其實領導拍腦門沒用，AI怎么用還得聽一線員工的

說實話，在過去的兩年里，國內對于 AI 的應用一直存在著“ 技術熱，落地冷 ”的情況，尤其是在 B 端，企業有著 AI 焦慮，但是遲遲沒辦法下手。

一方面是，企業們摸不透現有的各家大模型，該怎么應用到企業的實際業務中。另一方面是在考量要不要招專門的人才，這樣的人才到底怎么用。

大家都想不好，所以持觀望者多。

前者是行業問題。目前來看，AI 并沒有完整的形成一個生態，算力歸算力，模型歸模型，傳統的 SaaS 廠商正想辦法將 AI 能力集成到現有的 CRM（客戶管理系統）、營銷或者 HR 軟件里，但想解決具體的大塊業務問題，還需要時間。

原因在于這種迭代對傳統 SaaS 廠商的挑戰也不低，之前反復幫企業開發工具，邏輯在于優化，這是一個工程能力，需求，開發，交付；但是現在客戶自己都不一定清楚 AI 到底能解決哪個具體問題，需要 SaaS 和企業一起基于數據和場景進行探索，倏忽間，AI 技術變革日新月異，之前錨定的目標又落后了。

那新的原生于 AI 時代的 SaaS 公司呢？相對較少，前面說到 AI 落地極度依賴于數據和場景，新型的 SaaS 公司更難從 0 到 1，因為你進入不了場景，獲得不了數據，想進入，前期必定是先干活，后拿錢，商業模式的可持續性待評估。并且，當行業和資本把大量的投資集中在算力和模型層面，為 B 端客戶做定制化提效這件事的吸引力，就沒那么大了。

至于人才問題，外部招聘存在著技術專家和業務專家的認知鴻溝，傳統企業部門墻又高，數據難打通，要知道傳統的組織相當程度上依賴信息差維持管理權威，即使是 AI 時代前的企業數字化轉型，也存在著同樣的問題，知危曾與服裝制造業的 SaaS 企業負責人探討，當時一些知名服裝品牌改革的阻礙就在于人綁定著部門，部門綁定著利益，技術無法打通。

在這樣的條件和時間節點下，一種可能的解法是，企業需要的不是領導拍腦袋干什么、怎么干，而是提供一些開放的工具，讓一線員工自己生產出 “ AI 生產工具 ”。

當使用自然語言可以達到寫代碼一樣的效果的時候，一線員工要做的就是將問題 “ 翻譯 ” 給 AI，并駕馭其輸出有用的工具。

比如汽車制造中的尺寸檢測，傳統流程中，工人需要將數據寫在零件上，再抄錄到紙上，之后再輸入電腦，流程越長，越容易出錯，并且耗時。吉利汽車研究院做了個小小的創新，通過自家使用的辦公軟件的 AI 功能開發了一個智能助手，用 AI 語音識別和實時字幕生成測量值，然后再結合之前做的典型問題模型預置到系統，利用 AI 對 DTS 尺寸測量數據進行分析，單次檢測時間從 45 分縮短到 20 分鐘以內。

說是小創新，是因為有了工具的加持，技術難度降低，測量員只用了三個周末自己琢磨了一下，就搭建起來了，有那種制造業精益化管理的升級轉變的感覺了。

再比如餐飲業的食品效期管理，食品包裝上有效期是第一效期，第二效期指的是開封過或者經過粗加工食材的效期，所以后廚寫標簽貼標簽就是一個體力活。亞朵酒店某店的員工做的是，利用 NFC 掃碼器，彈出語音識別，后廚員工語音錄入就能自動識別品類，限用日期的等信息自動打印標簽，通過多維表格整合識別、分析、推薦、測評四個 AI 智能體，系統也會自動推送臨期提醒了。一家店光寫標簽省了半小時。

四維圖新是一家研究智能出行的公司，尤其是海外業務，在產品上市前需要進行嚴格的合規和質量審核，地區不同，各有差異。傳統流程依舊是幾十位審核專家全程人肉掃描，需要幾周時間。審核團隊并不會寫代碼做軟件，但是他們用辦公軟件的 AI 功能結合知識問答和內部知識庫，重塑了審核方式。

審核變成 AI 初審，AI 自動讀取文檔，調用規則，基于提示詞分析并輸出審核結論，專家進行糾偏，反復提高準確率，AI 承擔了 95% 的審核工作，這個產品叫smart QMS。

這些由非技術的業務人員帶來的創新案例或許可以引起一些行業的反思，即企業對于內部創造性的忽視，以為 AI 的落地需要成熟的、流程化的、可確定的項目才能夠展開，但實際上 AI 帶來的技術平權對于個人的創造潛力的激發，是空前的。

前面的案例完全可以進行復用，尺寸檢測的系統可以在電子化檢具數據輸出、檢驗標準與工程設計方面繼續探索；食品效期的智能管理可以復用到布草、洗護用品的消耗品管理；smart QMS 可以不止應用在汽車智能領域，任何需要人工審核合規性的行業都可以推廣。

目前階段，最有價值的 AI 應用一定始于重復勞動的替代，也是一線員工在做個體創新時最有動力解決的部分。

兩天前，知危編輯部參加了飛書的 AI 效率先鋒全國大賽，在這場長達 4 個半小時的活動中，全部是具體的案例，能看懂的案例，前文提到的案例來自于此。有趣的是，行業取經的場景不斷重現，坐在臺下的評委錦江酒店集團副總裁頻頻向亞朵的團隊追問細節，海亮集團的輪值總裁找永卓控股的高爐智能體團隊約飯線下詳聊。

這些由非技術業務人員帶來的創新案例，似乎為行業的集體焦慮提供了一個出口，在等待一個成熟的自上而下的 AI 轉型方案時，由一線員工驅動的，自下而上的邊緣革命正在發生。當然前提是，既有集成的工具，也有合理的激勵機制。

企業的挑戰在于，一線做 AI 創新的模式，目前只能增效于小的場景。那些更深度的、涉及跨部門流程重構的場景，其復雜度和阻力將越來越大，這種模式可能不再奏效。

但是起碼目前，我們確實看到了個體重新在 AI 時代下，涌現出了非凡的的價值。