企业AI改造第一步：你不在上AI:你在还债

AI改造不是技术问题，而是组织变革的序幕，它首先逼你偿还过去欠下的“定义债”。
核心内容：
1. AI改造为何卡在第一步“线上化”
2. “定义债”的具体表现与深层原因
3. 偿还“定义债”的破局思路与实践案例

上期结尾我留了一句话——"道理我都懂，但第一步就是迈不出去。"线上化这件事，说起来是"把工作流搬上来"，做起来是要把老师傅脑子里的隐性知识挖出来、把不同部门各说各话的口径对齐、还要处理"这件事一直是张三说了算但现在要交给系统"的组织博弈。

发出来之后，收到最多的反馈是"你说到我们公司了"。所以这期接着往下拆——第一步到底卡在哪，以及怎么迈过去。

Q1：上期给了四化路径，第一步"线上化"到底卡在哪？

卡在一个你大概率没意识到的地方——你在"还债"。

还什么债？旧世界5年10年没还的"定义债"。

旧世界的运转靠三样东西：默契、模糊、缓冲。"这个事谁负责？""差不多都管一点。""标准是什么？""看情况。""输入从哪来？""开会对一下。"这套机制低效但稳定，因为人能容忍模糊——人脑够用，大家心照不宣，碰到模糊地带打个电话就解决了。

这些模糊地带累积了五年、十年，从来没人觉得是问题。因为没有AI，这些债可以一直欠着。

但AI不能容忍模糊。AI需要明确的输入格式、清晰的判断标准、确定的责任归属、可量化的反馈信号。当你试图把AI嵌入一个靠模糊运转的流程时，你会发现：不是AI不行，是流程本身就没有被真正定义过。

AI不是制造了组织问题，而是让组织问题无处藏身。它逼着组织做一次从未完成的自我梳理。

所以第一步卡住，不是你的技术团队不行，不是模型不够强，是你突然被要求把旧世界5年没定义清楚的东西全部用工程语言写出来。这笔债一直在欠，AI来了，催债的上门了。

Q2：这笔"定义债"具体长什么样？

举一个真实的例子。我们团队在做智能引擎项目的时候，想把补贴投放的决策流程线上化。说起来就是"系统自动决定给谁发多少补贴"，但真去梳理的时候发现，这个决策流程涉及多个部门的交织：算法团队做预估，运营团队做提效假设，财务团队卡预算约束，中间还夹着大量的论证、反复和反馈。

这个过程在大多数公司里从来没有被正式记录过。它活在几个关键人的脑子里、跨部门会议的字里行间、以及无数次走廊对话的默契中。

你问一个老运营"补贴金额怎么定"，他说"看情况"。你追问"看什么情况"，他给你五六个因素。你再追问"这些因素之间怎么权衡"，他顿一下，说"这个得凭经验"。

这个"凭经验"就是定义债最典型的形态。不是他不想说清楚，是说不清楚——因为那些判断存在于无数次试错后的直觉中，存在于对业务节奏的微妙感知中。他脑子里是"理所当然"的事，从来没被翻译成工程语言。

而且债不止一层。经验本身可能是矛盾的——张三说"补贴要激进"，李四说"补贴要保守"，两个人各自在自己的条件下都对，但你做线上化需要一套统一规则。更深一层，有些做法之所以存在，不是因为它是最好的方法，而是因为它是各方利益妥协的结果。"补贴预算为什么按3:7分？"——因为上次两个部门吵了一架，后来就一直沿用。当事人自己可能都忘了最初的原因，真的以为"一直就是这样"。

这些"说不清"的、互相矛盾的、历史惯性伪装成经验的东西，全部累积在一起，就是定义债。

Q3：还完债就能让AI自主跑了吗？

还不行。还完债（或者说还到一定程度），你才真正面临一个选择：这个环节，让人来驱动，还是让系统自己驱动？

这里引入一对概念：人控闭环和自驱闭环。

核心区分是时钟源。人控闭环的时钟源是人——人来了Loop才转，AI出方案人拍板。自驱闭环的时钟源是信号——信号到了就转，人只看异常。

业界常用"In the Loop"和"AI Native"来描述这两种模式，但这两个词各有问题。"In the Loop"容易让人以为核心概念是Loop本身——实际上两种模式都在跑Loop，区别在于人在不在这个Loop里。"Native"则混淆了设计态和运行态——一个系统可以是为AI原生设计的，但因为信任没建立起来，运行中人还是要审批，那它在运行态上其实还是人控的。

