人工智能时代充满机遇，每家企业都在报告AI如何提升效率。但作为一位在多家AI初创公司负责运营工作，如今管理着拥有120多家投资组合公司的AI风投基金的专业人士，我看到的却是另一番景象。大量实用的AI工具被购买、集成并投入使用，却收效甚微。麦肯锡最新报告显示，近70%的AI转型都以失败告终。问题在于：即使是最好的AI工具，如果被引入混乱的人工流程中，只会产生一个既混乱又充满幻觉、丢失上下文的流程。
我们的一位投资人分享了一个案例：他们公司在某个运营环节引入AI代理后进行了效率研究，结果令人震惊——员工确实节省了大量原本需要手动完成工作的时间，但却花费了同样多的时间来修正AI犯下的错误。更糟糕的是，这个自动化项目由IT部门主导，运营团队却被排除在外。
在Davidovs Venture Collective（DVC），我们不仅投资AI初创公司，还是几乎所有新技术的早期采用者。我们在风投工作的每个环节都使用自己构建的代理和投资组合公司的产品——从项目搜寻、评分到协助被投企业创始人，再到为有限合伙人开发天使投资工具。我们的成功秘诀在于应用了一个看似简单但极其有效的框架：在部署任何AI之前，我们会问四个关键问题。
1. 流程是否有明确规则？
如果某个流程能够用特定规则来定义，那么它就非常适合自动化。法律工作流、会计规则、结构化入职流程？完美！这些都是输出遵循规则的系统，AI在这里能大显身手。但如果你的流程本质上是创造性的——比如品牌叙事或战略设计——完全自主的AI就不适用，这类流程需要设计为人类与AI协同工作的模式。在品牌营销中，打破规则往往能创造价值，千万别把这部分工作外包给AI代理。
2. 流程是否有单一事实来源？
如果你的CRM系统显示一种信息，订单跟踪器显示另一种，而实际更新却保存在某人的个人电子表格中——请暂停。AI系统的表现完全取决于你输入的数据。建立单一事实来源、消除数据或知识孤岛是高效流程设计的黄金标准，对于代理型AI来说这一点比以往任何时候都重要。当所有客户接触点和历史记录都保存在统一数据库中时，AI可以自动跟进、推荐下一步行动并生成准确报告，甚至能提供语音客服或安排客户预约。
我们经常看到初创公司通过提供内置事实来源的解决方案获得成功，特别是面向小企业时。比如Avoca AI这款电工专用电话助手，它集成了内置CRM系统，确保所有客户数据和交互都集中且实时更新。
3. 是否有丰富的历史数据？
每个操作是否都有记录，包括决策过程的示例？AI从历史数据中的模式学习。没有记录，就没有学习。如果你的系统不记录发生了什么及原因，就无法生成模式，无法改进，你的钱也就白花了。但即使你记录了每个客户电话，用AI转录并存储在文件夹中，可能仍然不够。处理这些数据的代理需要配置为将非结构化数据转换为总结性和结构化的形式，甚至转化为图表以更好地理解关系，否则很快就会超出它们的处理能力。
想象你是一名员工，每次上班记忆都会被清空。虽然你能以超人速度读写，但必须盯着数兆字节的对话记录和聊天历史，试图弄清楚公司是做什么的以及如何完成经理交代的任务——这就是没有良好数据库支持的AI代理的”感受”。最优秀的团队不仅收集数据，还会考虑未来需求对数据进行结构和版本管理。这样才能形成学习循环，AI才能变得更智能，甚至无需进行任何模型训练。
在医疗领域，Collectly大规模应用了这一原则：利用多年标注的账单、付款和患者互动数据，他们优化了医疗账单和收入周期管理。他们的AI从历史结果中学习，减少错误并加快收款速度。
4. 你的技术栈是否支持AI？
AI能否真正接入你的系统和工具？还是说你仍在使用那个1988年的内部门户网站，连加载都困难？我们见过内部运营工具过于陈旧，无法生成结构化输出——更不用说与API对接了。这种情况下，从头重建系统往往比强行将AI塞入老旧基础设施更快、更有效。如果AI代理能使用MCP或结构化、文档化的API，总是比它需要通过截图和图像识别来弄清楚该按哪个按钮要好得多、便宜得多。
AI正在成为基础设施。但就像20世纪初的电力一样，只有当你重新设计工厂而不仅仅是安装灯泡时，它的潜力才能真正释放。不要修修补补，要重新构想。而且不用说，许多过去需要花费百万美元开发的内部工具，现在你的工程师在午餐时间就能从头开始”氛围编程”出来。
第一性原理思考
假设我们已经设计了一个理想流程——它规则明确、有单一事实来源，并以结构化方式收集数据以实现自我改进。我们甚至说服工程师利用午餐时间”氛围编程”出一套新的内部工具。但现在再看这个流程：由于自动化，它的运行成本很可能已经大幅降低。试着想想当成本如此缩减后，你的业务会发生什么变化？尝试看到更大的图景——如果其他流程也以同样方式改进，这个流程将如何与它们共存？也许是时候以AI为出发点重新构想整个业务了。
很多时候，从第一性原理思考业务运营能帮你发现意想不到的机会。例如在DVC，我们自动化了交易分析、尽职调查和交易备忘录准备，将工作量从6人/小时缩减到AI工作的3分钟。传统上，风投只有在与创始人交谈并确认交易值得花费这6人/小时后才会进行这些工作，而且公司分析师数量有限。现在由于成本变得极低，我们会在与创始人交谈前就分析市场、准备交易备忘录甚至完成部分尽职调查。这使我们只与确定能够且愿意投资的公司进行通话，为合伙人和创始人都节省了时间。
我们还能更进一步：由于实际上拥有无限的分析师资源，我们可以将这些工具提供给推荐新交易机会的投资人和侦察员使用，让他们节省时间，以专业风投分析师的角度分析每笔交易，减少我们在审查后放弃交易的情况。我们仍然收集所有数据，因为可以用来学习并改进工具。这使我们的效率达到同规模典型风投公司的约8倍。但我们并非偶然取得这一成果——我们梳理了内部运营，应用了这四个问题，并从第一性原理进行了重建。
这个框架帮助初创公司领导者和首席运营官转变思维：从”我们能否在这里使用AI？”（一个技术可能性问题）到”我们应该使用AI吗？”（迫使人们更深入地思考战略价值、数据准备度和长期可维护性）。这是”因为有工具可用就接入”和”因为正确而重新设计流程”之间的本质区别。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/shou-xi-yun-ying-guan-bu-shu-ai-qian-bi-xu-si-kao-de-si-ge
