够智能、不够灵活。但我想特别强调一点：它也是当下用 AI 编程最容易开发出来的那一种，而且这一步不能省。
我觉得它是基本功。跳过基本功直接想做"智能的东西"，往往就是做出一个漂亮但没用的壳子。
AI 原生的工作台
这一种，是会给你动态的分析和建议的。
甚至有些工作——比如规则比较清晰的、或者 AI 能够做出判断的——工作台就不只是一个看板了，它变成了你和 AI 交互、把 AI 能力集成进业务的一个重要集成点。
但这样的工作台，对你的要求也更高。你得知道：
• 自己业务里，AI 可以在哪个环节参与； • 哪个环节 AI 可以给你建议。
而这个判断能力从哪来？还是从前面那些基本功来——你在传统工作台的基础上，非常理解这项业务，你知道哪些数据、你的分析方法、你的规则，能够让 AI 替你产出一些业务结果，或者参考性的建议。然后再把这些信息汇总起来。
这样，你才会得到一个真正更智能的工作台。
所以，AI 原生不是把旧流程搬过去
我想说的路径其实是三步：
从打基本功开始 → 掌握一些必要的产品能力 → 最后从业务的角度，去设计能让 AI 真正参与进来的、AI 原生的工作台。
这里最关键的一句话是：AI 原生的工作台，一定不是把传统业务流程直接搬过来。
而是在你充分理解业务的前提下，在这个基础上对原有业务做一次 AI 原生的改造——让 AI 充分地参与从前到后的某些环节，只把关键的输入、关键的判断，以及兜底的事情，留给人来确认。
而要做到这件事，前提就是文章开头说的那句话：你得先把自己的业务重新想一遍。想不清楚，就只能照搬；照搬过来的，就还是旧业务套了个新壳。
如果你真的想清楚了，那你做出来的就不是一个漂亮的、仅仅用来展示的工作台。而是你通过"做工作台"这件事，重构了你的整个业务、整个公司，甚至整个行业。
最后
希望你看完这些，下次再看一个工作台的时候，看的不再是它有多花哨、多酷炫——那些都是表象。
而是能带着这几个问题去看它：
• 这个仪表盘，反映出的是什么层次的业务理解？ • 它背后的工作流，有没有被真正梳理清楚？ • 菜单和按钮，是抽象过的，还是堆出来的？ • 除了做的人自己，它还服务谁？ • AI 在这里，到底是参与了业务，还是只是贴了个标签？
这五个问题，问的其实都不是工作台，而是做这个工作台的人，有没有把自己的业务重新想明白。
所以我很建议你去做一个自己的工作台。哪怕它最后很朴素，这个过程本身也是值的。
