AI赋能三级跃迁：从个人提效到组织提效

先来看一条新闻：

深圳福田区首批上岗70名智慧政务新员工，除了拥有DeepSeek通用能力外，还结合各部门各单位实际业务流程，量身定制个性化智能体，首批满足240个业务场景使用，大幅度提升了政府部门的工作效率。个性化定制生成时间从五天压缩至分钟级，公文格式修正准确率超95%，审核时间缩短90%，错误率控制在5%以内。民生服务方面，诉求分拨准确率从70%提升至95%。在招商引资方面，企业筛选效率提升30%。

福田区数字员工的上线，标志着AI应用完成了从“效率工具”到“新型生产力”的质变，为企业深度应用AI提供了范式级实践样本。

首先来看看企业应用AI提效所处的三个阶段：

第一阶段：个人提效——识AI能力，养数智习惯。关键业务领导首先重视和应用起来，养成数智习惯。

第二阶段：工作提效——识AI场景，转数智思维。让不同业务部门率先以众创方式，发掘更多可运用AI的业务场景，从而养成数智思维。

第三阶段：组织提效——识AI战略，升数智革新。人员能力上来之后，再站在组织层面推动数智战略的落地。

据我观察，企业在触达AI时分为四阶段：

第一阶段：不知道，无意识。

在技术发展前期，老板对新技术更加敏感，他们会思考AI应用和企业的关系，而员工则很少会意识到。

第二阶段：有意识、无场景。

在领导的影响下，员工开始尝试学习AI，但主要集中在办公提效等通用化场景上。大家会更关注工具，而企业则更关注如何推动AI应用，由谁对结果负责等。

第三阶段：有场景、无方法。

企业逐步发现业务场景和AI之间的关联。比如客户会提出场景定制要求，我会选择适合的AI大模型将该场景问题整体跑一遍，再把跑通的方法论赋能给企业，从而实现业务场景的提效。该阶段企业开始关注场景，但缺乏方法。

第四阶段：有方法，缺积累。

企业在探索方法思路时出现“缺积累”，缺人才、缺机制、缺数据等积累。缺人才，内部没有专门研究AI工具和业务场景结合的人才，被寄予厚望的IT部门往往懂技术，但不懂业务，中间缺少桥梁。缺机制，指没有具体促动AI发展的相关制度、规则等。缺数据，企业要思考，相关历史数据在哪里，以及这些数据是否准确。

杨国安教授曾提出：企业成功=战略×组织能力。很多企业虽然有了数智化战略，但组织能力跟不上，也很难实现数智化转型。组织能力包括员工的思维模式、员工能力，以及企业的治理方式。简单来说，就是员工愿不愿意、会不会、允不允许。

基于该模型，我们将数智化战略分为三个阶段，分别是个人提效、业务提效和组织提效。

常规而言，数智化战略应该从上往下推动。但实际操作时比较困难。中国改革开放和现代化建设的总设计师邓小平同志曾说过，“让一部分人先富起来”。在组织推动AI时，也应该让一部分人先动起来，先获益，看到AI的价值。

这部分人很关键，如果他们在AI和业务之间联动，AIBP这个新身份便出现了。不仅能洞察业务场景，还能运用AI手段巧妙融合该业务场景，并有效达成结果。

建议企业通过管控模式、业务模式以及组织架构进行综合分析，让这类人成为推动、达成数智化转型的核心人物。他们有可能是业务管理层、业务骨干、HR和IT，当然也可以成立联合作战部。接下来从个人层面切入，找到这类人群应用AI的场景，了解市面上AI工具并具备选模型的能力，建立AI和工作之间的关系，从而实现个人提效。

下面，我将从个人提效到组织提效逐层为大家揭晓思路。

场景一：某天，领导安排你做一个10分钟的工作分享，并做成视频课件上传平台供其他同事学习。分享主题已经确定，内容都是与你个人工作相关的，并且这些内容都在你大脑中，但没有现成材料，网上也不太可能有直接拿来用的资料。

