对组织拥抱AI的一些思考
Part.1
关于大年初一，我在养膘，老板在养虾🦞这件事。
我感觉我们可能真的要全面拥抱 AI 了。
这一个月以来，我一直在想一个问题：
我们公司到底该怎么拥抱 AI？
这个问题很大，也很容易说空，比如：
- “先做提效的，再搞创新的”
- “业务觉得有用就做，先让大家都用起来”
- “得做公司战略级的AI项目”
之前我们也做过大大小的尝试，比如：
- 用AI扫描各业务班型的数据表现，做归因分析
- 用AI为销售提供高效的物料检索工具
- 用AI做质检…
这些方向和尝试都没错，但它们本质上，其实都在回答同一个问题：“AI能替代我们干什么？”。
假如，公司大部分岗位职能，都被封装成 Skills，人被 Agent 替代，那这件事，就一定会给组织带来跃迁式改变吗？
我的判断是：不一定。
甚至很多情况下，它只会更快地重复原来的问题。
因为"只要把人现在做的事情拆出来、封装好、交给 AI 执行，组织就会变先进"这句话，其实隐含了一个前提：
“今天组织里的大部分动作，本来就是对的，只是效率不够高。”
但现实情况肯定不是这样（至少我们不是🤔），因为组织的问题，从来不只是做得慢。
如果这个问题没想清楚，“全面拥抱AI"很可能会变成：更快地执行低价值动作、更规模化地复制错误、更自动化的制造幻觉。
所以，要拥抱 AI，我认为最先该问的是 “一个岗位存在的原因是什么？”
因为很多岗位职能，未必是"核心价值本身”，而可能只是"旧组织形态下的补丁"。
比如我们的班主任，表面上他的工作可能包括：
加微、发消息、打电话、挖需、记录用户意向、处理异议、关单…
可能还得顺手疏导一下家庭矛盾（当年轮岗我遇到了🤷🏻♀️）。
从动作角度，这些都可以拆成 Skills，很多都可以 Agent 化。
但如果再往下问一步，“这个岗位的组织价值是什么？"，答案肯定不是"做这些动作”。
而是：“帮组织高质量地完成用户理解、价值传递、决策推动和收入转化。”
这就完全不一样了，视角切换后很多事情就变了：
- 有些动作可以被替代（比如辅导答疑）
- 有些动作应该被重构（比如固化的 SOP、电访框架）
- 有些动作根本不应该继续存在（比如营销感过重、毫无针对性的群发钩子）
- 还有一些原本依赖人经验的判断，其实应该上移为系统能力
最后一类，我认为是最值得 AI 切入的地方。 比如：面对这样的用户，我应该怎么做，才有可能让他续报？
所以，我们最先要问的不该是 “AI 能帮我们做什么”，
而是 “我们这家公司，真正是靠什么活着的”。
再具体一点：
“我们最核心的结果，究竟是靠哪一些人、在哪些判断上，硬撑出来的”。
“从这些人身上，哪些能力应该剥离出来，变成组织系统能力？”
“哪些能力依然值得保留在人身上？”
Part.2
我老婆的工作是"卖飞书"，
所以我能经常偷听她开会，听各家企业聊自己的 AI 需求。
很多公司做 AI 时，天然会从"覆盖面最大"的地方切入。
比如：知识问答、日报总结、流程自动化…因为这些地方**“看起来最好推”**。
她的客户希望快点被 AI 带飞，她希望她的客户快点燃烧 Token 付费，两者一拍即合、场面和谐…
当然，并不是说这些东西没价值，它们确实能带来效率提升，也能帮公司建立用 AI 的习惯。
但问题在于：
这类需求之所以最容易推进，往往不是因为它们最重要，而是因为它们最安全，
因此很少能真正触碰到公司的**“核心价值创造环节”**。
所以，组织真正该 AI 的地方，不是"大家都能碰到的地方"，
而是：“最接近价值创造的地方”。
更直白一点：“我们公司最核心的钱，是怎么赚出来的？”
市场获客？销售转化？课导服务？内容产品？
真正值得优先 AI 的地方，往往不是"最通用"的地方，
而是 “最接近核心结果，同时又最依赖人脑经验的地方。”
这很关键，因为一个环节如果同时满足下面几个条件：
- 高频发生
- 投入大量人力
- 高度依赖经验判断
- 不同人之间表现差异巨大
- 做得好坏会显著影响结果
那它几乎天然就是 AI 最值得切入的地方。
所以，我认为组织要拥抱 AI ，不该先从"哪里最容易做"开始，
而应该从这个问题开始：
“我们公司最值钱的那部分结果，是靠哪些人用经验顶出来的？”
这个问题的答案，很可能就是组织 AI 路线图真正的起点。
而如果把这个框架套回我司，我会觉得：
最优先的切入点，很可能就是销售转化环节（当然，年课复购本质上也算销售转化）。
Part.3
