过去半年,我在公司里负责一个两百多人的核心岗位automation。pattern跑通了,围绕dashboard的automated monitoring to reminders上线了,Region by region 去做training推广,ramp up到80%以上的员工——然后在 7 月的一个晚上,整个项目差点被C位们一句话砍掉。
这篇文章不聊技术。聊的是一个更少有人写、但每个想在企业里推 automation 的人都会撞上的问题:技术做出来了,怎么让它在组织里活下去?
0、先讲那个差点掀翻一切的晚上
7 月 18 日,预算评审。某O看着我们的方案说了一句话,大意是:为什么实施automation战略半年了,XX岗位和Tech Team这边预算反而都增加了上千万的预算?这不 make sense。
那一刻我脑子里闪过的不是反驳,是一连串数字:dashboard 活跃用户197 人,NPS100%Promoter,subjectline从allocation到开始上课的时长从 316 小时压到 116 小时,降了 63%......这些全都发生在短短两个月。
但它们没有出现在决策者的脑子里。C位们只关注一个核心指标:半年前立项时,要求我们能够通过AI automation裁减一半以上的岗位人数。
再回顾我们汇报的结果,比如计算workload时,当初推断Allocation tutor这件事理论上能automate到87.1%,对上6月实际的渗透率12.7%。
87.1% 对 12.7%。在不了解上下文的人眼里,这不叫落差,这叫失败。
五个月的技术成果,一夜之间被重新定价。
虽然后续通过整理汇报材料、对比立项文档,重新汇报,说服了高层。
我们一直以为automation就是一场技术仗。可让它在组织里活下来,真正要打的是三场完全不同的仗:workflow、organization、decision。技术只是入场券,这三场才是生死线。而这三场,我们没有足够重视。
1、我们怎么开始的:从 shadowing 到breakdown
一切的起点不是技术,是观察。
我们先用 shadowing 加上一线访谈,把这个角色每天到底在做什么,从头到尾摸了一遍。不是看handbook,是坐在他们旁边看他们真实的一天:打开哪些tab page、来回切几次、在什么环节卡住、什么环节靠记忆、分别有哪些edgecase并如何处理。
同时我们拿回了内部的大量资料,包括日常工作流文档、Matherboard、training video、checklist等等,做了系统性的分析。
在这之上,我们把每个岗位的工作拆到minimum unit,算出在每一个学生身上平均花费的时间。这一步让"感觉很忙"变成了可度量的分布——哪些内容占时间、哪些可以标准化、哪些纯属信息搬运。
有了这份时间账单,我们才为每一类工作内容,找到了对应的解决方式:能自动化的自动化,能标准化的标准化,必须留人的留人。
2、三个核心洞察
整个项目的基础,是这三个当时还算反直觉的判断。
第一,他们之前几乎没有任何有效的工作监督手段,只能靠人工。
每位XX管着几十个学生,谁该followup、谁在warning list里、哪个已经overdue很久,过去全靠人工记忆和例会同步。没有系统帮他们持续盯着"这个人 47 天没开 strategy session 了"。监督的缺失,让大量本可早干预的问题拖成了危机。
第二,面对 edge case,每个人其实用的是不同的方案,没有形成固定的 SOP。
同一个"parents no reply"的场景,A 觉得先发邮件,B 习惯先 Slack,C 会直接escalation。这些方案里一定有更有效的那一种,但它们散落在每个人脑子里,从没被提炼出来。而这件事恰恰适合用 AI 来做:把大量一线gold set喂进去,分析哪些动作在哪些情境下最有效,再把最优路径固化成 workflow,让所有人用上最好的那一套。
第三,他们缺一个统一的worktable,去统一监测和管理。
工具是散的:email使用front、calender不同region也不一样、whatsup/wecom/aircall作为沟通工具。人在系统之间当搬运工。只要我们先把这一个工作台立起来,后面的能力都可以在这个核心之上逐步长出来。
这三点里,前两点是"为什么要做",第三点是"从哪做起"。
3、工具选型与踩坑:vibe coding 的得与失
早期我们用 raplit 这类 vibe coding 工具快速搭原型,前后试了不同版本。它确实快,像一支神笔,你描述要什么界面,能够快速所说即所见。
但问题也正好出在"quick create"上,我们后来吃了不少亏,值得写清楚:
- 数据查询逻辑混乱且低效。 它不知道后端有哪些正式接口,就在页面渲染时直接发起 fetch 或调用看似存在的 API 去拉数据,没有任何缓存、批处理或分页。学生少的时候没问题,数据一多、字段一复杂,每次打开都在全量重拉,页面越来越慢。
- 接口不存在时,它会自己编一个(AI幻觉)。 当某个它需要的接口在真实后端里根本没有,它不会停下来问你,而是返回一个写死的 mock,或者假设一个并不存在的字段结构。结果是 UI 长得完全正常,但底下数据全是假的。内部 demo 时极难发现,一接真实数据就穿帮。
- 为了绕开上面两点,它会用笨办法兜底。 比如把整张表塞进前端再在浏览器里过滤,或者去爬页面。用户少时勉强能用,并发一上来既慢又容易错。
- 最麻烦的是可维护性。 数据层、接口层都是它即兴生成的,没有稳定架构。早期几个用户没问题;一旦要支持更多user,每加一个功能都可能牵动之前那些临时取数逻辑,开发越来越乱,bug 越来越多。
换句话说,vibe coding 适合验证"长什么样",不适合承载"真实生产"。我们用它快速探了三版方向,确定什么该做之后,逐步收敛…