请思考：

1、接到这个任务，你会从哪儿入手？

2、预计分几步完成，工作量大概多少？

3、如果借助AI的话，AI可以在哪个环节起作用？

拿到这个任务之后：

1、找一张纸，快速撰写此次分享大纲。

2、打开录音软件，喃喃自语试讲一遍，尽管有很多表述瑕疵，但大概能听明白意思。

3、用录音转文本软件（通义听悟），将录音转成文稿。

4、转成的文稿有很多瑕疵，有些表述错误，于是你打开DeepsSeek大语言模型，对他说“……（一段提示词）”，结果一篇专业的讲稿就出来了。

5、把文稿粘贴进Al+PPT制作软件（Kimi），一键制作PPT课件。

6、剪映专业版生成合成音，PPT+合成音=视频，有PPT、有讲稿、有视频，顺利完成此次任务。

从以上案例可以看出，我们要学三个东西：学工具、学交互、学逻辑。

第一，学工具。

目的是要了解不同工具的能力，分析其优劣势，才知道在哪个环节用什么AI工具，实现什么结果。

第二，学交互。

有了工具就一定会有好结果吗？不一定。人和机器之间，通过提示词或其他手段完成人需要的结果。

第三，学逻辑。

首先拆的是工作流，把自己做的工作以专业的视角拆解出流程。

现在智能体很火，很多企业都去学，并开发了自己的智能体，但这些智能体真的能发挥作用吗？我们对自身的工作流熟悉吗？工作流中每个人做的任务我们精通吗？如果这些问题不解决，我们做出的智能体或许是“鸡肋”，难以发挥作用。

基于思考，我们将人应用AI的能力划分为六个层级，每个人可运用这个标准去自检、提升。

第一重：随性随机，产生兴趣并乐于尝试，自然对话生成随机结果。

第二重：规范控制，使用规范的方法来控制输出，比如用提示词去深度挖掘。

第三重：评估修正，准确评估判断结果，并进行有效修正。每次跟AI互动的时候，要给标准。

第四重：综合使用，根据需要综合使用多种类型的AIGC工具。

第五重：场景拆解，精准拆解复杂问题，高效协同AIGC分步共创，最终形成智能体。

第六重：自驱免控，创建能够自动运行的AI智能体。

今天各种AI工具铺天盖地，眼花缭乱，我们如何在技术快速迭代的时代，以不变应万变？AI时代我们如何成为“超级个体”？这里提出三大核心能力：

第一，领域专业力。

很多人对大模型的输出结果褒贬不一，其实是人本身的专业力决定了最终输出结果。领域专业力可理解为，高质量处理事情时，我们需要具备该领域的专业模型、洞察场景的能力和数据分析的能力，这直接决定了我们应用AI的能力。

比如，生产制造型企业做现场改善经常会提到5S管理，如果我们将5S的维度加入，就能获得更专业的解答。

第二，AI洞察力。

即选择大模型的能力。在用AI解决问题前，我们需要了解市面上有哪些AI工具，这些工具擅长什么，每个AI工具既有全科全能的，也有专科专能的，我们需要整合一群AI的优势能力，解决疑难问题。在应用时，还要确保应用的步骤和路径，最后要清晰大模型背后的风险，带着责任意识运用。

第三，人机交互力。

即与大模型的交互。包含提示词、多模型交互，以及多视角创新。提示词工程已经成为常态，在与大模型互动时，如果想获得好的结果，必须有高质量提示词。

此外，为了生成更好的结果，通常不能只用一个大模型，而是让大模型扮演不同的角色，让多个大模型之间相互产出结果。多视角指的是，站在自身角度、客户角度，以及合作伙伴角度制定符合客户预期的标准，然后再依据标准，通过提示词产出结果。

这里分享一个提示词框架，深度求索模型P-CHAT-DS：

第一，聚焦问题（P）：识别一个具有业务重要性的问题。

第二，先提需求（CHAT）：

1、角色（C）：明确身份（我是谁/你是谁）

2、背景（H）：背景信息（状态/条件/场景/痛点/历史）

3、目标（A）：对话目标（实现什么/什么目的）

4、任务（T）：任务要求（要干什么/完成什么/什么标准/风格/格式/数量）

第三，再深挖掘（DS）：

1、深挖（D）：我希望、我担心、给参考、给示范、给模型

2、求索（S）：还有吗？又要、既要、也要

在提示词框架中，我们优先确定业务问题，再根据CHAT模型定义模型身份，生成首轮结果。然后通过大模型推理能力，运用DS深度挖掘出更有价值的内容，我们叫作深挖和求索，也称“榨干模式”。

有了提示词框架，我们便可以与AI做深度互动，解决场景问题，通过以下场景我们以小见大。

场景二：

投诉场景提示词如下：

C：我是广电客户经理，你作为一个投诉者，擅长胡搅蛮缠。

H：你经常提出一些苛刻的投诉问题。

A：这种情况下，如何能让你满意？请给我支几招。

不难看出，大模型通过深度思考，站在客户角度进行了心理学分析：这类投诉者可能因为之前的服务体验不佳，或者对某些政策不满，导致情绪激动甚至无理取闹。他们可能希望通过投诉来获得更多补偿，或者发泄不满等。思考结束之后，它给出以下结果。

