我们总在问,AI 能不能把整件事做完

前几天从宁波回广州，这趟行程需要在福州中转。前半程坐火车，后半程原本订了飞机。

临出发前看到台风的消息，我担心航班延误，又买了一张福州到广州的火车票。事后看，那趟飞机可能并没有晚点。只看结果，我多买的这张票似乎没有必要。

当时我想到一个问题：如果这次行程是 AI 帮我做的决策，我应该怎样判断它做得好不好？

假如 AI 建议我改坐火车，而飞机后来正常起飞，能说明它的建议错了吗？反过来，如果飞机真的晚点了，又能证明它很聪明吗？

好像都不能。

一次旅行决策里，有好几件不同的事：收集天气和航班信息，判断延误的可能性，比较火车与飞机的时间成本，最后决定是否换票。AI 也许只在前面两三步帮到了我，最后的选择仍然属于我。

这样拆开以后，评价方式也变了。它不必替我做完整个决定，只要让我更快看见一个风险，或者多准备一个原本没有想到的选项，这次参与就有意义。至于建议是否可靠，不能由一趟最终没有晚点的航班判分。

我们评价 AI 的工作能力时，经常把单位放得太大了。

I. 一件工作里，藏着很多不同的活

我们习惯问：“AI 能不能把这件事做完？”

一份研究报告，可以拆成寻找资料、提取事实、检查数字出处、比较观点、形成判断、写成文字和最终签发。我们把它统称为“写报告”，AI 面对的却是几种完全不同的活。

它可能擅长找资料和整理信息；到了检查关键数字时开始不稳定；面对最终判断，又很难替人负责。

如果六个步骤里有两三个能稳定做到八成，而且这些步骤原本很耗时间、错误也容易发现，几天的准备工作可能已经缩短了一大截。AI 没有做完整件事，人却少走了不少路。

百分比本身不够。如果 AI 在提取事实时留下两成不易察觉的错误，后面的判断和写作都会建在错误的地基上。人工仍要回头逐项核对，省下的时间很快又花了回去。

有没有用，要落到具体一步里看。

II. 两三成也可能先派上用场

面对空白页做创意发散，AI 给出的十个方向里只有两三个真正有启发，也可能已经值回了这次使用。原来因为时间不够而被放弃的分析，它先筛出一部分值得继续看的线索，过去不会发生的探索便有了开头。

自动付款的成功率如果只有两三成，显然是另一回事。

前者不满意可以随手丢掉，后者每一次错误都会产生真实损失。涉及付款、删除数据、对外承诺和合规留痕的步骤，即使 AI 做到八九成，也不能让它独自签发。

数字高低只是一面。这一步出错以后是否看得见，核对一遍要花多少时间，结果能不能撤回，决定了它今天值不值得交给 AI。

有些地方，两三成已经带来新的可能；换一个地方，八九成仍然不够。

III. 把“客服场景”再拆一层

企业谈 AI 场景时，常常会说客服、营销、供应链、财务。这样的分类方便画地图，真正落到工作里还是太大。

“用 AI 做客服”里面，可能包括识别问题、搜索知识库、草拟回复、判断客户情绪、决定补偿方案和发送最终答复。每一步对准确率、权限和责任的要求都不同。

让 AI 一次接管整条流程，任何一个薄弱环节都会把最终效果拖下来。整体看似做到了八成，人工为了找出剩下的错误，仍然要把整条链路重新走一遍。

拆开以后，答案会不一样。AI 也许先接住知识检索、回复草拟和问题分类，最后的判断仍然留给人。它只完成了一部分，却已经减少了不少重复劳动。

最熟悉流程的人，往往最容易看见这一级。他知道哪一步最耗时间，哪一步出错会污染后面，哪一步必须由人签字。这些边界，模型厂商看不见，一张部门级的场景地图也画不到。

“场景”最后落在工作流里边界清楚的一步。

IV. 从使用现场往上长

一份 Gartner 关于 computer-use agent 的报告给出了一个有意思的对照：微软资料称，这类 Agent 在网页任务上的成功率约为 80%，Gartner 仍认为它不适合在企业里广泛采用。

浏览公开资料、整理线索属于网页任务；付款、删除数据、处理敏感信息也属于网页任务。同一个成功率，放进不同步骤，意义完全不同。

低风险、可回退的步骤先用起来，不等于让 AI 直接进入生产核心。真正使用以后，人们才会看到它反复错在哪里，需要补什么背景，哪个位置要增加检查，什么时候必须把任务交还给人。

如果这些反馈被留下来，流程会慢慢改变。提高的未必是模型本身，而是模型、上下文、工具和人组合起来的效果。原来只有两三成能帮上忙的一步，才有机会走到五六成，甚至更高。

部署本身不会自动带来进步。没人回看错误、调整流程，使用再久也只是在重复同样的问题。

V. 回到那趟福州中转

如果由 AI 帮我规划那次行程，我现在会分别看它在每一步做了什么。

天气和航班信息找得准不准，延误概率有没有依据，火车这个备选方案是否真的降低了我在意的风险。最后由我决定，要不要为一个尚未发生的延误多买一张票。

AI 不必替我完成整个决定。它在哪一步增加了信息，在哪一步提供了新的选项，哪些判断仍然需要更多次结果来验证，这些问题比“飞机最后有没有晚点”更接近它的真实表现。

一件事拆开以后，我们不必继续等待 AI 把整件事做到满分。先看它今天能接住哪一步。