别急着替换人：先让 AI 接管重复、低判断负荷的流程
企业第一个 AI 项目不必瞄准岗位替代。先改造高频、边界清楚、可衡量且能人工接管的流程环节。本文介绍从现有工作中选择切入口、定义指标并逐步验证的方法。
本文目录
讨论企业 AI 时，”能不能替换一个岗位”是个很容易让人心动的目标。它足够大，看起来也像一个漂亮的项目成果。可一旦进入实施，团队很快会发现：一个岗位并不是一条整齐的流程。
同一个人可能上午核对数据，下午处理例外，期间还要协调同事、判断客户语气、为结果负责。把这些工作整体交给 AI，等于把规则明确的步骤和高风险判断绑在一起。项目范围变大了，验收反而更困难。
更实际的改造单位是流程环节，岗位反而太粗了。
先找重复处理，不要先找”可以被替代的人”
换个角度，从具体动作入手。
企业里有不少工作必须有人负责，但不代表每个步骤都要由人完成。例如：
- 销售开完会后整理纪要，再把下一步动作录入 CRM；
- 运营从多张表中收集数字，统一格式后交给负责人判断；
- 法务先提取合同条款和差异，再决定哪些问题需要深入审阅；
- 客服读取来信、补齐字段并查找相关制度，最后由经办人确认处理方式。
这些环节的共同点，是输入和输出相对清楚，人工时间主要花在查找、搬运、整理和初步检查上。AI 可以先完成准备工作，人保留判断和责任。
这和“降低人的重要性”是两回事。恰恰因为人的时间有限，才应该把它留给例外、沟通和后果更重的决定。
全自动不是第一版必须达到的目标
第一版就追求端到端自动，通常会同时遇到三个问题：
流程中的例外还没有被写清楚；模型错误与业务后果没有分级；业务方也无法在短时间内确认系统是否值得信任。此时继续增加 Agent、工具和分支，只会让排查更慢。
Anthropic 的 Agent 工程实践建议从最简单的可行方案开始。边界明确的任务优先使用预定义工作流，需要动态决策时再增加自主性。对企业首个项目来说，这个顺序尤其重要：先把输入、输出和异常整理清楚，再决定模型需要多大自由度。
一个有价值的第一版，不必给出固定的提效百分比。它只需要证明几件具体的事：人工是否少做了一部分重复处理，积压或等待是否下降，错误能否在产生后果前被发现，使用者是否愿意继续用。
什么样的环节适合先动手
四个条件，缺一条都先别动。
可以先看四个条件：
- 任务经常发生，确实占用持续的人力；
- 输入、输出和主流程已经比较稳定；
- 结果能够通过字段、规则或业务结果验证；
- AI 处理失败时，人可以确认、修改或退回原流程。
这四项都成立，才值得进入小范围验证。如果数据权限不清、成功标准无法描述，或者错误会直接形成不可逆后果，先解决流程和治理问题往往更省时间。
需要更系统地比较多个候选场景，可以使用《一个流程值不值得上 AI？先做这张场景筛选表》中的六维量表。分数不是成功率，但能让业务和技术团队讨论同一组条件。
AI 参与之后，人应该做什么
人机协作不等于给每个模型调用都加一个审批按钮。更合适的分工是：AI 处理查找、提取、起草和低风险写入；人在信息不足、规则冲突和高后果动作前介入。
人的修正也不应消失在聊天记录里。哪些字段经常被改、哪些资料经常缺失、哪些任务总要转人工，这些信息应该进入回归样本和流程优化。长期价值不只来自一次生成，更来自系统逐渐暴露出原流程哪里含糊、哪里浪费、哪里风险过高。
NIST 的生成式 AI 风险管理资料把可信性考虑放在设计、开发、使用和评估全过程中。换成日常项目语言，就是不要把治理留到上线以后。第一版越早定义责任和接管方式，后面越容易扩大范围。
企业上 AI，不需要先证明一个岗位可以消失。先把一段反复发生、让人疲惫又容易验证的流程做顺，组织会得到更有用的证据：什么适合交给 AI，什么仍该由人决定，以及下一步是否值得继续投入。
本文参考的外部资料：