本章核心问题：AI的能力边界在哪里？哪些工作可以放心交给AI，哪些必须人来做？
本章给你的收获：一张清晰的AI能力边界清单，以及判断"这个工作能不能AI化"的方法论。
---
2.1 AI的本质：一个阅读量极大的"超级实习生"
要讲清楚AI能为流程做什么，我们必须先理解AI是什么。不是技术细节，而是核心逻辑。
AI的本质从未改变：用数据找模式，用模式做预测。这个本质从统计学时代延续至今。早期的AI（其实应该叫"统计方法"）是这样的：收集大量历史数据，找出数据中的规律，然后用这个规律去预测新情况。
2000年代初，贝叶斯过滤器被广泛用于垃圾邮件识别。系统分析了100万封已标记的邮件后发现：凡是标题里有"中奖""免费""限时"的邮件，90%是垃圾邮件；凡是发件人域名包含某些特定字符串的，85%是垃圾邮件。于是新邮件来了，系统根据这些统计规律进行评分，超过阈值就标记为垃圾邮件。这就是最基础的"机器学习"——机器从数据中学到了"知识"。但关键洞察是：AI并不"理解"什么是垃圾邮件，它只是基于统计规律进行预测。这种预测在大多数情况下是准确的，但也会犯错——比如把一封正常的促销邮件误判为垃圾邮件。
现在大家都在谈的大语言模型（如GPT-4、Claude、DeepSeek），和传统的机器学习有什么不同？核心差异在于训练数据的规模和学习方式。传统机器学习使用针对特定任务的标注数据，通过监督学习（输入→输出映射）训练，只能做单一任务。大语言模型使用互联网上几乎所有的公开文本，通过自监督学习（预测下一个词）训练，具备通用语言理解与生成能力。
以GPT系列为例，其训练数据包括：数百万本书籍、数千万篇学术论文、数十亿个网页、数百万行代码、各种对话记录和论坛帖子。模型通过学习"给定前文，预测下一个词"这个简单任务，逐渐掌握了语言的语法、语义、逻辑和世界知识。
我用一个类比来解释大语言模型：大语言模型就像一个阅读量极大的超级实习生。 他读过人类历史上几乎所有公开的书籍和文章，记忆力惊人，写作速度极快，从不抱怨重复工作，24小时待命。但他也有明显的局限：不懂你们公司的具体情况，不知道最新的行业动态（除非训练数据里有），遇到需要深度判断的问题会犯错，不能替你做最终决策。这个类比很重要，因为理解了这一点，你就能判断什么事适合让AI做，什么事不适合。
你可能会问：既然大语言模型已经存在好几年了，为什么最近才突然火起来？答案是规模带来的"涌现能力"。当模型的参数量（可以理解为"脑容量"）达到一定程度后，突然出现了一些之前没有的能力。
涌现能力之一是上下文学习（In-Context Learning）。 你不需要重新训练模型，只需要在提示词里给几个例子，它就能理解你想让它做什么。比如输入："这句话的情感是正面还是负面？例子1：'这部电影太棒了！' → 正面；例子2：'完全浪费时间' → 负面；例子3：'还可以吧，没什么特别的' → 中性；待分类：'这是我今年看过最好的作品' →" 模型会正确输出"正面"，尽管它从未被专门训练过这个特定的分类任务。
涌现能力之二是推理能力（Chain-of-Thought）。 当模型规模足够大时，它开始能够进行多步逻辑推导，而不只是简单匹配。比如鸡兔同笼问题：一个农场有鸡和兔共35只，脚共94只。鸡兔各几只？小模型可能随机猜测，大模型会一步步推导：设鸡有x只，兔有y只，根据题意x+y=35，2x+4y=94，解得y=12，x=23。
涌现能力之三是指令跟随（Instruction Following）。 大模型能理解复杂的自然语言指令，并按要求执行，而不需要特定的格式或关键词。
