你“渣”过 AI 吗？你的工作流程被 AI 颠覆了吗？

你“渣”过AI吗？这个问题，我是认真问的。

先别急着否认。想想看，你是不是也这样：不主动用AI，不学提示词工程；厂商推广AI时，不拒绝听一听，偶尔也用一用；至于AI生成的结果，那是它的问题，跟你有啥关系？

如果答案都是“是”，那可能你正在“渣”AI——这事儿，和“你的工作流程被AI碘伏了吗”其实是同一个问题的两面。

今天想聊的，不只是单点上的AI工具怎么用，而是AI怎么重新塑造你的工作流程，以及——反过来，流程怎么塑造AI。这件事，说透了，才能真正解决研发团队里的“痛”。

单点看AI VS 流程看AI

说到技术工作流程，大家可能第一时间想到DevOps。但今天换个场景——toB业务里一个最日常也最折磨人的环节：

。

干过toB的都懂：每天几百个客户工单涌进来，咨询、故障、投诉，还得承受客户的怒火。耗时、费力，还常常让人沮丧。但话说回来，处理好工单，不光是对自己产品负责，更是产品进化的机会。痛点太明显了，所以生成式AI一出来，大家迫不及待开始投。比如建知识库、上RAG+LLM，让处理工单的人能快速检索知识库来回答问题。

我们也一样，经历过RAG的各种折腾、不断调整之后，终于实现了一套类似的能力（如下图）。但观察了一段时间后，发现大家还是很痛苦、很忙。问他们“有用吗？”——回答统一：“有点儿用吧。”

这事儿不对劲。我开始和同事们复盘，画出一张完整的工作流程图。这才意识到，AI只是被用在工单答疑这一个环节上（下图蓝色星星处）。

AI其实是一个简单系统——输入、处理、输出。顺着这个思路，我们梳理了每个环节的输入和输出后发现：能落地AI的地方，远比想象中多得多。

AI重塑工单工作流程

画完流程图，有趣的事情发生了。除了已经有的

，至少还有三个地方可以让AI发光：

• AI总结助手
  ：自动把工单处理中产生的新知识，提炼并更新到知识库。以前知识库总靠手动更新，现在它能帮你把隐藏的知识按固定格式自动外化保存——

  这里有个更大的启发：LLM不仅能回答问题，还能从信息中提炼知识。工单场景只是开始，想想其他场景里，这能带来多少新用法。

• AI代码助手
  ：利用日志、metrics等工单上下文，自动定位问题，甚至提供修复代码的patch。它分析错误日志和性能指标，定位出问题的代码段并给出可能的修复方案。在我们的设想里，它能加速问题解决，还能帮开发人员学习和改进代码质量。

• AI复盘助手
  ：每个工单都是学习和成长的机会，但复盘又耗时又烧脑，连最基本的时间线都难整理。复盘助手不止帮你复盘，还能从预防、缓解、解决、检测多个方向给出思考，甚至自动提炼聊天记录中的时间线。

之前AI落地都是单点式的，逆转点在于用流程把工单处理过程展开来看。这大概也算是我一直相信的那个公式——“

”——的一种实践了。

AI重塑流程，还是流程也在塑造AI

有一本科普书里问过：“人类驯化了小麦，还是小麦驯化了人类？”

很多事物都是相互作用，不是单向的。AI和流程也一样。前面说了，流程化-数字化-智能化互相叠加，所以AI在重塑流程的同时，流程也在塑造AI。

怎么塑造？最直观的，数据是AI的基础，而流程是数据的基础。但除了这个，还有两个因素在影响和塑造AI的使用场景。先讲个有意思的真实故事。

公司年会上，有位老板问：“给你两个人，你能帮我打下来什么山头？”员工说：“我承诺……”“好！这两个人马上给你。来认识下，他们分别是GPT-4和GPT-4o。”

全场大笑。这听起来像段子，但仔细想，为什么大家会有“老板耍流氓”的感觉？

AI的局限性

要回答这个问题，得先看清AI本身的局限性在哪里：

• 不信任
  。不信任AI的原因有两个：一是幻觉，一本正经胡说八道；二是不确定性，能产生创意，也让同样的问题可能得到不同答案——在企业需要确定性的场合，这个特征简直是绝杀。再加上没人味儿，一股赛博朋克味，可信度自然打折扣。

• 不可用
  。如果给AI配首歌，热狗的“差不多先生”最合适——看起来说了很多，但解决不了任何实际问题。比如你问AI“A VX指令有什么风险”，它能给你一大堆建议，但就是不提A VX512可能带来的CPU降频风险。再加上上下文限制，有些场景根本没法用，比如基于完整代码和历史修改上下文去做AICR。

• “渣”AI
  。这其实更值得玩味——AI再美，不如自己更有性价比。大家对AI的态度是：不主动去用、不花时间去学提示词；厂商推广时听听也不拒绝；对于AI生成的结果不负责，结果不好都是AI的问题。这不就是“渣男/渣女”本“渣”吗？

怎么破呢？AI发展很快，各种新技术层出不穷，但老生常谈的东西我不多说。只说两个真正的难事——因为它们触及人的本质和AI的本质。

基于概率关联词与词特征的模型，“不确定性”是它的天性。

人的本质是人的需要。我“需要”，比“给我好的”更重要。所以“渣”似乎也有理论依据——千金难买我想要。

流程如何塑造AI

破解之道，有一部分就在流程里。

不确定性 → “确定的结果”需要“确定的流程”

《思考，快与慢》里说过，慢系统是理性且耗费脑力的，但能获得比直觉更高确定性的结果——我们也可以称之为思考的流程。在AI里，它就像思维链CoT（Chain of Thought）。放大到组织层面，就是流程。流程的步骤，本质上是放大达成目标概率的方法。

“渣”AI → 主动AI变成被动AI，让AI嵌入流程中

酒店里的机器人，你不会主动去用，但每次叫外卖时，你都会被它服务到。这就是流程的力量——外卖机器人嵌入了酒店大堂到房间的送货流程里，让你不得不用，想“渣”也“渣”不了。

“渣”AI → 你想要，你就负责，你要流程

粤语有句话叫“吃得了咸鱼，抵得住渴”——我选择结果，我必须为此负责。对AI的“不负责”和“不选择”，其实有微妙关系。要不要“选择”？关键是要有明确、具体的目标，我称之为“我想要的”。深入使用大模型后我发现，一旦知道“我想要的”，像Agent那样让AI自己规划流程就不太成立。这时，由人类自己来定义“流程”，反而成了让AI输出“我想要的”的关键手段。

流程到底是什么？为什么有这些作用？我理解的

。流程追求的是效率和确定性。有意思的是，AI回答的每个词，都由前一词的特征来计算概率得出；而你写的思考流程，每一步的生成，都在不断增强最终想要的词出现的概率——这和现实世界的流程有异曲同工之妙。

总而言之，数据需要基于流程之上的数字化，而流程本身的确定性和强制性，又从一定程度上解决了AI和人的本质带来的难题。所以，AI在重塑我们的流程的同时，流程也在塑造AI。