销售从来不缺高手（比如 sd 这条鲶鱼🐟）。
一条鲶鱼确实能激活一潭水，但如果鲶鱼的能耐只能属于它自己，那么组织能力的上限，就永远卡在两件事上：
- 下一条鲶鱼什么时候出现
- 以及它愿意待多久
所以，如果高手的经验可以被"复刻"，组织能力的上限，理论上就有可能被突破。
“复刻"这个词也不太准确，高手真正的价值，往往不在于他做了什么标准动作，
而在于他能在极短时间里，基于潜意识中的大量模糊信号，做出微妙但正确的判断和决策。
这种能力，很难用线性的 SOP 封装。
但反过来说，这种"不可说"的经验，恰恰是组织能力最脆弱的地方，也是 AI 最可能建立壁垒的地方。
AI 擅长的是从高维、模糊的数据里，找到人类能隐约感知但没法清晰表述的模式。
很多组织真正的问题，从来都不是"没有高手”，而是：
- 少数人很强，但整体不稳定
- 好经验只能口口相传，无法沉淀
- 新人上手慢，中腰部波动大
- 很多关键判断无法复盘
- 好结果出现了，但说不清为什么
所以，真正值得切入的方向，也许不是"让 AI 去学销售 Top 的标准动作"，
而是用 AI 把销售 Top 们的"潜意识"，集体外化出来。
把高手凭感觉做对的事，拆成组织可以系统做对的事。
而 AI 在这里最有价值的地方，不是替人做事，而是帮组织完成一件以前不可能做到的事。
这是一个非常大的分水岭。
因为一旦做到这一步，AI 就不再只是工具了，它开始参与组织能力本身的形成。
到这里我突然想起来，3 年前公司举办的 AI Hackathon 比赛，我们的夺冠项目《销售副驾-金点子助手》。
它的功能很简单，就是在销售与用户沟通时，右侧实时弹出跟进建议和话术参考。
虽然当时技术受限，实现得比较"画饼"，但大家对这个产品的理念是极度认可的。
现在回头看，我们当时其实已经模模糊糊指向了一个很核心的需求：销售需要的不是事后复盘，而是实时、在线的决策支持。
三年前画出的那张饼，或许正是今天 AI 该去真正烙熟的那一张。
Part.4
我那次 CT 轮岗的时候，
跟着组长群里的 SOP 走，一天要轰炸二三十条消息给用户。
我当时看着那堆模板，第一反应是"发这些 TMD 有啥用？我不发"，
但转念一想：“万一，就因为我发了这一条，他就报了呢？”
那个"万一"，
背后藏着的其实是一种判断的无力感——在信息不足时，我们往往用"动作的勤奋"，去掩盖"判断的懒惰"。
这恰恰点出了很多 AI 项目不温不火的核心：它们没有进入业务最关键的判断环节。
这点很重要，
因为现实里，大多数组织真正稀缺的，不是"执行动作"，而是：
在不确定中作对判断。
比如：
- 这个用户值不值得继续投入，哪个用户更该先去跟进？
- 用户讲的需求是真需求还是在敷衍我？
- 这个节点最该推进的，是信任、价格，还是紧迫感？
- 现在什么话不能说？什么时机才能报价？
这些问题之所以值钱，不是因为它们多复杂，而是因为它们决定了后续资源该往哪里走。
“把有限的人力、时间和注意力，放在更值得的地方。”
所以，真正能带来改变的 AI，它不是提供"答案参考"，而是进入**“动作分配”。**
也就是说，它开始影响：
- 谁先做
- 做什么
- 不做什么
- 怎么做
- 为什么这么做
这个时候， AI 才算是"长进业务里"。
而且我认为，第一阶段最容易打赢的，不是让高手更强，而是 让那些普通销售，更稳定的做出不那么差的判断。
🐂 这听起来不是很性感，但很重要，毕竟我们是一家"劳动密集型"企业，服从正态分布🐴
这件事一旦成立，组织可能就会发生一个很本质的变化：从"靠少数人兜底"，变成"靠系统托底"。
与此同时，销售管理本身也应该被重构，从管理"努力程度"，逐渐转向管理"判断质量"。
Part.5
《王者荣耀》现在有一个 AI 陪伴功能（好像叫"灵宝"），
它会主动提醒我：“对面出了某件装备，要不要针对性克制出装？”
甚至还顺手给我一个一键预购方案。
这游戏我玩了很多年，但是菜得很稳定。
因为我从来没打算去研究那些复杂的装备属性、克制关系和版本细节。
在我认知里，这都是资深玩家或沉迷的人才会干的事。
但这个功能很有意思，它并没有替我"玩游戏"，也没有直接把我变成高手。
它做的事情其实很朴素：
在我最容易做错判断的那个瞬间，给我一个足够靠谱的建议，并且为我提供了一个"Next Best Action"。
这其实就是一种非常典型的 AI 嵌入方式。
它把"原本只有高手才会在意的判断"，在合适的时机、合适的上下文里，递到了我面前，
