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…