导语
最近和几个跨境的老板闲聊，都觉得AI发展太快了，让 AI 读取表格、整理数据、生成报告，已经不是什么难事了。
只要流程相对固定，数据能够拿到，很多过去需要员工反复操作的工作，都可以交给 AI。
不过大家的需求也越来越高。
大家希望 AI 不光是告诉你发生了什么，
还得建议下一步怎么做。
这时候 AI 会遇到一个绕不开的问题：
在这家公司里，什么才算做对了？
让 AI 汇总一份促销数据很容易，难的是汇总完以后，它该不该建议参加这次促销。
折扣会不会吃掉利润？库存能不能撑住活动？短期利润和产品排名发生冲突时，公司准备保哪一个？
补货也是一样的。
AI 可以根据销量和库存生成建议，但销量突然上涨，可能是长期趋势，也可能只是一次促销带来的波动。
新品没有稳定的历史数据，不能直接套用成熟产品的补货逻辑。核心产品出现断货风险时，也不适合让系统直接作决定。
这些问题靠换模型，改几句提示词解决不了。
AI 可以按照要求完成动作，却无法理解在你的公司里，究竟如何作出业务判断。
报告完整，不代表结论能用
举个🌰
你的公司希望用 AI 评估亚马逊促销风险。
活动类型、折扣比例、历史价格、库存、毛利、销量和促销周期等等，这些数据都可以接入。AI 也能很快生成一份结构完整的分析。
但要知道，同样是20%的折扣，放在普通促销和大促期间，判断标准是完全不同。
核心产品，利润产品和准备清仓的产品，也不应该使用同一套利润要求。
库存不够时，有的产品应该退出活动，有的可以减少参与数量，还有的产品可能愿意承担偶发断货风险，去换取排名或者市场位置。
这些数据不会直接告诉 AI 该选哪一种。
这取决于公司当前的经营目标，也取决于管理层愿意承担什么样的风险。
如果这些前提没有说清楚，AI 会给出一个看起来没毛病的答案：数据齐全，逻辑通顺，表达也很完整。
但拿到业务里，根本无法执行。
很多流程能跑，是因为一直有人在兜底
没有 AI 的时候，企业的流程也能正常运转。
并不是因为每个环节都设计得很清楚，而是公司里总有几个经验丰富的人，在模糊的地方把问题接住了。
老运营看一眼销量、广告、库存和排名，大概就知道下一步该做什么。
产品负责人看到几条差评，能够判断这是偶发反馈，还是产品本身出了问题。
老板看周报时，他可能只看几处，就能抓住真正影响利润、库存和现金流的异常。
我们习惯把这种能力叫作经验。
但经验里装的并不只是感觉。
做得久的人知道哪些数字重要、哪些变化暂时不用管，眼前是保利润还是先保排名，这件事自己能拍板还是必须往上交。
这些判断很少被完整地写下来。
只要原来的人还在，公司未必会觉得有什么问题。等到人员变化，差异才会慢慢出现。
新人按照 SOP 完成了所有动作，结果却和原来不一样。
部门提交的报告越来越详细，老板还是要自己重新理一遍。
不同负责人面对同一种情况，也可能作出完全相反的决定。
我在拆企业问题时，遇到很多类似情况。
大家都觉得某件事“公司有标准”，可让产品、运营和供应链分别讲一遍，往往会得到三种答案🤦
例如一款家居新品没有推起来。
产品认为运营没有把流量做起来
运营觉得产品本身缺少竞争力
供应链则认为前端一直没有给出稳定的销售预期
每个人都有自己的依据，却很难说清问题究竟出在哪一段，下一步又该由谁负责。
这不一定是谁在推卸责任。
更常见的情况是，公司过去没有认真拆过：每个环节到底要判断什么，依据是什么，出现分歧后由谁作决定。
以前有人协调，这些空白还能被遮住。AI 接进来以后，人没了空白依然在。
一条工作流，要先从一个具体问题开始
我发现企业谈 AI 时，会先定一个大目标：
让 AI 优化库存
让 AI 分析经营情况
让 AI 提升运营效率
这些话可以描述方向，却没办法直接拿来设计一条工作流。
以“优化库存”为例，里面可能同时涉及销售预测、采购、物流、资金占用、清仓和产品生命周期。
范围太大了，就很难判断 AI 应该从哪里开始，又应该在哪一步停下来。
➡️ 如果把它改成：
每天识别未来30天内可能断货的核心产品，并把需要人工处理的整理给供应链负责人。
这事情就具体多了。
接下来可以继续确认：
哪些产品属于核心产品，断货风险依据什么判断，需要读取哪些销量、库存和采购数据，哪些情况只做提醒，哪些异常必须让供应链负责人介入。
负责人收到信息以后，也要清楚自己需要作出什么决定。
问题越具体，后面的数据，规则和责任越容易落下来。
很多项目做到后面越来越乱，
不是工具能力不够，而是最开始希望 AI 解决一个很大的问题，却没有定义它到底具体负责哪一段。
数据、规则和例外，不能拆开看
在问题范围确定以后，企业就会开始接数据。
这时很容易出现一种想法：
数据越多，AI 判断得越准。
实际业务里并不如此。
判断补货风险，可能要看销量趋势、当前库存、在途库存、采购周期和预计到货时间。涉及资金占用时，还要加入采购金额、库存周转和现金流。
赶上大促，又要考虑活动预估、历史同期销量和促销节奏。
难点不在于把这些数据都交给 AI，在于告诉它这些数字分别意味着什么。
销量上涨可能代表需求增加，也可能只是广告或活动带来的短期波动。库存下降可能意味着快要断货，也可能是企业正在主动清仓。
