从“工具“到“员工“：企业对AI的期待究竟发生了什么变化？
去年我们组做了一个内部工具，让销售同事用自然语言查询客户数据。需求很简单：输入"上个月华东区成交金额超过50万的客户"，系统返回表格。功能上线后反馈还不错，但有一天一个销售主管找到我，说了一句让我有点语塞的话："这个挺好用的，但我能不能直接让它帮我写跟进邮件？"我说"可以啊，这个……得另外做一个功能。"他说："为什么要另外做？你跟它说一声不就行了？" 那一刻我意识到，他脑子里的AI和我脑子里的AI，根本不是同一个东西。 做了几年开发，接触AI项目的方式通常是这样的：产品提一个需求，说要加一个AI功能。然后我们找一个合适的模型或API，把输入处理好传进去，把输出解析出来，接进业务流程，上线。整个过程里，AI是一个有明确输入输出的组件，和数据库、消息队列没有本质区别——它就是一个性能更好、处理非结构化数据更强的函数。 这种理解没有错。早期的AI落地基本都是这个模式，人脸识别、OCR、情感分类，全是这个套路。大语言模型出来之后，我们换了一个更强的模型，但范式没变：输入处理好，调用模型，解析输出，接业务。 Andrej Karpathy在2017年写过一篇文章（就是提出Software 2.0的那篇长文），核心观点是传统软件是人写规则，新软件是用数据训练出规则。但他描述的AI仍然是一个组件，一个学出来的函数，嵌在人设计的系统里。大多数人（包括当时的我）对AI的理解，也停在这里。 他描述的那个东西，更接近一个协作者。 他的意思不是"这个查询功能再加一个写邮件的按钮"。他的意思是：我跟它说我要跟进这个客户，它自己想清楚要查什么数据，查完之后结合客户情况，帮我写一封合适的邮件，如果有什么不确定的来问我。 这就是那个销售主管脑子里的AI，一名"数字员工"。 这个期待在今天并不罕见，而且正在成为越来越多管理层的默认假设。MIT 斯隆管学院在2023年做过一项调查，访谈了超过3000名管理者，其中67%认为未来AI在组织里应该扮演"协作者"而非"工具"的角色。这个数字在2020年是43%。 工具和员工的区别，不只是能力强弱的问题，而是谁来做决策的问题。工具等待指令，执行指令，返回结果。使用工具的人需要知道"下一步该做什么"，并把这个决策翻译成工具能理解的输入。你用Excel做数据分析，你得知道先做透视表还是先清洗数据，这个判断是你做的，Excel只是执行。 员工接受目标，自己规划路径，遇到障碍自己决定绕行还是上报，完成后交付结果。你交给员工一个目标，不需要告诉他每一步怎么做。 把这个差别映射到软件上，工具型AI的系统设计是你作为开发者，在写代码的时候就把"下一步做什么"的逻辑写死了。AI只是其中一个节点，它的输入是你准备好的，它的输出是你解析的，它调用什么、不调用什么，全在代码里。这是现在大多数AI功能的实现方式，也叫AI Workflow。 员工型AI的系统设计则是AI自己决定下一步做什么。它拿到一个目标，自己判断要查哪个系统，要调哪个接口，调完看结果，再决定下一步。开发者不再写"先做A再做B再做C"的逻辑，而是给AI提供一套能力（可以调用的接口），让它自己组合。后者在技术上有一个名字叫AI Agent，或者叫自主式AI。 大语言模型的推理能力到了某个临界点之后，员工型AI从"理论上可行"变成了"工程上值得尝试"。 OpenAI在GPT-4的技术报告中放了一个benchmark叫HumanEval，测的是代码生成能力，但更有意思的是他们测了一系列需要多步推理的任务，GPT-4的表现比GPT-3.5有显著跳跃，不是渐进式提升，是台阶式的。这类台阶，往往意味着某个能力从"够用"变成了"可以依赖"。而GPT4，是2023年发布的模型。 所以，现在的情况是技术上，员工型AI已经可以在某些场景里真正运转；预期上，管理层和业务部门已经开始用"员工"而非"工具"的框架来想象AI；但工程上，大多数团队还在用做工具的方式做AI。 这个落差，就是接下来这个系列要讨论的核心问题。 想明白这件事之后，一个新问题随之而来。如果AI要自己决定调哪个接口、查哪个数据，它怎么知道你的系统里有什么？ 你公司的CRM里，客户联系记录叫contact_log，成交记录叫deal_record，你的同事进来工作第一周要专门培训才能搞清楚这些东西。AI凭什么直接就知道？ 这就是这个系列下一篇要讲的内容。我们认为的AI是什么
销售主管认为的AI是什么
这件事换一个人来做是可以的。你把这个任务交给一个实习生，他会打开CRM查数据，翻一翻邮件记录，然后起草一封邮件给你确认。他不需要你告诉他"第一步查CRM，第二步看邮件记录，第三步写邮件"。他理解任务目标，自己规划步骤，遇到问题来问你。这两种理解之间有一条沟
为什么这个转变现在才变得紧迫
具体体现在两件事上。员工型AI有它自己的难题
这个问题，不是提示词能解决的，也不是RAG能完全覆盖的，它需要一套系统性的方案。让AI能够理解你的业务系统，知道里面有哪些概念、哪些操作、这些东西之间是什么关系。