并且提供了一个 “最佳动作”。
一个普通销售，可能不是不会说话，也不是不努力，而问题往往出在：
- 他不知道眼前这个用户到底值不值得追
- 他不知道这个节点最该推进的是信任、价格还是紧迫感
- 他不知道用户嘴上说"再考虑一下"，到底是真的犹豫，还是已经礼貌性退出
- 他不知道，此时最该做的，可能不是"继续跟"，而是"先别烦他"
这时候，如果系统能像"游戏陪伴"一样，在关键节点给出提示：
- 这个用户当前更像"高意向但低信任"，先别急着报价
- 这个用户近三次互动明显降温，不建议继续密集触达
- 这个用户对"成绩提升"不敏感，但对"家长陪伴焦虑"反应明显
- 当前最优动作不是打电话，而是发一条更贴近他具体问题的消息
那它带来的价值，就远远不是提效工具那么简单了。
因为它不是在替代执行，而是在重塑判断的分布。
原本只有 Top 销售能做对的事，开始变成中腰部也能更稳定地做对，
原本很多只能靠悟性和感觉吃饭的地方，开始被系统一点点接住。
这其实很像给业务装上了一个 “实时陪伴系统”，
不是一个"等你来问"的工具，而是一个在 关键节点主动出现的"业务副驾"。
它不一定永远正确，但只要它能让大量普通人在大量关键节点上：
少犯一点错、少浪费一点资源、少做一点无效动作…
组织层面的收益就会非常可怕。
因为对于"正态分布型"业务来说，
真正决定结果的，很多时候不是"有没有超级高手"，而是平均水平能不能被系统性抬高。
如果我们的销售真的能拥有这样一个"副驾"，
它带来的变化，可能会有点像今天程序员对 Claude Code 的依赖——很多原本高度依赖经验和能力的工作，开始变得"只要有基础，就能做出不错结果"。
Part.6
如果一个想法不能被落地，那就又变成了假大空。
所以问题来了——
前面饼也画了、坑也挖了，我们到底要怎么把这件事落下来？
如果在以前，我肯定会这么做（实际上也这么做了）：
- 先把销冠的话术、物料整理出来
- 切片到向量数据库
- 接上聊天记录、用户画像、订单信息
- 然后做一个"销售助手"页面/应用（实际叫"销冠助手"）
- 最后让大家"试着用起来"
这一套思路不能说错， 但它最大的问题是：它默认销售会主动来问，并且大概知道自己在什么时候要问什么。
所以，这套思路，本质上更像"培优"逻辑，因此不太可能系统性抬高平均水平。
真正需要被托住的，往往不是那批已经知道"什么时候、该问什么"的人。
所以，我得重新思考，如果真要做一个"销售副驾"，第一版 PRD 该长成什么样？
这里先抛开技术层面的分析（技术方面我不擅长，如果有可能，我再找专业的人帮做补充）， 现在就先以一个产品运营的视角去看这件事。
首先，得要有明确的产品定位： 销售副驾 = 在销售关键节点，基于用户状态与上下文，主动给出更接近 Top Sales 判断的建议系统。
销售关键节点有很多，在我们的销售链路中有：
加微、首电、催课、回访挖需、异议处理、续报关单…等等
（当然，肯定也有人会说"整个流程都很关键"）
但我觉得第一版一定要克制，选择一个点先切入，最好选择符合：
- 频次高
- 做对了很值钱，做错了很伤
- 很吃个人经验
这些条件的节点。然后就是 “只做副驾，不做代驾”。
另外，还有一个非常重要的点：必须能够反馈闭环。
因为副驾的核心价值不在于"第一版多准"，而在于它能不能持续变得更准。
如果系统给出的建议，销售采纳了或没采纳、采纳之后用户的反应是什么、最终是否推进到了下一节点……这些信号都能回流到系统里，那它就具备了"越用越懂这家公司"的能力。
反过来，如果只输出建议、不接收反馈，那它本质上还是一个"看起来更聪明的话术库"——很快就会被业务边缘化。
所以第一版的最低标准，应该是这三件事同时跑通：
- 在一个明确的关键节点，能给出具体动作建议（不只是话术参考）
- 销售能用最低的成本给一个反馈（采纳 / 调整 / 忽略，最好附一句为什么）
- 这些反馈能沉淀回系统，影响下一次的建议
只要这条最小闭环跑起来，后面的事情就有了复利。
写在最后
这篇东西越写越多，本来是想梳理一下自己最近的一些零散想法，结果一不小心就写成了一份"自言自语版的产品观"😅。
总结下来其实就一句话：
拥抱 AI，不是问"AI 能替我们做什么"，而是问"我们真正是靠什么活着的，哪些判断又最值得被系统接住"。
详细的 PRD 已经放在 github 上，MVP 也正在推进中。后续如果 demo 跑得通，会再补一篇聊聊踩到的坑。