所以用"人控/自驱"更准确。它直指本质：谁在驱动系统运转。

这件事和技术选型是正交的两个维度，可以画成一张四象限图：

横轴是技术选型——规则驱动（规则引擎、运筹优化）还是推理驱动（LLM、Agent）。纵轴是运营模式——人控还是自驱。四个象限各有典型代表：人控+规则驱动是BI报表、风控审批；自驱+规则驱动是推荐系统、自动定价引擎；人控+推理驱动是Chatbot、操盘Agent；自驱+推理驱动是自动驾驶、天气Agent。

规则驱动回答的是"用什么方法解决问题"。人控还是自驱，回答的是"谁来驱动系统运转"。规则驱动的系统因为确定性极强，天然容易做到自驱；推理驱动的系统因为有概率性，往往需要人在环里兜底。但这不是绝对的——后面会讲到反例。

准确的关系是：技术选型决定了"自驱的可能性边界"，但人控还是自驱最终还受组织信任度制约。技术上能自驱不代表组织上敢自驱。

Q4：怎么判断一个环节该走人控还是自驱？

用一个三态模型来回答。

算得清 → 自驱闭环。 有明确目标函数、约束条件、结构化数据、结果可验证、错了能兜住。直接交给系统自主运转。

说不清 → 人控闭环（过渡态）。 知道重要但没法形式化表达。用AI做模式识别和推理，但因为不确定性高，人需要在环里校验。

不可算 → 永远留给人。 本质上不可形式化——价值判断（追增长还是追利润）、政&治博弈（预算怎么在部门间分）、黑天鹅决策（竞对突然翻倍补贴打不打价格战）、问责与沟通（向老板解释亏损、推动跨团队共识）。

关键认知是："说不清"不是终态，而是待解决状态。每一次人机交互都在做一件事——把隐性知识显性化、把模糊规则形式化、把经验判断数据化——逐步把"说不清"变成"算得清"。

完整的演进逻辑链是这样的：

说不清 →（Loop倒逼定义）→ 说得清但没验证 →（数据验证）→ 算得清 →（放权）→ 自驱闭环

人控阶段就是这条链上的中间态。人在环里做的每一次判断、每一次修正，都是高质量标注数据。人控阶段是自驱阶段的数据飞轮和认知基础。

从人控切到自驱不靠拍脑袋，不靠老板一句"我信AI了"，靠数据驱动的毕业标准。我们团队实践中的标准是：人审通过率连续30天≥90%、仿真覆盖率≥80%，达标了才放权。没达标就老老实实继续人控，急不来。

但也要认清：有些环节可能永远留在人控——异常处理就是典型。预算超标、竞对突袭这种不可预测的场景，本质上属于"不可算"，必须人来判断。这不是落后，是设计。系统的鲁棒性恰恰来自于承认"不是所有东西都该交给AI"。

Q5：有没有已经"毕业"到自驱的真实例子？

有。我们智能引擎项目里有一个天气Agent，是项目中最完整的自驱闭环实践。

它的工作流程是这样的：每小时自动扫描全国城市天气，命中异常天气规则后触发Agent，LLM基于运力、预算、城市效率、历史天气、历史操盘五大因素对高ROI和低ROI人群分别打分，然后自动决策——高ROI人群加补或增发券，低ROI人群减补或不发券。决策做完直接自动执行，修改线上配置。人唯一的参与是事前设护栏（运力熔断规则、预算阈值、ROI分级）和事后看复盘。

链路的时钟源是天气信号，不是人。这就是自驱闭环——信号到了就转，人不在环里。

但有一个细节值得注意：天气Agent虽然毕业到了自驱，它不是纯推理驱动。当前版本的打分权重是人设的固定规则（规则驱动），自迭代还没跑通。也就是说，LLM负责感知和推理（推理驱动），但最终决策权重还是人定的（规则驱动）。