这对流程管理者意味着什么？意味着你可以用自然语言（而不是编程语言）来指挥AI完成复杂任务。这大大降低了使用AI的门槛。以前，如果你想让系统自动处理某种文档，你需要定义规则（正则表达式、关键词匹配）、编写代码实现、测试调试维护。现在，你可以直接对AI说："请阅读这份合同，提取出付款条款、违约责任和争议解决方式，用表格形式输出。"
但这里有一个重要的教训。M公司在2025年初的AI探索中，投入1亿+资金开发通用工具（翻译、画图、数字人等），但到年中复盘时发现"没有任何效果"。问题出在哪里？
第一，脱离真实业务场景。 开发的工具是"通用"的，没有针对M公司的具体业务流程设计。一个通用的翻译工具，虽然能翻译文字，但不懂M公司的产品术语、不懂行业规范、不懂企业内部的语言习惯，业务部门用起来总觉得"差点意思"。
第二，期望过高。 认为AI可以自动解决一切问题，没有理解AI的能力边界。以为买了AI工具，业务问题就能自动解决，结果却发现AI给出的答案往往不符合企业实际情况。
第三，缺乏配套机制。 没有建立数据基础、没有标准化流程、没有培训员工如何使用。AI工具上线了，但员工不知道该怎么用，用不起来。
这个教训告诉我们：理解AI的本质和能力边界，是企业AI转型的第一课。
2.2 AI擅长什么，不擅长什么
理解了AI的本质，我们来看具体的能力边界清单。这不是理论推导，而是基于大量企业实践案例的总结。
AI擅长的五类工作
第一类是文本理解与生成。 具体表现包括：阅读长文档提取关键信息，把口语化的描述整理成结构化文本，根据要点生成完整的报告/邮件/方案，翻译、改写、润色文字。
C公司（科技物流巨头）在法务领域部署了合同审核Agent，覆盖合同审核、法务审核、付款审核等大量审核场景。具体流程是这样的：业务人员上传待审核合同后，Agent自动识别合同类型（采购合同、服务合同、租赁合同等），根据合同类型调用对应的审核Skill，提取关键条款（付款条件、违约责任、争议解决、保密条款等），识别风险点（如"付款周期过长""违约金比例过低""管辖地不利"等），生成审核报告，标注需要人工重点关注的地方。最后法务人员基于Agent的输出进行最终审核。效果：合同初审时间从平均2小时缩短到15分钟，法务人员可以专注于高风险合同的深度审核。
为什么AI擅长文本任务？这是大语言模型的核心能力。训练数据就是文本，所以处理文本是它的强项。文本理解与生成本质上是"模式匹配"和"概率补全"，这正是AI最擅长的。
第二类是信息结构化。 具体表现包括：把混乱的信息整理成有条理的结构，识别信息中的分类、层级、关系，把非结构化数据（如邮件、聊天记录）转化为结构化表格。
安克创新在产品开发过程中，需要收集来自销售、客服、市场等多渠道的客户需求。这些需求往往是非结构化的：销售反馈"客户说充电器发热有点严重，希望能改善"，客服记录"很多用户反映充电速度慢，特别是充iPad的时候"，亚马逊评论"Great product but gets hot after 30 mins of use"。AI解决方案是：收集所有渠道的需求描述，AI自动分类（发热问题、充电速度问题、兼容性问题、外观设计问题等），提取结构化信息（问题类型、涉及产品、严重程度、出现频率），汇总成需求清单，按优先级排序。效果：需求整理时间从1周缩短到1天，且不会遗漏重要需求。
为什么AI擅长信息结构化？结构化本质上是一种"模式识别"，AI从大量数据中学到了"什么样的信息应该怎么组织"。当你给AI一段混乱的文字，它能识别出其中的实体、关系、层级，然后按照你要求的格式输出。
第三类是逻辑推演。 具体表现包括：基于明确的规则进行推导，条件判断（如果A则B，如果C则D），简单的因果分析。
