企业不知道 AI 能用在哪里？先从每天重复的五类工作开始

本文目录

很多企业第一次讨论 AI，会把问题说得很大：客服能不能智能化，销售能不能自动跟进，财务能不能少做手工处理。问题一大，下一步往往就变成选模型、看演示、问预算。几轮下来，大家知道 AI 能写、能搜、能分析，却仍然说不清它该进入哪一段工作。

这不是简单的技术知识不足。部门和岗位本来就不是适合改造的最小单位。一个销售既要找客户资料，也要整理会议记录、写跟进邮件、判断成交机会；一名运营既要汇总数据，也要核对异常、解释原因、协调后续动作。把整个岗位打包成一个“AI 场景”，边界会非常模糊。

更容易落地的做法，是暂时忘掉部门名称，去看员工每天重复的动作。多数办公室流程都能拆出五类工作：找、整、写、比、跟。它们不是五个现成产品，而是一张寻找候选场景的地图。

先别问买什么工具，先问工作怎样发生

OECD 在 2025 年发布的企业 AI 采用研究中，调查了 G7 国家制造业和 ICT 行业的 840 家企业。受访企业最常提到的障碍之一，是难以事先估算 AI 应用的投入回报；寻找适配需求的供应商、法律责任和数据安全合规也是常见顾虑。这个样本不能代表所有国家和行业，但它提醒了一个现实：业务问题没有说清时，工具能力很难变成可估算的价值。

OECD 的中小企业 AI 准备度工具也把“没有明确用例或明显收益”列为企业自查的一项障碍。它提供的是诊断问题，不是企业普遍程度的统计结论。对准备开始的团队来说，这个问题已经足够有用：我们能否指出一段具体、反复发生、结果可以检查的工作？

找场景时，先把“客服智能化”改写成“收到客户来信后，查找相关制度并整理回复依据”；把“销售自动化”改写成“会议结束后，从纪要中提取承诺事项并生成跟进草稿”。范围缩小以后，输入、输出、责任和价值才有机会被看见。

五类工作，就是五个观察入口

先看一张总览表。

工作类型	日常例子	AI 可以先做什么	必须保留的边界
找	查制度、历史邮件、产品资料、客户记录	检索候选资料，归纳答案，附上来源	权限、资料时效和最终采用依据由人确认
整	整理纪要、工单、表单、票据、简历	提取字段，分类，转换成统一结构	必填字段、低置信结果和异常输入要能转人工
写	写邮件、周报、方案、回复、跟进记录	根据上下文生成初稿或多个版本	对外承诺、专业判断和最终发送仍由责任人决定
比	对比合同版本、报表、规则、报价	标出差异、冲突和疑似异常，解释检查依据	精确计算交给规则或业务系统，高后果结论由人复核
跟	创建任务、提醒节点、回填系统、升级异常	根据已确认结果提出下一步动作并准备写入	写入权限、撤回机制和升级条件必须明确

这五类工作可以单独出现，也会连成一条流程。例如，客服先找制度，再整理来信中的关键字段，生成回复草稿，核对是否遗漏限制条件，最后把确认后的结果写回工单系统。第一版不必一次接管整条链路。先选其中最耗时、最好检查的一段，通常更容易得到可信的结果。

找：员工时间花在”答案在哪里”

真正的瓶颈不是缺乏知识，而是定位不到对的那份。

知识并不少，只是散在共享盘、知识库、邮件、群消息和业务系统中。员工实际的困难，与其说是不会判断，不如说是要先找到最新版本、确认适用范围，再把几份资料拼成可用答案。

这类场景适合让 AI 做检索和归纳，但“能回答”还不够。输出最好同时带回原文出处、发布日期或版本，让使用者能快速核对。如果系统不知道自己是否拿到了最新文件，或者不同岗位不该看到同一批资料，就应先处理权限和资料治理，而不是把所有文档直接交给模型。

一个合适的起点可能是：客服输入问题，系统只从已授权制度中找出相关条款，生成带引用的处理依据，由经办人决定如何回复。它比“做一个万能企业知识助手”更具体，也更容易验收。

整：信息已经有了，但不能直接使用

半结构化的原材料，系统却要固定字段。

会议记录、客户来信、采购文件、报销附件和工单描述通常是半结构化文本。后续系统需要的却是固定字段：客户名称、日期、金额、问题类型、负责人、下一步动作。大量时间消耗在复制、归类和补齐格式上。

AI 可以从原始材料中提取字段、建议分类，并把结果转换成 CRM、ERP 或工单系统需要的结构。关键不在于一次填满，而在于标出缺失和不确定。没有出现的金额不能猜，无法判断的分类应进入待确认队列，低质量扫描件要能退回重传。

这类工作常适合作为第一批候选场景，因为原始材料和结构化结果可以并排核对。可以先看客服工单的拆解示例，理解“读取、提取、路由、回复”为什么要分开设计。

写：从空白页变成可修改的初稿

企业写作很少真的从零开始。销售跟进邮件依赖会议内容和客户阶段，运营周报依赖数据变化，客服回复依赖制度和历史沟通。AI 的价值不在于凭空写一段漂亮文字，而在于把已有上下文组织成可修改的初稿。

因此，场景描述不能只有“帮我写邮件”。需要补全写给谁、依据什么、必须包含什么、哪些话不能承诺、谁来发送。输入越清楚，输出越容易检查。

对外报价、法律承诺、用工决定等内容不适合未经确认直接发出。更稳妥的第一版是生成草稿，突出缺少的事实和可能触发风险的表述，再由责任人修改。销售团队可以参考会后跟进工作流中的字段和审批边界。

