北京
這半年我在不同客戶的項目里，反復遇到一個很有意思的場景：
大家一開始都以為，AI項目要跑起來，關鍵是模型要更強、提示詞要更準、知識庫要更全。于是立項材料里最醒目的部分，通常都是：“AI時代不容錯過，我們要用AI做什么”。
但真正到推進階段，就會遇到一個殘酷的現實：項目最容易卡住的地方，反而不是技術實現，而是一個更基礎、更不性感的問題：
這件事的流程到底長什么樣？數據到底從哪里來？誰來維護？怎么回流？出了錯怎么兜底？
這些問題沒搞清楚，你會發現再強的模型，也只是把不清晰的流程再重復一遍，甚至反而讓事情變得失控。很多項目就是在這里慢慢被消耗：
試點時看起來能用，一推廣開來就錯誤頻出；或者能回答一部分問題，但員工用一次就不再用了；又或者是表面節省了時間，但把后續核對、解釋、糾錯的成本，全部轉移給了業務。
所以我越來越傾向于在項目一開始就做一個反直覺的動作：
先把AI在項目中的地位降級，再把流程和數據拉到臺前。
不是因為AI不重要，而是因為在企業環境里，AI一旦被放到不該放的位置，風險、成本和不信任會被同時放大。相反，AI退一步，流程和數據往前一步，項目往往反而更快、更穩、更容易活下來。下面我就用一個最近參與的真實項目來講清楚這件事。
從一個招聘提效項目說起
在最近參與的一個AI人資項目里，我一開始面對的，就是這樣一個典型場景：
當招聘規模擴大、崗位層級變多、歷史簡歷不斷累積之后，原本依賴人工經驗和零散工具的流程，開始明顯跟不上節奏。HR團隊急需可以提效的手段，于是AI能力就被提上了共創會的日程。
會議一開始，大家都在討論AI能做什么：
能不能自動篩簡歷？
能不能自動打標簽？
能不能減少人工匹配崗位的工作？
能不能自動給候選人發通知？……
但隨著討論不斷深入，團隊還會面臨一個更現實的問題：
現在的問題，真的是缺AI能力嗎？還是人力數據本身，并沒有被當成一個可以長期運營的流程資產？
如果這些數據只是被動地存下來，并分散在不同渠道和團隊手里，那么無論引入多少自動化能力，效果都會非常有限；
在此基礎上，我給出的建議是：
只有當流程被重新梳理清楚，數據被集中清洗、結構化、自動化后，AI才有真正介入的空間。
有了這樣的方向指引，團隊也開始逐漸意識到：與其急著強調上AI，不如先把注意力放回到招聘流程本身，重新拆解每一個關鍵環節。
把問題背后的主線流程梳理清楚
很多AI項目失敗的共通點都是：一上來就在討論功能清單。
比如要不要自動打標、要不要意圖識別、要不要自動生成建議、要不要對接外部渠道、要不要自動回寫系統……每個點單獨看都合理，但把它們拼在一起，卻并不等于一個可運行的業務系統。
我在項目討論會里最常做的，就是帶著團隊把討論主題從“要做什么功能”，拉回到“要跑通哪條業務流程”。
在剛剛的項目里，大家表面上討論的是系統、工具、表格、渠道，以及AI能不能用，但很快就形成了一個更清晰的共識：
真正要解決的不是到哪里找簡歷、怎么設計面試問題，而是要有一個可持續激活、可共享、可篩選、可追蹤的“人才庫”。
你會發現這個表述一出來，后面所有討論就都會變得更清晰：
如果目標是“人才庫”，那就必須回答：這個人才庫要不要激活？怎么激活？
如果要“可共享”，那數據就不能分散在個人手里。
如果要“可篩選”，那字段和標簽就必須可用、可維護。
如果要“可追蹤”，就必須有狀態流轉和回寫機制。
這些都是流程和數據的問題，不是AI的問題。
當你把這條主線確定下來，AI的位置自然那也會被重新定義：
AI在這條主線中的位置，是為了讓它更省人力、更穩定、更可規模化。
拆解主線流程，找到AI的可介入點
梳理主線流程的目的是什么？是避免讓AI一上來就面對復雜的現實場景。
現實場景的特征通常是：信息不完整、字段不統一、口徑不一致、噪聲很多、異常很多。你讓AI直接讀這些數據做分析做輸出，結果就是看起來回答得像模像樣，但準確性和穩定性肯定會打折扣。