C公司有约15万外包人员，招聘工作量巨大。AI招聘Agent的工作流程是这样的：简历初筛阶段，AI根据规则自动筛选——如果"年龄<18或>50"则标记为"不符合基本条件"；如果"工作经验<1年且应聘岗位需要经验"则标记为"经验不足"；如果"居住地址距离工作地>50公里且无交通工具"则标记为"通勤风险"。面试题生成阶段，AI根据岗位类型生成针对性的面试问题——搬运工岗位会问"请描述一次你处理重物时如何保证安全"，司机岗位会问"如果遇到恶劣天气，你会怎么处理"。AI初面阶段，通过语音/视频进行结构化面试，根据回答内容进行评分，标记"推荐""待定""不推荐"。效果：简历筛选效率提升10倍，面试官可以专注于评估"待定"候选人。
为什么AI擅长逻辑推演？如果规则是明确的、边界是清晰的，AI可以很好地执行。但要注意：复杂的、多层的推理容易出错。AI的逻辑推演能力适合处理"如果A则B"这种单层或双层逻辑，对于需要多步深度推理的场景，需要特别小心。
第四类是模式识别。 具体表现包括：从大量数据中找出规律，识别异常值或异常模式，聚类（把相似的东西归为一类）。
M公司有约400亿滚动库存，希望通过AI优化补货决策。AI系统分析过去3年的销售数据后发现：某些产品在特定月份销量激增（如空调在夏季、取暖器在冬季）；大促前1周销量开始上升，大促后2周销量回落；某些SKU的库存周转率明显低于同类，可能存在滞销风险；南方和北方的销售模式存在显著差异，需要差异化补货策略。虽然由于业务系统数据质量问题，最终效果未达预期，但AI在模式识别方面的能力得到了验证。
C公司每天产生数万条客服工单，AI系统自动分析后发现：30%的工单集中在"物流查询"，25%集中在"费用争议"，20%集中在"服务投诉"；某区域最近一周"延误投诉"激增300%，某供应商的"货损投诉"明显高于平均水平；根据历史数据预测，双11期间的工单量将是平时的5倍。效果：客服主管可以基于数据做出资源调配决策，而不是凭经验猜测。
为什么AI擅长模式识别？这是机器学习的老本行。AI最擅长的就是从数据中发现人眼难以察觉的模式。当数据量足够大时，AI能发现人类难以察觉的微弱关联和隐藏规律。
第五类是多轮对话。 具体表现包括：理解上下文、记住之前的对话内容，根据用户反馈调整回答，引导对话向目标推进。
安克创新的员工服务机器人覆盖员工办事全流程。请假场景：员工说"我想请假"，机器人问"好的，请问您想请什么类型的假？（年假/病假/事假/...）"，员工回答"年假"，机器人说"您今年剩余年假还有5天。请问从哪天开始请？请几天？"，员工说"从下周一开始，请3天"，机器人确认"好的，请假申请已生成：2026/4/6-4/8，共3天年假。确认提交吗？"，员工确认后，机器人告知"申请已提交给您的直属经理审批，预计1个工作日内回复。"效果：员工无需记忆复杂的流程和系统，通过自然对话即可完成各种办事需求。
为什么AI擅长多轮对话？大语言模型的上下文窗口（能记住的对话长度）越来越大，使得多轮对话成为可能。AI能够记住对话历史，理解指代（如"那个""刚才说的"），根据上下文调整回答策略，在信息不完整时主动追问。
AI不擅长的四类工作
第一类是精准实时计算。 具体表现包括：复杂的数学运算，需要精确到小数点后多位的计算，实时数据的处理。
某企业财务部门尝试用AI计算项目ROI。输入"项目A投资100万，第一年收益30万，第二年收益40万，第三年收益50万，折现率8%，计算净现值NPV"，AI的输出可能是"根据计算，NPV约为..."（给出一个近似值）。但财务需要的是精确到小数点后两位的准确数字，用于正式报告。
为什么不擅长？AI没有计算器，它只是基于训练数据"猜测"答案。对于需要精确结果的场景，必须用专门的计算工具。应对策略：让AI负责"识别需要计算什么"，然后调用计算器/Excel/财务系统完成计算。M公司的做法是，在Agent中集成计算模块，AI负责理解问题、提取参数，计算模块负责精确运算，最后AI负责解释结果。