这个答案提出了非常专业的解决模型和应用方法。

第一步，破冰，用“夸张共情”化解对抗。

错误示范：公式化的道歉（很抱歉给您带来不便）。

正确操作：要模仿客户的情绪，“我的天呀，如果我是您遇到这种问题，可能直接冲到总部来拍桌子，您居然还能心平气和地和我打电话，真是非常佩服您的涵养”等等。

“在高阶必杀技”里，它教会我们用“错峰安抚”的方式。比如在晚上九点之后发送手写致歉信照片，配文是“我刚加班，写完了第八版整改方案，也许还不够满意，但真心想解决您的问题。”它每一步都体现了“真诚”。

我们先让AI给到了一个解决方案，一个标准，然后再给出我的具体场景。

客户砸柜台大骂：“世界杯决赛最后10分钟，整个小区信号全断了！你们维修拖了2小时，现在和我说是‘区域故障’？我请了朋友在家看球，丢人丢到外太空！要么赔钱，要么我告到你们总部关门！”

接下来DeepSeek通过深度思考，给到了结果，这就比较有杀伤力了。

“大哥你看要是我家遇到这种事，我绝对拿菜刀去砍信号塔了。你居然还能在这里跟我讲道理，你这气度比梅西还大。”站在球迷的视角实现“共情”。但这还不够，我继续追问：

我希望处理的语言再温和些，赠送的价值有些过大，希望你贴合实际。

结果语言变了：“先生，我完全理解您的愤怒。如果我的家人朋友在场发生这样的事儿，我可能比您还失控。”

语言更温和了，其中还有温和话术的禁区：

1、不说按公司规定只能，改为“我为您争取到了什么”。

2、不用法律推卸责任，改为“我们失职在先，理应……”

这时他变成了一个高情商的问题解决方案专家。

我继续问：沟通中可能不会那么顺利，可能还会出现各种突发状况，请结合场景给出解决对策。

它给到了三个突发状况：

一、客户持续辱骂，拒绝进入解决方案。

二、客户质疑补偿价值。

三、客户提出天价赔偿。

每个突发状况里都有解决措施。

最后，我们让AI把整套方案整理到Word文档中，用于员工处理投诉的学习。确定标准之后，我又让它根据该标准，为剩下9个投诉场景提供解决对策。

可见，相比简单的办公应用，用AI工具解决某业务问题才能发挥更大的价值。

如何从“自己用”到“全员用”呢？

要让更多人参与到数智化转型中，我们要从业务问题洞察开始。

如何识别问题？绩效改进里提出，要找到业务目标和业务现状之间的数据偏差。员工培养也一样，培养目标和现状之间的差距就是真需求。HR或培训管理者，也要成为问题洞察者。

如何把AI和业务场景进行深度融合？

一、解流程。分解工作流程，把人要做的工作流上的每个任务列出来。

二、选场景。选择场景任务，看看哪些任务可以用AI，哪些不能用。

场景力非常重要。我举个例子，在抖音、快手上有很多老照片修复的视频。这件事本身的价值并不大，上色并让它动起来，这仅仅是一种功能的应用。

我给金融行业做过一场培训后，学员就和我探讨：他们经常做老年沙龙，现在老年人的邀请越来越难，过去送大米、粮油，但现在大家都不感兴趣了。

后来，他们换成用“老照片修复”的主题来吸引老年人参加，效果非常好。后来我又建议他们，还可以邀约子女来参加，不但赠送老照片，还教会子女如何修复老照片。

这样，我们就把功能应用转化成了场景价值。

三、配模型。分析方法与AIGC工具，看哪个节点用哪些AI工具来实现什么结果。

四、输成果。生成结果并进行验证。

推动全员数智思维的升级，可以有很多方式方法。例如，内部通过举办讲座、大赛，建立社群共创，为员工提供AI培训，在培训中展示AI提效的效果，让企业内部核心业务骨干之间进行跨部门协作交流等等。

我们发现，以赛促训的方式更容易产出成果，要想做好一场大赛，核心是做好品控。我们通过大赛六要素来进行品控分析：

一、搭班子。由哪个部门谁去牵头去推动这件事情，参与者有哪些。我们通过管控模式、业务模式、组织架构分析出最终的班子成员。

二、理资源。盘点预算与资源，包括人、财、物，即参与人有哪些，具体预算有多少，软硬件设备配备如何。

三、树标准。确定赋能及评审标准，包括大赛产出目标、赋能方法、项目标准、大赛奖项等。

四、定流程。宣传与组织流程，分阶段、分节点做运营计划，保障大赛顺利实施，其中包括宣传推广、过程辅导、审核评审。

五、选工具。为了降低参赛人员的成果产出难度，需要提前选择适合的AI工具，管理工具、设计工具、AI工具。

六、建平台。即技术载体，简单来说就是这些方案将来放在哪里，AI工具是否在自己的平台上使用，以确保风险可控，宣传有效。

AI具有很强的分析能力，而且它不仅仅是做数据分析，比如各类报表。今天AI的分析，还包括图片和文件文档。所以，对于企业而言，过去的历史文件或可被记录的信息，都称得上是数据。