那個項目里，我們的討論最后收斂成了一個很清晰的三步流程（讓會議可控的關鍵，就是逐漸收斂議題，這樣才好迅速達成共識）：
第一步：所有渠道數據先統一收到到一個資源池。這個池子的數據不追求干凈，但要完整：充分覆蓋各渠道、不丟數據、不割裂、不重復到無法處理。它可以很大、很雜、很糙。
這一步聽起來簡單，但很多組織做不到。因為渠道太多、歷史太復雜、個人臺賬太多，各部門還有自己的習慣。但你不先定義好這個統一的收口，后面所有智能化都是空談。
第二步：從資源池里清洗出一個精準的目標庫。這一步才是關鍵。目標庫不追求大而全，而是要干凈、可復用、可運營。 它是按業務場景過濾出來的，字段口徑是統一的，標簽能清晰維護，也方便去重。
你可以把它理解為：資源池負責收集，目標庫負責精選使用。
很多企業AI做不起來的原因，就是因為他們跳過了目標庫這一步，直接讓AI面對源數據池。一旦這樣做，AI就只能用概率去補齊各種缺失和混亂，結果就是不穩定、不可信、無法規模化。
第三步：在目標庫上做激活與意向判斷，再交給人深度跟進。這里的關鍵，是把人力放到更有價值的地方。 先用低打擾方式觸達，觀察反饋，再把真正有活躍度、有意向的人交給HR介入。這樣既降低人力消耗，也提升候選人體驗。
你會發現，三步流程一拆開，AI的介入點就變得很自然了：
AI不需要從第一步要理解一切數據，它更適合在第二步和第三步的某些環節，做結構化、可約束的任務。也就是說，要讓AI在一個它能穩定發揮的區間里工作，才能發揮其最大價值。
所謂AI降級，到底在降什么
很多人聽到“降級”，會認為是一種擔心出錯、不敢創新的心態。但我想說，降級不是降低目標，而是降低AI的決策權和參與面，讓項目更可控。
慶幸的是，在項目對齊會上，大家對AI能做什么、不能做什么，討論得還是非常理性的。我特別認可這種理性，因為這恰恰是大多數AI項目缺失的部分。
從項目邊界上看，AI相對更容易發揮作用的部分，是規則清晰、可被約束的任務，比如：
從簡歷中提取學校、專業、學歷學位、所獲證書等結構化字段
對明顯不合要求的情況做初篩標記（比如年齡明顯超標、背景明顯不匹配、年限明顯過短等）
做字段補全的輔助判斷，但要可追溯、可復核
這些任務的共同點是：輸入相對確定、輸出可被驗證、錯誤成本可控。而且就算AI做錯了，人工也可以很快發現并糾正，不會直接造成業務事故。
AI明顯不適合直接做的，是高度主觀、強情境、變化快的判斷，例如：
意向城市（受家庭、個人變化影響太大）
項目貢獻度（受項目背景、崗位職責、成果規模影響，僅從文字描述無法準確衡量）
是否近期愿意換工作、是否對企業感興趣等意向類結論
這些內容的判斷和模型強弱沒關系，因為它們本質上就不是一段文本能穩定推斷出來的。你讓AI給結論，它給得越確定，風險越大。
所以所謂降級，核心就是要讓AI專注在這三件事上：
讓AI負責輔助生成，而不是最終判斷；
讓AI的輸出可追溯、可復核，而不是一句結論就結束了；
把AI的工作范圍，限制在數據相對干凈、流程相對穩定的環節
這三件事做到了，AI才可能在企業里形成長期價值。
為什么越強調AI的重要性，越容易制造新問題
這是很多人不愿意承認的一點：AI在企業里最常見的失敗方式不是做不出來，而是把負擔從A轉移到了B。
表面上是希望減少HR的篩選時間，但實際卻增加了HR的核對時間；
表面上是增加了內容輸出的速度，但實際卻增加了業務解釋和背鍋的壓力；
表面上是完成了流程自動化，但為了喂數據、糾錯、維護標簽，新增了一堆隱性工作。
以剛剛的AI人資項目為例，業務同學反復在強調的，是希望AI能替HR減負，而不是制造新負擔。
這句話聽起來簡單，但真要踐行起來，就要靠前面那套流程重構和AI降級方法，因為：
有了目標庫，統一了字段口徑，AI才能穩定提取與打標；
完成了三步走的流程，AI才能在可控環境下做可控任務；
有了回流機制，AI才能越用越準。