第二类是主动获取最新数据。 具体表现包括：查询实时股价、天气、新闻，获取训练数据截止日期之后的信息，访问企业内部实时数据库。
业务人员问AI："A产品现在的库存是多少？"AI的回答："抱歉，我无法访问实时库存数据。我的知识截止于2025年，无法获取最新的库存信息。"
为什么不擅长？大语言模型的知识是"冻结"在训练数据中的，它不知道训练之后发生的事，也无法主动访问外部系统。应对策略：通过API接口或RAG（检索增强生成）技术，让AI在回答前先查询最新数据。C公司的做法是，建立统一的数据接口层，Agent在回答前自动调用相关系统的API获取实时数据，然后基于最新数据进行回答。
第三类是模糊业务判断。 具体表现包括：需要深度业务经验才能做出的判断，涉及多方利益权衡的决策，灰色地带的处理。
业务人员问AI："供应商提出的付款条件是'货到30天付款'，我们公司的标准条款是'货到60天付款'，这个条款是否应该接受？"AI可以列出利弊：利是可以获得更好的价格或服务，弊是资金占用增加、现金流压力。但AI无法做出最终判断，因为这涉及与供应商的关系历史、当前的资金状况、这笔交易对公司战略的重要性、其他可谈判的条款。
为什么不擅长？AI没有业务经验，没有价值观，无法权衡复杂的利弊。它只能基于训练数据给出"一般性建议"，不能替你做最终决策。应对策略：让AI负责"提供信息和建议"，最终决策必须由人来做。
第四类是替代最终决策。 具体表现包括：需要承担责任的决策，涉及合规、法律、安全的判断，对客户或公司有重大影响的决定。
M公司在智能制造中尝试用AI进行产品质检。初步测试发现：大模型直接质检准确率约80%、处理速度2秒/件，但产线要求准确率99.9%、处理速度约0.5秒/件（130件/分钟）。结论：大模型无法直接用于产线质检决策。实际方案是：大模型负责数据标注（识别缺陷类型、位置），标注后的数据用于训练专门的小模型（YOLO），小模型执行实时质检（准确率99.9%，速度满足要求），最终质检结果仍需人工抽检确认。
为什么不擅长？AI不能承担责任。如果AI做错了决策，谁来负责？从法律和伦理角度，最终决策权必须掌握在人手中。应对策略：AI可以做预审、做建议、做辅助，但最终的"确认"和"签字"必须是人。
2.3 消费级AI vs 生产级AI
理解了AI的能力边界，我们来看一个更关键的问题：为什么很多企业用AI，总是停留在"玩一玩"的阶段，无法真正产生业务价值？答案是：他们停留在"消费级AI"，没有进入"生产级AI"。
消费级AI的特征是：目标是提升个人工作效率，使用方式是一次性、临时性的，质量要求是"差不多就行"，不可复制（换个场景要重新来），沉淀性弱（用完即走，不形成资产）。典型场景：用ChatGPT写一封邮件，用AI生成一个PPT大纲，用AI翻译一段文字。价值：确实能节省时间，但价值有限。局限：每次都要重新写提示词，输出质量不稳定（时好时坏），别人无法复用你的"用法"，无法嵌入业务流程。
小张用ChatGPT写周报：每次都要重新告诉AI"我是做什么的"，输出质量取决于当天写的提示词，同事小李想用同样的方法，小张说不清楚，半年后小张离职，这个方法就消失了。这是典型的消费级AI使用方式。
生产级AI的特征是：目标是提升组织整体效能，使用方式是持续性、规模化的，质量要求是稳定、可靠、可预期，可复制（一次建设，多处复用），沉淀性强（形成可积累、可迭代的资产）。典型场景：一个"合同审查Skill"全公司法务共用，一个"客服问答智能体"7×24小时服务客户，一个"采购需求规范化Skill"所有采购申请自动处理。价值：质量稳定（不依赖个人状态，输出一致），可传承（人走了，Skill还在），可扩展（从1个场景扩展到10个、100个场景），可度量（有数据可以追踪效果）。
