真正创造价值的 AI，最终都会“消失”在工作流程里

　　科技

　　AI 技术能做到的，远比当前被企业利用起来的更多。但这道鸿沟正让越来越多的人感到挫败，而这一观察，也正是眼下流传最广的 AI 评论的起点。伊森·莫里克（Ethan Mollick）在近期为《经济学人》（The Economist）撰写的一篇文章中最犀利地捕捉到了这种情绪。他认为，企业还没等 AI 大展身手，就先把它“驯服”了：IT 管控、规避风险的流程、硬把新技术塞进既有架构的冲动，这些才是主要瓶颈。斯坦福大学的埃里克·布林约尔松（Erik Brynjolfsson）花了30年记录这种现象为何反复出现。他提出的“J 曲线”框架描述了一个规律：技术采用往往先跌入低谷，再迎来回报。这一框架为如下论断提供了理论支撑：决定技术是持续增值还是停滞不前的，不是模型质量，而是组织层面的滞后。

　　他们都说得对，诊断严肃且立足实际。但值得补充的是，这里所说的“摩擦”，跟让 AI 真正规模化所需的基础设施，根本是两码事。他说的“摩擦”是官僚式的层层审批、对试点和实验的过度迷恋。

　　而真正的基础设施是另一套东西：身份体系、权限管理、与企业真实数据之间的连接、对智能体行为的可追溯记录，以及与日常工作工具的深度集成。这层基础设施不是 AI 的坟墓，恰恰相反，它让 AI 得以悄悄融入工作本身，而“融入工作”，正是 AI 实现规模化的前提。

　　01

　　技术扩散的规律

　　杰弗里·摩尔（Geoffrey Moore）在《跨越鸿沟》一书中记录了这样一个规律：早期采用者的行为特征，是愿意为一项还不够顺滑的技术忍受各种折腾，而这恰恰让他们无法代表其他所有人。务实主义者之所以跨越鸿沟，不是因为技术变得更强了，而是因为技术走进了他们已经在做的工作里。

　　互联网改变商业，靠的不是浏览器里那些新奇的实验。它改变商业，是在成为亚马逊脚下那层看不见的基础设施之后，是在买一支牙膏都不需要理解底层技术的时候。这种“看不见”是挣来的。亚马逊从零开始重建了物流、履约和定价基础设施，技术才能消失在购物体验中。这种“看不见”是重新设计的产物，不是跳过重新设计的捷径。移动互联网走过了同样的轨迹。它的胜利不在于新鲜和实验性，而在于界面消失在了任务本身里。

　　每一次都是如此：当大多数人不再想着这项技术的时候，它才真正变得举足轻重。刻意的结构性工作，发生在体验变得毫不费力之前。企业技术成熟度的先行指标，从来不是界面有多新奇，而是这项技术在日常工作中有多不可见。AI 也不例外。

　　02

　　承重的基础层

　　自上而下的愿景和遍布业务各环节的实验，都很重要。但如果没有底下那层东西托着，两者都不会产生回报。这层基础设施知道谁在提问、能看到什么、企业靠什么数据运转、工作在哪些工具中发生。

　　这层基础设施解决的问题，是“反复教”。如今的 AI 对待每个任务，都像一个第一天上班的新人。每次写提示词或需求文档，你都得重新解释数据在哪里、输出格式是什么、适用哪些标准。组织现在正在学习构建的，是“技能”（skills）：一组结构化的指令，编码了某项具体工作的运行方式。技能和提示词的区别，就像操作手册和邮件的区别。提示词是让 AI 自己去琢磨；技能是告诉 AI ，这个组织已经决定怎么做了。大规模构建这些技能，决定它们该如何编码、随工作流演进持续维护、分发给各团队，避免各自从零开始，这套形式化的工作，正是运营模式和资金充足的试点之间的分水岭。

　　大多数组织离这一步比他们以为的更近。企业软件中底层能力的积累已经持续多年：那些未被使用的功能、复杂到无法落地的工作流、散落在为人设计的系统里的非结构化数据。生成式 AI 让这些能力得以大规模调用，但前提是基础设施已经就位。

　　03

　　领导者卡在哪：运营模式的困局

　　领导者大体上明白，AI 的整合需要重新设计工作。更难的问题是：怎么改？需要改的流程，正是组织今天赖以运转的那些，而没有人能暂停业务来重建业务。

　　在 AI 规模化的过程中，有一个瞬间你会摸到天花板。速度表显示车还能更快，但发动机已经到极限了。打开下一档的不是渐进式改良，而是退后一步，审视当前的工作结构，问一个问题：这个结构本身是否还有存在的必要？

　　这需要刻意的干预。在微软，产品开发团队参加了 Camp AIR，一个为期三周的沉浸式项目，为参与者提供专属时间、内部教练和一套共享的 AI 工具。正如一位负责人所说，在那三周里，他们的优先级不是交付正在做的功能，而是搞清楚如何用 AI 以不同的方式工作。时间被专门划出来。工作流被端到端地梳理。新实践必须在旧习惯重新占据上风之前建立起来。

　　不主动创造这种结构的领导者，终将面对一个由竞争压力强加的版本，而且时间和选项都更少。这里没有现成的地图，AI 发展的速度让任何蓝图都只能是暂时的。能参考的，是一个明显跑在前面的领域：软件开发。新的工作模式已经在那里被记录下来。它不是模板，而是接力。同一条路上跑在前面的人，向后发送关于路况的信号。这些信号显示的不是 AI 压倒了人，而是人重新设计了工作，让技术变成了那个没人注意到的部分。

　　04

　　正文给管理者的启示

　　J 曲线终会走出低谷，一直如此。在这一点上莫里克和布林约尔松是对的。决定一个组织是领先还是跟随的，看它是否在别人还在争论“开关”的时候，就已经在铺设“线路”了。

　　实际问题不是你的组织能调用的 AI 能力有多少，而是你的 AI 投资底下的基础设施是真正承重的，还是只是为更多试点提供掩护。第一步比听起来要小。挑一个重要的、反复出现的工作流：一份报告、一个评审周期、一次跨部门交接，然后问三个问题：

　　这项工作今天卡在哪里？

　　人在哪里介入，仅仅是为了推着事情往前走？

　　要让一个智能体处理这件事而不用每次重新教，需要什么？

　　这些答案，就是构建“技能”的基础。做好一个技能，分发出去，观察它在真实条件下的表现，这就是把基础设施当作运营模式决策在实践中的样子。一旦你在一个地方看到它奏效，这个模式就到处可见了。然后，如果做对了，它就再也看不见了。会议上没人提及的 AI，没人拉取就到的报告，就在那里的摘要，这才是 AI 真正在工作的样子。

　　05

　　智能体在行动

　　大多数工业机器人看起来像各自领域的行家，直到环境一变，它们脆弱的规则集就露馅了。Robotec.ai 的一段演示指向了另一种思路：一台仓库机器人使用智能体 AI 系统，动态规划和执行任务，在环境抛出混合交通、障碍物或路径阻断等意外时主动调整，而非盲目遵循预设路线。这种从“执行脚本”到“判断下一步最优行动”的转变，正是智能体在物理和数字世界自主运行中引人注目的原因之一。