否則你越強調AI，越容易“為了做AI而做AI”，最后大家都很累，效果還不好。
系統路線的判斷：不要一上來就追求做一套完整系統
在企業項目里，系統路線通常決定了項目生死。
很多團隊一遇到一個新項目，就想自研一套完整系統：全鏈路、全自動、全打通、全回寫，因為這樣更可控，更能體現自己的工作量。
聽起來很有道理，但細想后會發現，這只會帶來漫長的研發時間、繁重的維護周期、以及高昂的人力成本，更可怕的是：業務變化比系統迭代更快，做完就過時。因此，在推進AI項目時，一定要和團隊達成這樣的共識：
不要為了所謂的“可控性”而自研一整套系統。
更現實的路線是：以現有主系統作為主數據源，允許用表格或者其他工具做中間層繞行，能回寫就回寫，回寫不了也先服務業務。總之就是先把業務跑通，再逐步系統化。
這種推進項目的節奏，本質上也是一種降級：即降低對系統完美性的追求，來換取業務的確定性。
當你把系統目標從完美降到可用，你會發現團隊的注意力反而能回到真正重要的地方：流程、數據、角色和節奏。
如何順利推進AI項目：先搭樣板，再做推廣
很多人寫方案喜歡大而全，追求全面、完整、事無巨細。但真正落地更有效的方式，反而是先搭個“樣板間”，跑通一個流程閉環后，再擴大推廣。如何把這個樣板順利搭起來呢？我總結了下面幾個步驟：
先把正在跑的老流程完整鋪開，詳細梳理每個步驟；
標注這些步驟哪些環節最依賴經驗、最容易出錯、最重復耗時；
在不改變目標的前提下，把老流程中，存在每個員工腦子里的判斷邏輯和做事思路抽出來，形成一條規則清晰、步驟明確的新流程。
在新流程中，標注哪些信息需要先結構化、哪些判斷可以歸總為規則、哪些環節必須保留人工兜底。最終形成：數據輸入 → 處理 → 人介入 → 結果回流的閉環；
在沒有AI的情況下，從新流程抽出一個可控數據集的關鍵子流程，先把這個明確場景的流程跑通；
在新流程中，引入被約束的AI能力，要求AI只實現規則清晰、輸入穩定的任務，且輸出必須可追溯、可復核。
驗證引入AI后，是不是真的能幫助減少人工成本。統計哪些步驟節省了時間，哪些步驟仍舊繞不開人工。只有當這條流程在小范圍內被驗證是可持續、可理解、可復制的，才可以繼續考慮擴大業務覆蓋場景，把這套驗證邏輯推廣到更多流程。
在上面的這條路徑里，AI是作為一種提效解決方案，被流程一步步融入進來的，這就是我一直在強調的：
很多AI項目真正跑起來的前提，是先把AI降級。當你愿意先用一個樣板間，把流程跑通、邊界跑清楚，AI才有可能在企業里成為一個長期有效的工具。
寫在最后：AI不是越強越好，把位置放對更重要
我現在幫客戶落地AI項目，越來越少問他們用什么模型、選什么智能體架構，而是更關心三個更底層的問題：
原始流程有沒有被梳理清楚？
數據治理完善度如何？有沒有被集中、清洗、形成可復用的資產？
AI任務的邊界在哪里？是否可約束、可追溯、可復核？
如果這三個問題（實際上不止這三個）沒答案，你再強調AI也是在瞎折騰。
反過來，如果流程先跑通、數據先站穩、邊界先收緊，就算只把AI當個輔助工具，也能長期、穩定地替組織省下時間、減少重復勞動，而且還會越用越值錢。
這可能有點反常識，但它幾乎是我做項目越多，越確定的一件事：
AI真正的價值，不是一上來就把所有任務都交給它，而是該由流程解決的先由流程解決、該由數據承擔的先由數據承擔，再把AI放在它最能發揮的那一層。
如果你也在做類似的自動化或AI項目，不妨在評論區簡單說一句：
你覺得最容易卡住的，是流程、數據，還是AI本身？
我也想看看，不同行業里，這個問題到底會卡在哪里。
我是申悅，前互聯網大廠產品人，現在是一名All in AI的企業AI轉型咨詢顧問。歡迎加我好友互相交流。
回復“ 微信 ”，加我 個人微信
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
