现在工作里和 AI 有关的事情越来越多。
产品本身在变，客户的问题在变，团队的协作方式也在变。过去我们讨论一个产品，更多是在讲功能、场景和交付；现在，很多讨论会自然延伸到智能体、工作流、知识管理，以及 AI 到底能不能真的帮客户做成一件事。
读李开复的《AI未来已来：CEO、组织、个人的时代红利》时，我一直带着这些具体的问题。
这本书讨论的是 CEO、组织和个人如何面对 AI 带来的变化。整体讲得很通俗易懂，虽然有些王婆卖瓜的成分，但还算是比较完整地给读者做了一些科普。读下来，我印象最深的是一个很朴素的提醒：AI 项目真正难的部分，往往不在模型本身，而在于一个组织愿不愿意为结果重新安排人、流程和责任。
这对个人也是一样。学会使用 AI 只是开始。之后更值得想清楚的，或许是：我想把它用在哪里，又愿意为哪些结果负责？长期来看，如何寻找新的定位，形成怎样的能力？
智能体上岗之后
书里提到一个词，叫 Pocket Veto，意思是“口袋否决”。它说的是一种很常见的情形：会议上，大家都说这个方案不错，也没有人明确反对；会议结束，事情就被各自放回口袋里。它没有被否决，但也没有真的往前走。
AI 项目很容易有这样的时刻。
一个团队做了不少智能体，办过培训，完成了几份试点报告，也有可以展示的 demo。看起来，AI 已经进入组织了。但过一段时间再看，原来的流程还在照旧运行，客户没有感到明显变化，团队也没有因此多做成什么事。
这里的“智能体”，可以理解为能够完成一段完整任务的 AI 系统。它不只负责写几句话，还会结合资料、工具和权限，按一定步骤完成原本需要人反复处理的工作。
所以，问题从来不只是做出一个智能体。
它是否被人真正使用？有没有进入原来最费时间、最容易出错的那段流程？使用之后，谁的工作发生了变化？这些问题决定了 AI 最后会不会只停留在一场内部展示。
我所在的团队也在经历这种变化。过去，产品营销的工作更多围绕产品功能、内容物料和市场活动展开。现在，AI 已经开始改变产品本身，也改变客户对产品价值的期待。
如果客户得到的只是“更快写一篇文案”，这个价值很难支撑一套复杂的企业级产品。客户真正关心的，往往是更具体的事：销售和客户沟通之后，信息能不能被沉淀下来；运营面对一批用户时，能不能少做一些重复的组织工作；业务负责人看到异常数据时，能不能更快找到值得追问的方向。
这些场景的背后，都不只是模型能力的问题。
模型之外，还有很长的一段路
书中把企业 AI 转型分成三个层次。
最开始是工作量指标：部署了多少模型，做了多少智能体，覆盖了多少部门。它们容易统计，也最容易出现在汇报里。
再往前一步，是局部效率。一个团队节省了多少时间，一个流程少花了多少人力成本。
真正困难的是第三层：AI 是否影响了收入、利润率、客户留存、供应链周期，或者产品进入市场的速度。
对企业来说，AI 最后还是要回到经营结果。
但从“模型能用”走到“结果发生变化”，中间有很多容易被忽略的缺口。模型不一定知道企业的私有数据，不熟悉内部的业务语言，也不知道一个组织此刻正在进行什么项目、哪些客户正处于什么状态。它更没有权限直接进入系统完成动作，更不会主动承担判断失误的后果。
这也是为什么，很多 AI 产品在演示时让人眼前一亮，落到实际工作里却还要走很远。
企业需要整理数据和知识，需要重新安排权限和流程，也需要熟悉业务的人把那些无法写进标准文档的经验慢慢讲清楚。比如，一个销售会知道某类客户表面上在问产品能力，真正担心的却是上线之后没人维护；一个客户运营同事会知道，培训活动里用户不吱声，并不总是因为内容不好，也可能是报名时的预期就没有对齐。
这些判断，往往就在业务的一线。
所以现在看一个 AI 产品和它的营销故事，我会更关心它能不能进入客户最麻烦的那段流程。它是否减少了一次重复沟通，帮人更早发现一个问题，或者让一件原本需要几个人来回推进的事有了更清楚的下一步。
这些变化未必适合写成特别宏大的故事，但客户会记得。