同一个库存水平，放在核心产品和准备退出的产品上，意义完全不同。
所以企业需要先说清楚：哪些变化会影响结论，哪些数据只是参考，多个指标发生冲突时应该怎么取舍。
接着才是把一部分重复出现的判断写成规则。
库存低于什么范围需要预警，采购金额超过多少需要审批，核心产品出现哪种风险须升级，利润下降到什么程度需要重新评估方案。
这些规则可以减少重复沟通，也能让一些风险较低的问题直接留在流程里处理。
但要知道，数字只是起点。
规则不是写下一个数字就够了。
“库存低于30天就补货”似乎已经很明确。
可它适用于所有产品吗？
核心产品和清仓产品完全不同。新品没有稳定销量，也很难直接套用成熟产品的标准。到了大促期间平时的安全库存线可能还需要调整。
一条可以交给 AI 执行的规则，除了触发条件，还要说明适用对象，以及哪些情况下不能继续使用。
真实业务里，真正难处理的就是这些例外。
新品没有足够的历史数据怎么办？
供应链临时中断怎么办？
某个产品为了保住排名，能不能接受一段时间的低利润？
如果工作流只设计了正常情况，遇到例外时仍然自动往下执行，风险就会慢慢积累。
核心有价值的升级，不是提醒一句“有异常”
有些问题可以交给 AI 处理，有些必须停下来交给人。
规则明确且重复性高，风险较低的动作，可以由 AI 直接完成。
涉及金额较大、背景复杂，或者可能影响关键业务目标的判断，可以让 AI 先整理，再交给人确认。
还有一些问题，本来就应该由业务负责人或者老板决定，例如资源取舍、重大风险和经营优先级这类的。
但“升级给人”也有好坏之分。
还是以库存为例，很多系统发现异常以后，只会发一条提醒：
“库存存在风险，请及时处理。”
负责人收到后，还是要自己打开系统，查库存、看销量、找在途，再问采购。
材料重新找一遍，判断也重新做一遍。
这样的提醒，只是让问题更快地到了负责人手里，并没有减少多少工作。
更有用的做法，
是在升级时把判断需要的材料一起准备好。
哪些产品出现风险，可能在什么时候断货，主要原因是什么，当前库存和在途还能支撑多久，现在有哪些处理选择。
负责人拿到这些信息以后，可以直接判断和取舍，不需要再从头整理。
一条工作流能不能真正减少管理成本，
其实关键就体现在这里。
与此同时，
企业还要提前回答一个更重要的问题：
AI 执行错了，最后由谁负责？
是维护数据的人，制定规则的人，审核结果的人，还是业务负责人？
AI 可以读取数据、生成建议、识别异常，也可以替代执行一部分低风险动作。但公司仍然需要确定谁维护数据，谁调整规则，谁处理例外，谁批准高风险操作。
最后，还要有人对业务结果负责的。
做到这里，AI 工作流就不能再被当成一个单纯的技术项目。
它会碰到部门职责、审批权限、信息流转和现有的管理方式。很多过去没有说清楚的问题，也会在这个过程中被翻出来。
SOP 写的是 HOW，AI 工作流还要回答 WHY
很多企业已经积累了不少 SOP，所以理所应当的认为，把 SOP 交给 AI，工作流就有了。
但传统 SOP 通常写的是操作步骤。
打开哪个页面，导出什么数据，填进哪张表格，再发送给哪个人。
这些内容能帮助新人完成任务，却未必能支持 AI 作出判断。
AI 还需要知道，为什么先看这项数据；两个指标发生冲突时，优先参考哪一个；什么情况下继续，什么情况下必须停下来。
它也需要知道，例外由谁处理，最终用什么标准判断执行结果。
所以，给 AI 使用的工作流，需要补上步骤背后的判断依据、适用范围、例外处理、权限和责任。
企业认真做这一步时，才会发现过去看起来已经成熟的流程，其实并没有统一标准。
不同的人有不同做法，部门对结果的理解也不完全一致。只是以前一直有人协调，所以问题没有彻底暴露。
跑通一次，只能说明它可以运行
即使边界、数据、规则和责任都逐渐清楚，一条工作流仍然需要放回真实业务里测试。
过去由资深员工处理的案例，AI 能不能得到接近的结论？
换一个产品、换一个业务阶段，原来的规则还适不适用？
如果判断错了，能不能查出问题出在数据、规则还是执行环节？
负责人收到结果以后，是否真的减少了整理材料和重复判断的时间？
工作流有没有价值，最后还是要看业务发生了什么变化。
还有一个结果很重要：
原本只能依赖某个资深员工完成的判断，能不能逐渐被团队重复使用？
第一次跑通，只能说明这条工作流可以运行。
它一定还需要继续调整的。有些规则会变，有些边界需要重新划分，有些原来认为可以自动处理的情况，测试以后会发现需要人工参与。
这部分工作并不显眼，也不像工具演示那么直观，但它决定了工作流最后能不能留下来。
最后
AI 能不能接住业务，取决于公司有没有把原来的判断讲清楚。
如果这些判断依然藏在老板和少数资深员工脑子里，AI 最多省下一些整理和操作时间。
遇到真正重要的问题，最后还是会回到原来那几个人身上。
而当你的公司愿意把判断依据、适用规则和责任边界慢慢拆出来，情况才会发生变化。
资深员工积累的经验，不必再依赖他本人重复处理。老板也不需要参与每一个细节，可以把注意力留给真正需要他作决定的异常和取舍。
谢谢你的支持。
让我们一起，系统出海。
——宋小紫