比：让 AI 先指出”哪里不一样”

先标差异，再解释依据。

版本核对、条款审阅、报表检查和报价比较都包含”比”的动作。人容易在大量相似内容中漏掉一处变化，AI 可以先标出差异、冲突和异常候选，再说明它依据了哪些文本或规则。

这里要区分语言判断和精确计算。两个合同版本的语义变化可以让模型辅助解释；金额合计、税率计算、库存阈值等确定性任务，更适合交给公式、规则引擎或现有业务系统。AI 可以调用结果并生成说明，但不必替代可靠的计算逻辑。

验收时也不要问“分析得聪不聪明”，而要准备一批已经人工确认的样本，检查关键差异有没有漏、正常内容是否被频繁误报、结果能否追溯到原文。

跟：把结论送到下一步工作中

很多 AI 演示停在一段答案，真实流程却没有结束。纪要中的行动项需要变成任务，客户承诺要写回 CRM，异常工单要升级给负责人，报表结论要触发复核。只有结果进入下一步，节省的时间才可能体现出来。

“跟”也最容易放大错误。第一版可以让 AI 提议动作，而不是直接执行：准备待办、收件人、截止时间和写入字段，得到确认后再提交。等团队掌握了常见错误，再对低风险、可撤回的动作逐步减少人工确认。

如果一开始就开放发邮件、改订单、审批付款等高影响权限，团队很难在价值尚未验证时承担相应风险。权限要按动作分级，关键操作留下日志，并明确什么情况自动停止、谁能接管。

用一张工作记录，找出自己的候选场景

不需要先开战略大会，从记录一天的工作开始。

不需要先开一场关于”AI 战略”的大会。可以请实际执行工作的人回看最近一个正常工作日或一段典型流程，把反复出现的任务写下来。不要只写“处理客户”“做运营”，而要写成能观察的动作：查找退款规则、从邮件提取订单号、核对两个报价版本、生成回访草稿、把确认结果录入系统。

每条记录补上这几项信息：

要记录的内容	要回答的问题
触发条件	什么事情发生后，这项工作开始？
输入	需要哪些文件、数据、消息或系统记录？
输出	最终交付的是答案、字段、文档，还是系统动作？
重复成本	多久发生一次，通常占用多少人工处理和等待？
判断与例外	哪些情况必须依赖经验、授权或跨部门协调？
核对方式	谁能判断结果对错，依据是什么？
失败处理	出错能否拦截、修改、撤回或回到原流程？

这张记录的目的不在于立刻算出一个精确 ROI，而在于把”感觉可以用 AI”变成可讨论的工作单元。若团队连输入和输出都无法说清，说明当前更需要梳理流程；若资料没有授权路径，先解决数据治理；若结果没有人能判断，项目也暂时没有验收基础。

第一项场景，优先选”容易证明”的

不要从最”重要”的开始，从最容易验证的开始。

候选清单出来后，不要自动选择看起来最重要的工作。首个场景更适合满足这些条件：持续重复，输入已经电子化，主流程相对稳定，结果能快速复核，错误可以拦截或撤回，还有一位愿意提供样本并对结果负责的业务负责人。

NIST AI 风险管理框架把“映射”放在测量和管理之前，要求组织说明预期用途、业务环境、系统支持的具体任务、知识边界以及人工如何监督。这套框架面向风险管理，本文的工作记录不是它的替代品；两者共同强调的是，在谈模型表现以前，先把使用情境和责任边界写清楚。

如果已经找到几项候选工作，可以继续使用《一个流程值不值得上 AI？先做这张场景筛选表》从频率与耗时、输入可用性、流程边界、结果可验证性、失败可恢复性、接入与责任六个维度排序。本文负责把候选场景找出来，那张表负责判断先做哪一个。

三种常见的错误起点

踩过这些坑的人不少。

第一种，是从“替换哪个岗位”开始。岗位里混合了重复处理、沟通、专业判断和结果责任，整体自动化会让范围迅速失控。更合适的改造单位是一个能描述输入和输出的流程环节。关于这种分法，可以延伸阅读《别急着替换人：先让 AI 接管重复、低判断负荷的流程》。

第二种，是先买平台，再为平台寻找用途。采购可能解决账号和能力供给，却不会自动解决资料权限、验收标准和流程责任。先用真实样本证明一个工作单元值得改，再决定需要通用工具、专用工作流还是系统集成。

第三种，是把端到端无人值守当作第一版。Anthropic 在其 Agent 工程实践中建议，从最简单的可行方案开始；路径明确的任务用预定义工作流，需要动态决策时再增加 Agent 自主性。这是厂商的工程建议，不是独立效果评估，但它给出的复杂度边界很实用：检索加一次模型调用能解决的问题，不必先搭一套多 Agent 系统。

从明天的一条工作记录开始

不研究所有模型，不复制别人的场景清单。

企业不知道 AI 能用在哪里时，不必先研究所有模型，也不必复制别人的“十大场景”。先找一条真实发生的工作，判断它属于找、整、写、比、跟中的哪一类，再写清触发条件、输入、输出、例外和核对方式。

如果这条工作持续重复，结果容易检查，错误也能在产生后果前被接管，它就值得进入小范围验证。AI 场景不是从技术名词里想出来的，它本来就藏在日常工作中，等着被拆出来。

本文引用的外部资料：

参考资料

专题：工作流设计#企业 AI#场景发现#AI 工作流#数字化转型