谁来把它接住
书里反复提到 DRI，Directly Responsible Individual，意思是对一件事直接负责的人。
AI 可以给出方案，也可以按照指令完成一些动作，但它不会天然知道这份客户案例能不能发，这个判断有没有风险，这段话会不会让客户产生错误预期。
最后，还是要有人把它接住，即承担责任。
这也是我读这本书时不断想到的一点。组织里有很多重要的知识，其实并不在资料库里。它可能藏在做过很多项目的人身上，藏在一次和客户聊完之后的直觉里，也藏在一句看似很随意的话里：“这个客户别急着推，他现在还没想明白自己要解决什么问题。”
如果这些经验没有被梳理出来，AI 很容易给出一份看起来完整、实际却不太能用的答案。
对个人来说，AI 时代大概会慢慢出现一些分化。甚至可以说是残酷的分化。
有人会借助 AI，把自己原本的判断、经验和执行力放大；有人因为掌握了难以替代的专业知识和关系，变得更重要；也有人开始反复确认、复制和转发 AI 生成的内容，工作没有减少，自己对事情的理解却越来越薄。
我希望自己能尽量靠近前两种。
AI 的确很擅长整理已有信息，做有迹可循的套路重组。让它写一份行业趋势、活动方案或客户案例，它通常能很快给出一个结构完整的初稿。但它也会更容易沿着已有共识往前走，给出最稳妥、最常见的答案。
这正是人还需要留在其中的原因。
客户说“我们想做一个智能体”，到底是在担心效率，还是担心一线团队接不住新业务？一场活动为什么报名不错、到场却一般？一份案例里哪些细节可以写，哪些内容还需要克制？这些都很难只靠一份标准答案解决。
AI 可以帮我们更快开始，但具体的问题仍然要自己去问，最后的取舍也还是要自己来做。“原创式的创意工作”仍然有很高的开放性门槛。
接下来想做的几件事
读完这本书后，我重新梳理了一下，接下来想怎样用 AI。
我想先把自己的工作上下文整理得更清楚一些。
产品资料、客户案例、项目复盘、行业观察、那些被客户反复问起的问题，过去散落在不同的文档、聊天记录和个人记忆里。之后，我希望把它们不只是更完整地沉淀下来，成为自己在工作中可以反复调用的资料。
前阵子复盘一个客户案例时，销售反复提到，客户最在意的其实是：“这个能力上线之后，我的一线团队每天到底少做哪一步？”
这句话比很多宏大的价值表述都更有用。下次写案例、做产品演示，甚至设计一个客户运营智能体时，它都可以成为一个必须回答的问题。
当然，整理上下文也要有边界。涉及客户、公司和个人隐私的信息，仍然要在合适的工具和权限范围内使用。方便不能代替谨慎。
我也想把一些一次性的尝试和个人的经验，逐渐做成可以给其他人复用的工作方法。
比如组织产品新版本发布时的功能培训时，能否让 AI 根据已有资料和客户场景，形成一个动态发布页面；做客户课程时，能否让 AI 先完成课程框架、讲稿和课件初稿；做训练营和客户案例时，能否留下一套可以继续调整的流程。
这些尝试真正有价值的地方，可能不在第一次生成得有多漂亮。
更重要的是，团队用过之后会留下什么反馈。哪些内容需要人工补充，哪些流程反而增加了麻烦。这样的反馈积累几轮，模板、检查清单和案例才会慢慢长出来。
还有一件事，是保留对结果的校验。
现在，生成内容已经越来越容易。我们可能很快就能得到一篇文章、一份方案或一套活动物料的初稿。但看见一份完整的内容之后，仍然要问一句：它依据的是什么？遗漏了什么？它真的适合眼前这个主题或场景吗？以及，它能不能少一点模式化的排比句？
我想，AI 最适合替我处理重复劳动、整理复杂信息，把一些原来难以开始的事情先推起来，提高基础产出的速度。但省下来的时间，也该留给那些无法轻易外包、体现创意想法的部分。
多去听大家怎么描述客户的犹豫，多看产品与落地之间眼下卡在哪里，也多和重要的人好好相处，多把脑海中的念头变成作品，读一点没有直接用途的书，去自然里走一走。
这些事情未必能立刻转化为效率，却会慢慢影响一个人如何判断、如何表达，也如何生活。