我给AI一张生产现场的照片：

请你从现场管理的角度分析问题，并提出改进建议。

它回答如下：从现场管理角度来看，这张照片中存在以下问题：清洁度不足、工具和材料摆放杂乱、安全问题、设备维护问题、改进策略……它就按照5S管理一样，帮我们提出了改进建议。

这里有一个实际案例。在江苏一家生产制造型企业现场，他们的看板管理是需要人工去记录的，我到现场拍照之后传给了豆包。让它提取图片中的信息，保持表头不变，日期、班机台号、模具号、存货编码、穴位、不良描述、数量，生产时长等，并直接生成Excel表格，记录员就不需要手工录入，直接用电子形式呈现。

当然这还不够。我让AI把一周的数据进行分析，让它生成不良现状、高频不良分析、责任环节与漏洞、关键改进计划、潜在风险警示、总结与行动计划。其中我使用了很多现场改善的提示词，不断深挖和干预，最后形成这个结果。

后来，我把该Word文档直接给到Kimi生成PPT。客户直接用它给领导汇报，领导听后很惊讶，没想到刚刚开始用，就可以解决关键业务环节的痛点问题。

从这个案例里看出，AI不仅可以提效，还能提质。在提质的基础上再去提效，价值才会更大。

后续我们还让AI进行了现场调研，用调研数据和目标数据做对比。另外，还让它出全员调研问卷、现场5S观察清单。

在做培训时，还可以用它进行不同层级的评估。反应层的评估可以出AI问卷，学习层的评估可以出测试题，行为层的评估可以出观察清单、结果层就可以分析业绩数据。

另外，要提醒企业，现在市面上通用大模型非常多，大家一定要注意数据安全，不要把所有数据全部统计上去，企业要有人去做监管并明确标准。比如涉及企业信息安全的数据处理，必须使用内部工具。非企业信息安全类应用，在需要使用外部工具时，也建议只选择头部工具，尽量减少中间环节等等。

个人提效和工作提效，都是为组织提效做准备的。

多年前国内一家保险公司（央企）其中一个岗位叫“查勘定损员”。车出险之后，从接报案、查勘、退休、定损、理赔等一系列工作都由他来负责。该岗位人员数量大、培养周期长，客户希望压缩人员上岗期。

当时我们带着36个岗位专家梳理出所有业务流，并根据每个业务节点开发出微课，让全员实现哪里不会点哪里，这是在数字化时代的事情。没想到AI来了之后，所有脚本、动作都没有浪费，我们随即将它升级为对话机器人。

当前市面上通用大模型给的答案都不是企业级专属内容，所以很难给出专业、专属岗位的结果。但对话机器人给出的答案完全和岗位匹配。

但如果没有之前萃取的知识库，就很难做到。通过这个方法，我搭建了一个知识库，其中使用了绩效改进的逻辑。

首先确定岗位价值，其次把岗位结果拆成结果指标，再拆成具体工作任务，再把工作任务拆成课题，最后把课题写成文案，就形成了组织的智慧大脑。

企业智慧大脑主要包括：

第一，企业知识库。分为显性知识库和隐性知识库。前者指制度、流程、标准、纪要、文件等等，可以通过数据治理、数据清洗形成AI数据集，未来建立AI智能机器人。后者是隐性经验萃取，指在老专家业务、骨干大脑当中的经验数据。

第二、业务数据库。指在经营过程当中产生的数据，比如销售数据、采购数据、生产数据、库存数据等，通常在企业CRM、OA、ERP等各种平台上，未来可能会接入外部信息库。

以上构成了企业智慧大脑，未来人的工作也会发生变化。

传统人力工作的“选育用留”，都是围绕人来展开的。但是AI时代，工作流发生变化了。未来的“选育用留”是人和机器人相互协同的结果。

终极工作流有三种情况：

第一种，机器辅助人类链路。在整个工作流当中人还是主要角色，过程中有部分节点，机器人会辅助。

第二种，人机串联链路。一个环节是人，另一个环节是机器人。

第三种，人类关键枢纽链路。人在关键枢纽做关键决策，人会统领一堆机器人。这个场景在智能制造型企业里已经实现了。

最后送给大家一句话：“当你试图巩固你想要实现的目标和原因时，请注意AI本身并不是一个目标，它是一个非常强大且具有变革性的工具。当你制定战略的时候就必须追求业务目标，为了AI而把AI放到项目上是愚蠢的。”

未来，希望大家成为AI时代的超级个体。

（内容来自“中企联播·名师讲堂”直播）

END