M公司在2025年7月成立虚拟战略小组后，开始系统性建设生产级AI能力：搭建统一的AI应用平台（所有AI应用集中管理），将118个业务场景封装成标准化Skill，整理企业知识建立RAG系统，建立AI人才认证体系培养复合型人才，通过大赛、积分、排行榜等方式推动使用。效果：2025年AI应用折合降本增效约7.7亿元。
为什么大多数企业卡在消费级？有三个缺失。
第一个缺失是Skill。 消费级AI每次使用都要重新写提示词，质量靠运气。生产级AI需要把提示词标准化、封装成Skill，确保每次输出质量一致。但很多企业没有Skill建设的意识和能力。
第二个缺失是数据。 消费级AI基于通用知识回答问题。生产级AI需要基于企业私有数据（知识库、历史文档、SOP）回答问题，才能给出符合企业实际情况的方案。但很多企业没有整理好自己的知识库。
第三个缺失是标准化。 消费级AI处理的是通用任务。生产级AI需要处理的是企业的具体业务流程，而这些流程往往没有标准化——同样的事情，不同人做法不同。AI无法执行"看着办"的指令，它需要明确的规则。
这就是流程管理者的大机会：你们最懂业务规则，你们最擅长把模糊的需求结构化，你们掌握着企业的流程数据和知识库。从消费级到生产级的跨越，正是流程管理者可以主导推动的变革。
2.4 企业AI的五层架构
现在，我要给你一个全书都会反复使用的核心框架：企业AI的五层架构。理解这五层，你就理解了企业AI建设的全貌，也知道流程管理者在哪个位置能发挥最大价值。
第一层是模型层。 这是大语言模型（LLM），如DeepSeek、GPT-4、Claude、文心一言等。作用是提供基础的AI能力，理解语言、生成文本。特点是：是基础设施，类似"电力"；不同模型能力有差异，但差距在缩小；企业通常不需要自研，调用API即可。企业可控度很低：模型是别人开发的，你只能选择用哪个；模型能力升级或降价，你被动接受。
C公司在2025年初投入巨资自建大模型，算法团队规模宏大，大量采购GPU算卡。但到年中复盘发现：对实际业务几乎没有正面影响，收效甚微。2025年中策略转向：不执着于单一模型（自研模型+引进商用模型并行），建立统一AI网关与平台（可调用所有主流先进模型）。核心理念：模型不是最重要的，应用才是最重要的。
第二层是平台层。 这是运行AI应用的技术平台，如Qoder Work、Dify、Coze、FastGPT、企业自建平台等。作用是提供Skill管理、工作流编排、知识库管理、权限控制等功能。特点是：是"操作系统"，让AI能力可以被组织使用；不同平台功能侧重不同；企业可以选择购买或自建。企业可控度较低：平台是通用工具，可以配置但难以深度定制；平台选择影响后续Skill建设的上限。
安克创新发现，现有Agent平台（如Claude、Cursor等）均为Coding场景设计，不适配企业复杂业务（营销、法务、HR、硬件设计等）。因此，安克选择自研企业级智能体运行平台，解决了现有L2平台"只给程序员用"的局限。
第三层是智能体层。 这是自动化任务执行器（Agent），能根据目标自主规划步骤、调用工具、完成任务。作用是把多个Skill串联起来，完成复杂的端到端任务。特点是：是"执行者"，按照流程调用Skill；可以与人协作，也可以自动运行；是AI与业务流程的"粘合剂"。企业可控度中等：智能体的行为由你设计的流程决定；可以定义它调用什么Skill、按什么顺序调用。
C公司在结算领域搭建了Agent服务，处理结算相关业务：接收结算请求（来自业务系统或人工提交），根据请求类型调用不同的Skill（运费结算→调用运费计算Skill，仓储结算→调用仓储费用计算Skill，异常结算→调用异常处理Skill），自动获取相关数据（订单信息、合同条款、历史记录），生成结算单，提交审核（根据金额大小决定审核层级），审核通过后自动触发付款流程。
