110. AI企业落地“说明书”（上）

想象一下，如果我们手里的AI系统突然变得不仅能看懂数据，还能听懂业务逻辑、判断复杂情况——那会是什么场景？这听起来有点科幻，但事实上，企业里已经有不少实践在悄悄印证这一点了。今天要聊的，就是实现这个目标的桥梁——“定式”。

先回顾一下。在之前几篇文章里，我们聊过AI在企业落地中那些让人头疼的“怪现象”：明明技术不差，却总在业务场景里碰壁。这里面的核心症结，其实在于企业对“半结构化知识”的处理方式。后来我们借着围棋的智慧，引出“定式”这个概念——它既不同于死板的规则公式，也不是毫无章法的自由发挥，而是经验提炼后的模块化解决方案。

上次我们用《供应商淘汰风险检查清单》的设计过程，详细拆解了企业内部开发“定式”的五个层次。开发到第四层次时，“定式”已经能清晰描绘出半结构化业务活动的内在逻辑，它就是一份宝贵的经验沉淀，也是赋能员工的利器。到了第五层次，更是划清了AI与人工的合作边界——什么交给算法，什么留给人来拍板，责任清清楚楚。这是AI深度赋能企业应用的地基。

到这里，你可能会问：“像这样的‘定式’，一个岗位得掌握多少个才够用？”

这里分享一个经验数据：一个典型的需要处理半结构化工作的岗位，其关键工作场景以及对应的“定式”数量，通常在

之间。当然，具体数量还得看这个岗位工作中“半结构化”内容的比重有多大。

• 像

  销售、采购、项目管理、客户服务
  这些岗位，需要大量的人际沟通、协调、判断和应变，半结构化程度高，需要的“定式”自然就多一些。
• 而像

  财务、法务、质量工程师
  这类岗位，职责中“硬规矩”（良构知识）的比重更高，很多工作落在专业规范和传统制度流程范畴，那么他们需要的“半结构化定式”数量就会相对少一些。

让每个员工都熟练掌握三五十个“定式”，多吗？一点都不多！想想咱们从小学到大学，为了应付考试，背了多少概念、公式、定理：“夏商周秦汉，唐宋元明清”、“氢氦锂铍硼，碳氮氧氟氖”、“奇变偶不变，符号看象限”——哪个不是滚瓜烂熟？更何况这“定式”关乎的是我们的饭碗，直接决定了专业水准和工作效率。花点时间把它们研究透、应用熟，绝对是一笔高价值的投入。

为了让这些“定式”开发和学习起来更容易些，可以给它们分分类。在企业里，面向半结构化工作场景，典型的“定式”大致有这么

：

• 信息收集定式：
  如何精准高效地收集信息？

• 决策标准定式：
  如何勾勒出决策判断的“算法”？

• 检查清单定式：
  如何罗列关键步骤，确保大错不犯？

• 情景对策定式：
  面对典型复杂情境，可以怎么办？

接下来，我们就逐一聊聊这四类“定式”以及它们的开发要点，特别是看看它们怎么能让AI“看懂”并参与进来。

第一类：信息收集定式——给AI一双“慧眼”

我们处理任何工作，第一步往往是

，也就是收集信息。很多时候，工作做得好不好，关键就看信息输入的质量高不高。还有些工作场景，它的核心任务。针对这类活动，就可以开发“信息收集定式”。

举个例子，一家公司的销售人员，第一次去拜访一个潜在客户，总得问点啥吧？但很多公司并没有给销售准备一份标准的“提问清单”。结果就是，销售见到客户，想起啥问啥，全看现场发挥，常常漏掉关键信息，回来汇报工作时一问三不知。

下面这份《销售人员初次拜访客户提问列表》，是我之前为一家国际贸易企业开发的“信息收集定式”。

你看，这个表格既对销售人员的提问做出了要求，也不阻碍其临场发挥。在和客户轻松愉快的聊天过程中，完全可以追问一些清单之外的问题。这就是“半结构化定式”的特点——

再看一个采购收集需求的例子。采购同事经常觉得憋屈：要么是需求部门自己都说不清要买啥，要么是前期给的需求不靠谱，后面出了问题反过来怪采购。怎么办？采购可以开发一份《采购需求收集表》，每次跟需求部门沟通时，拿出这张表，一项一项地核对确认。暂时说不清的？没关系，先记下来，您给确认一下，别事后“扯皮”。

