AI 优先是一种工程纪律，不是一句口号

从 ChatGPT 上线到最近一轮财报电话会之间，“AI 优先”从一个技术判断变成了一个装扮。卖洗衣机的、做保险的、提供会计服务的公司，都开始自称 AI 优先——尽管生产环境里往往一个模型都没有。这个词几乎免费，它背后的运营纪律却并非如此。这篇文章谈的就是纪律：AI 优先应该意味着什么、为什么它对普通公司同样重要，以及真正把它做好的公司看起来是什么样。

“AI 优先”应该意味着什么

AI 优先的公司，不是一家频繁谈论 AI 的公司，而是一家把智能当作一种设计材料的公司：在产品和流程决策的最开始就考虑它，用与其它任何工程选择同等的严格标准去评估它，并且只在有实证能证明它有用的时候使用它。

真正的 AI 优先实践与装饰性表态之间，有三点区别：

1. 从工作出发，而不是从模型出发。 分析的单位是一件要完成的工作——一张客服工单、一次销售跟进、一份核保审查——问题在于模型能否改变它的成本、速度或质量。
2. 有证据闭环。 关于 AI 价值的说法要用基线数据检验，而不是用演示来证明。
3. 人始终对结果负责。 模型负责建议、起草和自动化；人负责决策、批准，并为结果担责。

以上任何一条都不要求你卖一个 AI 产品。它们要求的是：把 AI 当作一种有特殊属性的普通基础设施来管理。

赌注不再是假设

如果只读营销材料，很容易把 AI 归为炒作。但来自普通工作的证据没那么容易被打发。

• 普及速度超过以往任何技术。 ChatGPT 在 2023 年上线后约两个月内达到约 1 亿用户，是有记录以来消费者采纳最快的应用。用户数本身不等于商业价值，但它重置了客户对软件能力的预期。
• 软件开发出现了可测的变化。 GitHub 在 2023 年的一项随机对照实验中，使用 GitHub Copilot 的开发者完成同一任务比对照组快 55.8%（arXiv:2302.06590）。编程是第一个用受控实验、而非口号来度量生产力提升的知识工作类别。
• 客户服务出现了可测的变化。 2023 年针对客服工具的一项研究（Brynjolfsson、Li 与 Raymond，NBER 工作论文 31161）发现，生成式 AI 助手使每小时解决的工单数平均提高约 14%——对经验最少的工作人员更是提高约 34%。关键细节在于谁获益最多：模型压缩的是学习曲线，而不只是打字时间。
• 资本跟了上来。 微软在 2024 年报告其 AI 业务年化收入超过 100 亿美元，并称这是公司历史上达到该规模最快的业务线；多家大型科技公司也为 2025 年安排了数百亿美元的 AI 相关资本开支。无论你怎么看泡沫之争，这些预算都是真实的。

这些不是科幻数字，而是在普通客服与工程工作中实测到的生产力与成本效应。对一家非 AI 公司而言，战略问题因此不再是“我们要不要做一个 AI 产品”，而是：“与那些正在重构同类工作的竞争对手相比，我们的成本曲线、响应质量和速度能不能跟上？”

为什么多数“AI 优先”会失败

失败通常不是技术性的，而是组织性的，而且模式高度相似：

1. 买几个订阅，给官网加个聊天机器人，宣布胜利。其它一切照旧。
2. 处处试点、处处不度量。没有基线和指标，试点只是带着截止日期的演示。
3. 把选型当成战略。供应商的取舍成了全部话题，而模型本该改善的实际工作从未被重新设计。
4. 没有负责人、没有预算科目。AI 工作活在某个部门都不拥有的幻灯片里，最终在 IT、产品和运营之间的缝隙中饿死。
5. 害怕显得落后，于是为并未上线生产的能力邀功。

共同点是把 AI 当作一次采购，而不是对工作方式的改变。这正是“AI 剧场”——幻灯片光鲜、生产环境空空——如此普遍、又如此廉价的原因。

怎样才能把 AI 优先做好

下面不是“五步实现转型”的配方，而是一组经得起真实预算检验的运营习惯。

一、先选工作，再选模型

挑选那些高频、高成本、且充满判断力的任务——分流、起草、摘要、路由、初审。在动手前先定义指标：处理时长、单张工单成本、缺陷率、转化率。先测基线。说不出指标，就还没准备好开始；模型显然推不动这个指标，就换一个任务。

二、把模型当作可互换的零件

前沿模型进步很快，价格下降的速度比大多数公司更新规划的速度还快。据此行动：

• 把模型调用隔离在一个小的内部接口后面，让更换供应商成为一次配置改动，而不是重写。
• 用自己的任务样本做评测，而不是看那些衡量别的东西的排行榜。
• 定期重跑评测；去年的最优模型可能是今年的次选。
• 当数据合规、延迟或成本重要时，考虑小型或开源模型；前沿并不总是正确答案。

供应商锁定是一种你可以直接选择不犯的错误。

三、重构人机协作的流程，而不只是换界面

最大的收益来自改变人与模型分工的方式，而不是把表单换成聊天窗口。要明确哪些环节由模型起草、哪些环节必须由人批准；设定置信度阈值；设计升级路径。在每一步都要能指出对结果负责的人——无论出于法律、合规还是常识，模型无法担责的后果必须有人来承担。

四、投资于数据与评测的基础设施

模型进步很快，但你对“它是否在为你进步”的判断能力必须更快。这意味着记录每一次生产调用并打上结果标签、从真实使用中构建金标准集、在有条件的地方收集用户反馈，并保留一支小团队专门负责评测。多数失败的 AI 项目都倒在这里：它们能演示，但不能度量。

五、按概率性失败来设计

模型是一位手脚麻利、自信满满、偶尔出错的年轻同事。据此构建：

• 尽量用模式校验输出；
• 加回退与重试，绝不让一次模型故障拖垮整个流程；
• 像盯错误率一样盯单次调用的成本与延迟；
• 设定预算与告警；模型开销的累积速度超出预期。

把错误答案当作一类需要预防的故障，而不是一个等到出错才发现的意外。

六、为它建立组织

给 AI 工作一个真正的负责人和一份真实预算。核心团队保持精简，嵌入到实际业务发生的部门中去。提升全公司的 AI 素养底线——包括高管，他们至少要能区分评测与演示。按业务指标每季度复盘，并在对外汇报中如实说明哪些没有奏效。真正靠 AI 赢得信任的公司，报失败和报成功一样平常。

做得好是什么样

从外部看，一家 AI 优先的公司几乎有点无聊。AI 不在新闻稿里，而在工作流里：客服响应时间下降，而质量投诉没有上升；开发者把更多时间花在设计上，而不是样板代码上；核保、销售资质审核或文档审阅的单元成本曲线逐季下行，背后是一份外人都可以审计的评测报告。

最终赢下 AI 的，不会是口号最好听的公司，而是反馈闭环最好的公司：清晰的问题、测过的基线、有真人负责的人机协作，以及在第一次尝试不及预期时继续迭代的纪律。AI 优先不是对你公司野心的描述，而是对你公司操作系统的描述——而这是一句需要用证据来挣得的断言。