跳到主要内容
← 返回列表

ICELEAF / JOURNAL

AI 应用之前,先找到真实问题

2026-10-16 19:50:04 / iceleaf

一、为什么不急着部署 AI?

随着 AI 工具越来越普及,很多企业开始考虑将 AI 引入日常工作,希望通过新技术提高效率、减少重复劳动。

但在实际讨论需求时,经常会遇到一个问题:大家都知道 AI 可能有帮助,却不一定能说清楚具体应该用在哪里。

如果一开始就讨论模型选型、部署方式或采购方案,很容易忽略真正需要解决的业务问题。

因此,在参与企业 AI 应用相关项目时,我更倾向于先了解员工的实际工作流程,再判断哪些环节适合尝试 AI。

二、从工作流程开始了解需求

在日常工作中,员工对自己负责的业务通常已经非常熟悉,很多操作甚至成为习惯。

但这些看起来理所当然的操作,可能恰恰是最值得优化的地方。

例如整理资料、录入数据、查找文件、生成报告或者反复调整文档格式,都可能消耗大量时间。

不过,并不是所有重复工作都需要 AI。有些问题通过普通脚本、模板或流程调整就可以解决。

所以在调研时,我更关注以下几个问题:

  • 员工每天主要完成哪些工作?

  • 哪些任务重复频率最高?

  • 哪些环节耗费时间最多?

  • 工作过程中最容易出现什么问题?

  • 现有工具为什么没有解决这些问题?

  • 最终结果由谁检查,怎样判断是否合格?

只有弄清楚这些问题,才能进一步判断 AI 是否真正具有应用价值。

三、先问卷,再培训,最后深入调研

围绕企业 AI 应用,我正在尝试整理一套更清晰的调研流程。

第一步是通过问卷了解整体情况,包括员工对 AI 的了解程度、使用频率、日常工作内容以及最希望改善的环节。

问卷的作用不是直接确定实施方案,而是帮助我们找到值得重点了解的部门和工作场景。

第二步是开展基础认知培训。

不同员工对 AI 的理解差异可能很大。如果没有形成基本认识,调研中得到的回答也可能受到认知差异影响。

通过实际案例介绍 AI 能做什么、不能做什么,以及使用时需要注意哪些问题,可以帮助员工更准确地理解后续调研内容。

第三步再针对重点岗位开展业务访谈和流程分析。

相比只询问“希望 AI 帮你做什么”,我更希望了解一项任务从开始到结束的完整过程,包括使用的软件、输入的数据、人工判断环节和交付标准。

四、让调研数据真正发挥作用

为了让问卷收集和数据整理更加方便,我也参与规划并开发了一套企业 AI 应用调研系统。

系统通过网页收集员工反馈,并根据不同岗位展示对应问题。

目前第一阶段已完成问卷填写、部门统计、后台管理、数据导出等基础功能。

这些功能能够帮助整理调研信息,但统计结果并不能直接代替业务分析。

例如,某项工作被很多员工认为耗时较长,不代表它一定适合使用 AI。还需要进一步了解数据来源、处理规则、风险要求以及人工审核成本。

五、如何判断一个场景值得尝试?

在我看来,一个 AI 应用场景是否值得推进,至少需要考虑几个方面:

  • 实际价值:是否能够减少耗时、降低错误率或改善工作质量。

  • 技术可行性:现有 AI 能力能否满足任务要求。

  • 数据条件:是否具备必要的数据,以及是否允许使用这些数据。

  • 结果验证:能否明确判断输出内容是否正确。

  • 维护成本:部署以后是否容易使用、更新和维护。

对于涉及敏感数据、对准确性要求较高的工作,还需要明确人工审核和信息安全要求。

即使某个场景暂时不适合 AI,也可能通过普通自动化、流程调整或现有软件功能获得改善。

六、从小场景开始验证

相比一开始建设复杂的 AI 平台,我更倾向于先选择一个范围明确、数据条件可控、结果容易验证的场景进行测试。

例如资料分类、文档初稿辅助或结构化信息整理等,都可以作为候选方向,但是否适合实际应用仍然需要结合具体业务确认。

试点过程中,需要同时观察处理效率、结果质量、人工修改成本以及使用人员的反馈。

只有在效果得到验证之后,再考虑扩大使用范围。

七、总结

AI 应用不应该只是增加一个新工具,而应该帮助解决工作中真实存在的问题。

从问卷到培训,再到深入调研和小范围验证,每个阶段都有不同的作用。

对我来说,AI 项目最值得投入精力的地方,不是追求功能有多复杂,而是找到合适的应用场景,并让工具真正融入现有工作流程。

QUICK NAVIGATION

你想去哪里?

Esc 关闭 · 点击结果前往 · 全站搜索 →