第四层是Skill层。 这是标准化工作指令，告诉AI"怎么做这类工作"。作用是把企业的业务规则封装成AI可执行的能力单元。特点是：是"能力模块"，每个Skill解决一类具体问题；需要基于企业业务规则定义；可以被复用、被组合、被迭代。企业可控度很高：Skill是企业自己可以完全掌控和建设的；Skill的质量直接决定AI好不好用；这是流程管理者最能发挥价值的层级。
M公司建立了体系化的Skill建设机制。Skill分类包括：通用Skill（翻译、总结、格式化等），业务Skill（说明书翻译、客服问答、质检辅助等），管理Skill（会议纪要、报告生成、数据分析等）。Skill开发流程：业务部门提出场景需求→流程管理者梳理业务规则→定义输入、输出、处理逻辑→IT团队开发、业务团队测试→监控使用情况、持续优化。Skill管理机制：每个Skill有明确Owner，定期评估Skill使用效果，建立Skill版本管理。
第五层是数据层。 这是企业私有数据、知识库、历史文档、SOP。作用是为AI提供企业特定的知识背景。特点是：是"燃料"，没有数据，AI只能给通用答案；包括结构化数据（数据库）和非结构化数据（文档）；需要整理、清洗、标注才能被AI使用。企业可控度完全可控：数据是企业最核心的资产；数据质量直接决定AI输出的质量；这也是流程管理者能发挥价值的层级。
安克创新构建了面向AI调用的三层数据体系：业务数据（销售订单、供应商信息、客户信息等结构化数据），知识数据（SOP规则、方法论、合规框架等，需充分语义化），过程数据（Agent运行产生的Session状态、上下文摘要、Agent间通信数据等）。过程数据是行业全新挑战，目前市面上无现成技术方案，安克正在自主探索。
看完五层架构，你应该明白一个道理：你选哪个大模型（第一层）不重要，真正决定AI好不好用的是第四层（Skill）和第五层（数据）。
为什么？第一层（模型）：各模型能力差距在缩小，且你控制不了。第二层（平台）：选择相对有限，功能是标准化的。第三层（智能体）：行为由你设计，但依赖下层能力。第四层（Skill）：这是你可以精雕细琢的，Skill质量决定AI能力。第五层（数据）：这是你的独家资产，没有它AI只能给通用答案。
对流程管理者意味着什么？你的核心能力——理解业务、定义规则、整理知识——正好对应第四层和第五层。在AI时代，你不是被边缘化，而是被推到更核心的位置。
2.5 为什么企业AI总用不好
最后，我们来总结一下企业AI用不好的三个根本原因。这三个原因，也是你在推动AI流程化时需要重点解决的。
第一个原因是工作没有标准化。 表现是：同样的事情，不同人做法不同；业务流程靠"默契"和"经验"，没有书面规则；特殊情况处理没有标准，全靠"看着办"。为什么影响AI化？AI无法执行"看着办"的指令。如果你不能清晰地描述"什么情况下做什么"，AI就不知道该怎么执行。
M公司的智能补货项目目标是让400亿滚动库存下降5%（节约20亿）。但实际效果：准确率约60%，与人工持平，仅实现数百万收益。核心问题是：非规范的人为干预无法在系统体现，导致模型失效。具体表现：临时调价（销售为了冲业绩临时降价促销，系统无法提前获知），突击订单（大客户临时加单，没有提前规划），库存转移（区域间调货没有录入系统）。这些"特殊情况"在业务中占比很高，但都没有在系统中留下记录。AI模型基于系统数据训练，自然无法预测这些"例外"。解决方案：将补货项目交由营销部门牵头，倒逼业务变革——所有促销/调价必须提前规划并在系统规范化沉淀。关键启示：这已不是技术项目，而是业务流程重塑。AI落地的瓶颈在于业务变革，而非算法本身。解决方向：先把流程标准化，写成清晰的SOP，再考虑AI化。
