从工作本身出发
一个模型能够描述工厂里正在发生什么,并不意味着工厂的能力已经提高。只有当人们能作出更好的判断、完成原本困难的任务,或及时发现问题并采取行动,能力才真正体现出来。与围绕 AI 的宏大叙述相比,这样的期待显得朴素,却给了我们一个可靠的起点:回到工作本身,也看见那些很难放进演示文稿的棘手细节。
以一条设备维护建议为例,生成一段看似合理的解释,只是其中一步。完整的任务还包括核对设备历史、理解生产安排、找到合适的负责人,以及判断是否值得为此中断生产。每一次交接都可能带来等待或不确定性。在选择模型之前,我更愿意先问:现有流程究竟卡在哪里?谁在承担这些麻烦?对他们而言,真正更好的一天应该是什么样?
让责任清晰可见
AI 进入流程之后,责任需要更加清楚。一条建议应该交给谁,有什么证据支持,谁有权接受或否决,都应明确。如果没有人知道下一步由谁行动,再精彩的答案也可能只是待办队列里的又一项。流程与答案同样重要,因为流程把信息连接到决策,也把决策连接到必须有人承担的后果。
这也意味着,我们必须为日常的不完美做好设计。记录可能缺失,设备的实际表现可能与文档不同,人们也会有分歧,而且有时各有道理。有用的系统会让这些局限显现出来,让使用者能够质疑输出、修正输入,或回到已有的操作程序。如果只是要求忙碌的同事核验一切,却不给他们时间和证据,那不过是把难题转交给了另一张办公桌。
看工作是否真的变好了
因此,价值的证据应该来自工作改变前后的对照。决策是否有了更充分的依据?不必要的检查是否真的减少,还是被悄悄转移到了下游?人们是否少花时间寻找信息,多花时间解决问题?尤其值得认真听取的,是接收这些输出的人。如果一个工具替前一个团队省了力,却让后一个团队更困惑,它的价值就还没有得到完整证明。
我关注的 AI,是能够在日常运营中踏实发挥作用的 AI。人们知道什么时候该用它,什么时候该提出质疑,也知道没有它时如何继续工作。他们能够用自己的话说清楚,工作究竟改善了什么。这个标准并不低,但很有用:它让雄心始终与现实相连,也让耐心和协作得到应有的位置。正是这些工作,让一项有潜力的技术成为可靠的日常实践。