如何在企业中构建可持续的 AI 工作流

每周我都会遇到向我讲述同样故事的公司。团队里有人开始用 ChatGPT 更快地写邮件。接着另一个人找到了一个 Notion 的 AI 插件。与此同时，IT 出于安全原因封锁了某些工具的访问，而 CEO 在全员大会上宣布“AI 是战略优先事项”。结果是个人试验的混乱堆积——没有共享的架构，没有治理，没有可衡量的投资回报。

本文描述了我与企业客户一起使用的路径，帮助他们从混乱阶段走向结构化、可持续的 AI 应用。这不是一个线性过程——组织会跳过某些阶段，也会回头重来——但拥有一张地图能帮助你了解自己身处何处以及下一步该做什么。

第 1 阶段——对现状进行坦诚的评估

在引入任何工具之前，你需要了解已经在发生什么。在我合作过的每家公司里，都存在一层影子 AI（shadow AI）：个人在组织毫不知情的情况下使用的工具。让这些做法浮出水面是第一步——不是为了压制它们，而是为了了解真实需求在哪里。

我使用的工具是分三轮进行的非正式审计：抽样访谈（每人 15–20 分钟，跨职能的十种不同角色），一份关于 AI 工具使用情况和看法的匿名问卷，以及按部门分析最具重复性的流程。产出是一张机会地图：AI 可以在哪里去除低价值工作，以及反过来，在哪里如果草率引入可能会制造问题。

第 2 阶段——首先界定安全边界

IT 团队和数据保护官（DPO）必须是盟友，而不是障碍。问题在于他们常常被拉进来得太晚——在有人已经把敏感数据分享给外部模型之后。关于安全的对话必须在第一次事故之前进行，而不是之后。

对于处理敏感数据的公司——医疗、金融、法律、公共管理——选择不在于用不用 AI，而在于以受控的方式使用它，还是以混乱的方式使用它。具体选项包括：配有适当数据处理协议（Data Processing Agreement）的云端模型、在自有基础设施上的本地部署，或带有数据不留存条款的 API。每种选项都有不同的成本和约束，需要根据具体用例进行权衡。

选择不在于用不用 AI，而在于以受控的方式使用它，还是以混乱的方式使用它。

第 3 阶段——确定两到三个试点用例

目标不是“公司在使用 AI”，而是“这个具体流程的成本降低了 40%，并且产出了更好的结果”。要做到这一点，你需要从具体、可衡量、低风险的用例开始。

最佳试点候选具有某些共同特征：流程是重复且定义明确的；已经存在参考指标（时间、成本、质量）；所需数据可用且格式可用；参与的团队愿意试验。典型例子包括生成文档初稿、分析客户反馈、自动分类支持工单，以及总结长篇报告。

不适合作为试点的：人的判断不可替代的模糊流程；需要难以显性化的隐性背景的任务；一旦出错就会立即带来法律或声誉后果的领域。

第 4 阶段——建立内部能力

可持续的 AI 工作流不依赖外部顾问来维持运转。它需要内部人员理解它如何运作、如何配置，以及在产生错误输出时如何纠正。这种能力不是靠两天的课程获得的——而是在真实案例中通过实践、失败和迭代建立起来的。

效果最好的模式是“分布式能力中心”：一个小团队（两到四人），拥有更深的专业知识，作为组织其他成员的参考点。不是一个替所有人做 AI 的集中式团队，而是一个让其他人能够自己动手的枢纽。最有效的培训是锚定在团队真实流程上的，而不是锚定在供应商放进演示文稿里的通用用例上。

第 5 阶段——衡量、沟通并有选择地扩大规模

试点进行三个月后，最关键的时刻不是部署——而是内部汇报。结果必须以可信的方式传达，而不是夸大数字来为未来的投资辩护。如果试点效果良好，数据会自己说话。如果只取得部分成功，坦诚地分析为什么没有达到预期，比假装完全成功更有用。

可扩展性不是自动实现的。一个对营销团队有效的用例，不一定对运营团队有效。每一次扩展都需要调整工作流，而不是复制粘贴。最有效地扩大 AI 规模的组织，是那些以对待首个试点同样的严谨态度对待每个新用例的组织：一个清晰的假设，一个明确的成功指标，一个结构化的反馈循环。

AI 改变一家公司，不是因为它强大，而是因为有人决定了如何使用它、谁对它负责，以及如何衡量结果。

我所描述的这条路径，对于中型组织来说需要六个月到一年的时间。它并不快。但这是构建某种能够超越最初热情、并经受住第一次公开失误的东西所需要的时间。