第二个原因是Skill缺失。 表现是：每次用AI都要重新写提示词，输出质量不稳定（时好时坏），一个人的用法其他人无法复用。为什么影响AI化？没有标准化的Skill，AI的使用停留在"消费级"，无法规模化、无法沉淀为资产。
C公司在第一阶段（2025年初）重投入自建模型，但忽略了Skill建设。结果是：有强大的模型能力，但没有可落地的应用场景。2025年中转型后，C公司喊出核心口号：做一百个Agent，节省一百万工时。每个Agent背后，是一系列标准化的Skill：合同审核Agent = 合同分类Skill + 条款提取Skill + 风险识别Skill + 报告生成Skill；招聘Agent = 简历筛选Skill + 面试题生成Skill + AI初面Skill + 评估报告Skill。解决方向：建立Skill建设机制，把常用场景封装成标准化Skill。
第三个原因是数据缺失。 表现是：企业知识分散在各处，没有统一知识库；历史数据没有整理，无法被AI使用；SOP文档过时，与实际业务脱节。为什么影响AI化？AI没有企业特定的知识背景，只能给通用答案。通用答案往往不符合企业实际情况，用不起来。
M公司发现：知识库质量直接决定AI应用效果。建立完整链路：知识萃取（从业务专家脑中提取知识）→知识治理（打标签、清洗、去重）→知识运营（上传文档得积分，鼓励知识共享）→知识应用（AI基于知识库回答问题）。效果：知识库成为AI应用的地基，数据和知识的质量决定AI上限。解决方向：建设企业知识库，整理SOP文档，让AI有"企业记忆"。
这三个原因不是孤立的，而是相互关联的：工作标准化（基础）→支撑Skill建设（方法）→需要数据/知识库（原料）。没有标准化，就无法建设高质量的Skill；没有知识库，Skill就没有企业特定的知识背景；没有Skill，知识库无法被AI有效利用。
流程管理者的切入点：你可以从任何一个环节入手，但最终需要把三个环节都补齐。从标准化入手（先把核心流程写成清晰的SOP），从知识库入手（先整理企业知识，建设可查询的知识库），从Skill入手（先选1-2个高频场景，建设示范性的Skill）。无论从哪里开始，最终目标都是打通这三个环节，形成闭环。
本章小结
AI的本质是用数据找模式，用模式做预测。大语言模型是"阅读量极大的超级实习生"。AI擅长：文本理解与生成、信息结构化、逻辑推演、模式识别、多轮对话。AI不擅长：精准实时计算、主动获取最新数据、模糊业务判断、替代最终决策。
消费级AI vs 生产级AI：前者是个人玩具，后者是组织能力。跨越的关键是Skill、数据、标准化。五层架构：模型层→平台层→智能体层→Skill层→数据层。Skill层和数据层是企业可控的核心。用不好AI的三个原因：工作没有标准化、Skill缺失、数据缺失。
C公司（科技物流）的启示：自建模型是大坑，应用才是护城河；项目化运作是AI落地的组织保障；AI推广是运营工程，不只是技术工程；AI倒逼组织扁平化（管理幅度从5人扩到30人）。
M公司（家电制造）的启示：AI转型必须从业务场景出发；一把手工程是成功的前提；AI落地 = 技术 + 业务变革；知识库是AI应用的地基。
安克创新（消费电子）的启示：AI转型是一把手工程；业务人员比技术人员更适合做AI应用；组织结构必须随AI能力重构；过程数据是新型资产。
如果你读完本章，只能记住一件事，请记住：不要纠结选哪个AI工具，先把你负责的业务流程理清楚、写清楚、标准化。这是所有AI应用的基础。流程越清晰，AI越好用。流程越模糊，AI越难用。你的专业价值，在AI时代不是被削弱，而是被放大——因为你是最懂如何把业务规则结构化的人。
*（第二章完）*