先看清流程，再决定怎样用 AI

📌

当前状态：尚未实测。本文基于原始 X 长文、流程映射、价值流分析、NIST AI 风险框架和 AI 价值测量资料完成静态分析；尚未组织真实工作坊，也没有用业务数据验证效率提升。

我为什么关注这个方法

我看到的 X 长文记录了一场公司内部的《把 AI 用起来》分享。作者没有先演示 ChatGPT、Gemini、NotebookLM 或 Codex，而是让每个人用纸和两种颜色的笔，画出自己最繁琐、最耗时间的一项工作。

这个开场解决了常见 AI 培训的核心问题：工具听起来新鲜，回到岗位却不知道应该用在哪里。作者反过来从工作本身出发，先看清每天到底怎样做事，再讨论某个节点是否需要 AI。

参与者先把工作拆成节点，用线连成完整流程。红笔标出负责人和角色，蓝笔标出每一步使用的工具。流程摆在眼前后，再检查哪里重复录入、哪里一直复制粘贴、哪个环节等待最久、两个工具能否连接、人工确认是否必要，以及 AI 能否生成下一步需要的内容。

作者将现场参与度高、互动多描述为分享成功，并总结为“先看清流程，再改造流程”。帖子没有展示完整的原始流程图、改造后的未来流程、正式反馈、前后对照数据或上线结果。

这套思路接近轻量版的流程映射和价值流分析。流程映射会把步骤、负责人、时间、输入输出和跨团队交接画出来，以发现瓶颈和重复；价值流分析则强调从真实现状走向未来状态，并关注处理时间、等待时间和信息流。

红笔代表角色、蓝笔代表工具不是行业标准，而是一个适合现场教学的视觉约定。真正的价值来自把隐形工作显性化：每天都在发生、却很少有人完整说清的复制、催办、等待、返工和临时表格，终于能被共同看到。

“先流程、后工具”也让 AI 机会变得具体。只有明确某一步的输入、动作和输出，才能判断它适合删除、简化、规则自动化、AI 辅助，还是必须保留人工。

参与度不等于效率提升。帖子没有处理时间、等待时间、错误率、返工率或质量变化，因此只能说明工作坊有吸引力，不能说明 AI 改造已经产生业务收益。

只标角色和工具还不够。如果没有输入、输出、发生频率、耗时、异常和错误后果，流程图可能很好看，却无法决定先改哪里。

不是所有自动化都需要 AI。固定字段搬运、格式转换、条件判断和定时触发，脚本、公式、RPA 或普通工作流通常更便宜、更稳定。AI 更适合非结构化内容的提取、分类、总结和草拟，但会带来不确定输出、隐私、权限、费用和维护问题。

异常路径与责任不能省略。缺字段、审批拒绝、接口超时、模型答错或客户投诉都需要明确处理。NIST AI 风险框架要求明确使用情境、目标范围、第三方组件和人工监督；高影响动作不能靠一句“人工兜底”代替责任设计。

建议只选一个本人熟悉的低风险流程，第一轮用纸、白板或现有办公软件完成，不购买工具、不注册外部账号、不使用客户资料或生产数据。工作坊先产出现状图、至少三个有证据的摩擦点、机会评分和未来图；任何 AI/API 接入、外部登录、消息发送、发布或生产改动均需另行批准。

建议成功标准是：在至少十个可比案例或连续一周的试点中，处理时间中位数下降至少 20%，或人工复制与交接次数下降至少 30%；同时错误率、返工率和质量不劣于基线，且能在 15 分钟内恢复原流程。

这个方法适合第一次组织内部 AI 培训的人，也适合内容整理、资料分类、会议材料、内部报告、重复表单和跨工具搬运等可复核工作。它不依赖昂贵软件，一张纸就能开始。

它不适合被包装成“一场工作坊就完成 AI 转型”。如果流程边界不清、任务极低频、结果无法验证、错误不可撤回，或者必须使用敏感数据和生产权限才能测试，那么先画图也不会自动消除风险。

我认可原帖最核心的一句话：先看清流程，再改造流程。它比罗列几十个 AI 工具更容易让人真正开始行动。

但我会把它定位为“发现机会的工作坊”，而不是已经验证的效率方案。把现状图补全为基线，把讨论补全为机会评分，把想法补全为未来图，再用低风险试点做前后测量，才算真正把 AI 用进工作。