它能自驱，不是因为它纯推理驱动了，恰恰是因为它用规则驱动的护栏把推理驱动的不确定性兜住了。

这个细节打破了两个迷思。一是"AI越自主越好"——天气Agent能自驱靠的不是LLM够强，而是护栏够稳。二是"LLM能做的就别用规则"——规则驱动的固定规则在这里恰好是让组织敢放手的信任基础。

Q6：那没毕业的呢？

同一个项目里的操盘Agent，还在人控闭环。

操盘Agent做的事情比天气Agent复杂得多——品类分配、预算拆解、投放策略、定价调整。AI生成3套操盘方案，人选一个拍板。AI有推理能力但决策权在人。

为什么天气Agent能毕业，操盘Agent不能？四个维度对比：

天气Agent四条都过了，所以毕业了。操盘Agent四条都还在路上。

但操盘Agent不是原地踏步。每一次人审都在积累"什么情况下人会同意"的数据——这些数据最终会把"说不清"的操盘经验变成"算得清"的决策规则。等规则够全、验证够充分，操盘Agent也就毕业了。

人控不是终态，是信任积累期——人在环里不是为了挡住AI，是为了给AI攒毕业的学分。

Q7：所以怎么判断一个模块能不能毕业？

把上面的对比归纳成一个判断框架。一个模块能不能从人控毕业到自驱，不是看AI够不够聪明，而是看四个条件是否同时满足：

决策边界够不够窄。 输入和输出是不是清晰可枚举？如果输出是"三选一"（加补/减补/不动），边界就窄，组织敢放手。如果输出是"一个完整的操盘方案"，边界就宽，涉及太多变量，谁都不敢让AI自主拍板。

反馈够不够快。 决策做完多久能知道对不对？当天能看效果的，信任建立快，错了马上改。两周才知道结果的，中间你会焦虑、怀疑、想插手。

知识显性化够不够高。 决策依赖的因素是结构化数据还是老员工脑子里的经验？如果五大因素都能直接喂给AI，说明知识已经显性化了。如果"这个品类该不该激进"还在某个人脑子里，说明还在"说不清"状态。

政&治复杂度够不够低。 这个环节的决策会不会动到别人的蛋糕？天气来了调补贴，谁的利益都不直接受损。预算怎么分、哪个品类优先，每个选择都有赢家和输家——这种政&治复杂度属于"不可算"，必须人来扛。

四个条件同时满足，才能毕业。缺任何一条，就老老实实留在人控，继续还债、继续攒数据、继续建信任。

这里要提一句：把模糊的东西定义清楚，本质就是在定协议——协议不是接口文档，是把脑子里的隐性假设变成白纸黑字、可验证的承诺。这件事不只是技术团队在做，OKR、周报、日会本质上都是在补协议的位，只不过它们是人肉驱动的低效协议——开完会当天有共识，三天后衰减，一周后回到无协议状态。这个话题以后可以专门聊，今天先点到。

收束

回到开头的问题——第一步为什么最难？

因为你以为在做智能化，实际还在补前三步的欠账。旧世界5年10年靠默契、模糊、缓冲跑着，这些"说不清"从没人觉得是问题。AI进来变成照妖镜，逼你把每一个模糊地带用工程语言定义清楚。这件事80%是组织工作不是技术工作——这不是走偏了，这就是正事。

还完债（或者说还到一定程度），你才面临真正的选择：人控还是自驱。这个选择不靠感觉，靠三态模型——算得清的放手交给系统，说不清的用Loop逼出定义，不可算的永远留给人。而判断一个环节能不能从人控毕业到自驱，看四个条件：决策边界、反馈速度、知识显性化、政&治复杂度。

一句话总结：第一步难，难在你不是在"上AI"，你是在"还旧世界5年的定义债"。而还债这件事，80%是组织工作。

但这就引出一个问题：你怎么知道定义债在减少？你怎么衡量一个Agent到底好不好、一个Loop到底转得快不快？判断AI建设成熟度的真正指标，不是看你自驱了多少模块，而是看你人控区间的"说不清"在以什么速度变成"算得清"。怎么衡量这个速度？下一期聊这个——Agent的评估，以及Loop的评估。

这个话题在播客里我和搭档也聊了一期，尤其是天气Agent和操盘Agent的对比、毕业四条件的讨论，播客里的展开比文字更有冲突感。感兴趣可以在小宇宙搜"AI实话"，第六期就是。

登录查看剩余 70% 内容