开发“信息收集定式”，有一点特别重要：必须想清楚，

不能贪大求全，啥信息都想要，那样只会搞出一堆没人看、没人用的“垃圾数据”，实用性很差。

比如，市场部要做市场分析，收集信息的目标是为了写一份报告，那这份报告的

，就决定了信息收集的重点。不同的分析目的（是开拓新市场？还是监控对手？抑或分析产品滞销原因？），对应的信息收集框架应有所不同，做到“因需而收”。

今天各家

，比如你让它做个“人形机器人市场分析报告”，但不说分析的目的，也不列清楚框架目录，AI会很快给你三五万字的输出。乍一看，好强大！好详细！仔细看，真正满足实际需求的干货往往并不多。

• 清晰的“输入规范”：
  一个结构化的信息收集框架，等于告诉了AI：“要解决这个问题，你需要关注这些关键信息点。” AI可以基于这个框架去

  自动抓取数据
  （如果数据源可及），或者

  生成提问清单
  引导用户输入，甚至

  判断已有信息是否完整
  。

• 理解任务“上下文”：
  通过明确信息收集的目标（给谁用，怎么用），AI能更好地理解收集这些信息的

  目的和背景
  ，从而在后续的分析或决策辅助中，更准确地利用这些信息。

• 人机协作的基础：
  人类负责收集那些需要沟通、判断才能获取的“软信息”（比如客户的真实意图），AI负责处理、整合、核对“硬信息”（比如历史数据、公开报告），分工明确，效率更高。

可以说，“信息收集定式”给AI装上了一双“慧眼”，让它能聚焦关键信息，看清问题的本质，为后续的智能分析和决策打下坚实基础。没有这个，AI面对海量原始信息，很容易迷失方向。

第二类：决策标准定式——赋予AI“判断力”的标尺

我们常常感觉，这个世界就像个巨大的草台班子。很多时候，一些看似重大的决策，做出来的时候稀里糊涂，凭感觉、拍脑袋，决策过程中的“算法”压根就没想清楚，或者至少是没说明白。

公司HR招人，录了A没录B，能清晰地说出决策依据和各个候选人的评分吗？销售预测下个月订单量，背后那套估算逻辑能讲清楚吗？采购决定某个物料是找两家供应商还是四家，公司层面有统一的决策标准吗？

你会发现，企业里大量这类“半结构化”的决策问题，常常被当成“纯劣构”问题来处理——既然说不清，那就干脆不说，凭经验、凭感觉、凭领导指示。套用郭德纲相声里的话，这不是“出轨”，是“没轨”！

我们可以把决策中那些相对“良构”的部分——也就是——给提取出来，形成“决策标准定式”，为决策提供一个清晰的指导框架。

比如，我发现很多公司的后台部门，喜欢把生产运营中的种种问题甩锅给“销售预测不准”。销售不服气，但又无力反驳，因为“预测”问题本身有很强的劣构属性，的确没法100%准啊。于是销售干脆采用鸵鸟政策，对质疑声音置之不理，“你行你上”，结果矛盾愈演愈烈。这个状态下，“AI赋能”是无从谈起的。

但如果销售能拿出一个半结构化的“决策标准定式”，既有合理框架，也承认有主观判断，并坦诚地沟通其不完美之处，那自身的专业性能立刻体现出来，也能促进跨部门的理解与协作。比如下图是某汽车行业供应商的《销售预测表》。

销售可以把自己的推算依据和过程展示出来：我用了哪几种信息来源（客户口头计划、历史订单数据、供应商信息、客户产能、招聘情况等等）？这些信息的可信度分别是多少？我是怎么给这些信息赋予权重，并最终综合判断得出预测结果的？

把这个决策过程亮出来，拿到公司的产销平衡会上，大家就可以一起讨论：你这个信息来源靠谱吗？权重给得合理吗？有没有遗漏什么关键因素？其它部门有不同意见，都可以提出来讨论。如果没意见，那眼前这个预测结论大家就得认。

• 让AI拥有“判断标尺”：
  列出清晰的决策维度、评价标准和权重（或者说“算法”框架），等于给了AI一个

  模仿人类专家进行判断
  的依据。AI可以基于这些标准，对输入信息进行评估、打分、排序，给出初步的决策建议。

• 提升决策透明度与一致性：
  将原本模糊的决策逻辑显性化后，不仅人与人之间更容易达成共识，AI的决策过程也变得

  更可理解
  。同时，它有助于保证不同的人（或AI）在面对相似情况时，能做出相对一致的判断，减少随意性。

• 人机结合优化决策：
  AI可以快速处理大量数据并按标准进行计算，给出基于规则的建议；人类则可以结合AI的建议，运用自己的经验和直觉，对那些难以量化的“软因素”（比如供应商关系、市场声誉风险）进行最终的权衡和拍板。AI负责“算得快、算得准”，人负责“提纲挈领、高瞻远瞩”。