我不太想把做 AI 的价值，建立在“我比别人更会用几个工具”上。
会用工具当然重要。模型更新得再快，真正能把要求说清楚、把结果用起来的人，仍然比只会打开网页随便输入两句的人走得更远。但如果一项工作每次都要重新解释要求、搬运结果、盯住下一步，工具再多，人还是那个负责把一切串起来的人。我更想解决的，是这部分反复发生、却很少被当作一个整体处理的工作。
这也是我为什么把注意力从营销执行，转向企业 AI 工作流。不是不关心内容和创意了，而是不想只让其中一个环节变快，最后却把衔接的负担全部留给人。单次生成可以很漂亮，单个工具也可以很顺手，但如果它们之间没有关系，人就得一直站在中间，把上一段的结果翻译成下一段能听懂的话。这种翻译工作消耗掉的精力，往往比我们愿意承认的要多得多。
单次生成很漂亮，不代表整项工作做得好
工具生成得更快，不等于整项工作更快。我认为，评价 AI 的价值，不能只看它交出来的那一份结果，还要看为了得到和使用这份结果，人额外做了多少事。
很多演示都会把最好的一屏截出来给人看：一段文案、一张图、一个表格、一段总结。它们单独出现时确实不差。但真实工作很少在那一屏结束。一份内容被生成出来之后，还要经过整理、修改、确认、交付，再进入下一段流程。如果每一步都要靠人重新打开一个页面、复制一段文字、检查一次格式、再手动发给下一个人，那么前面节省下来的时间，很快就会被后面的搬运消耗掉。
举个假设的场景：一篇内容用 AI 写完，还需要另一个工具做图，再手动核对文字、整理文件、交给人审核。每一步单独看都有帮助，但前一步的结果未必能直接交给后一步。文字里改了一处，图上的标注是不是也要跟着改？文件命名变了，审核人手里的旧版本是不是已经作废？这些信息如果只存在于某个人的脑子里，工作就没有真正被接起来。改了一处，其他地方是否也要跟着改，仍要有人记住。
如果只是把模型能力拆成一个个网页或 App，团队得到的仍是需要人工衔接的半成品。这里的问题不一定是模型不够聪明，也可能是任务之间没有建立清楚的关系。模型可以生成质量更高的内容，可以更准确地理解指令，但如果没有一个结构告诉它“这一步完成之后应该发生什么”，它的能力就只能在单个节点上发挥，而无法沿着真实工作往前推进。
我更在意的，是一项工作能否沿着明确的步骤继续往下走：需要什么材料，产物交给谁，哪里必须由人判断，出问题后从哪里接着做。对我来说，这比多一个生成按钮更值得投入。生成按钮解决的是“能不能做出来”，工作流解决的是“做出来之后怎么办”。后者看起来不那么性感，却更接近日常工作的真实状态。
我想减少操作，但不想把判断也交出去
我不把“全自动”当作唯一目标。自动化节省的是重复劳动，不是判断本身。
重复劳动和判断是两件不同的事。整理材料、按固定格式保存、把结果送到审核位置，这些可以尽量减少人工操作。它们有明确规则，有固定路径，不需要每一次都重新想一遍该怎么做。把这些步骤交给系统，人可以省下时间去做更需要思考的部分。但内容是否准确，表达是否合适，花费是否值得，能不能公开发布，不该因为前面的步骤已经自动完成，就顺带变成默认同意。
自动化的危险不在于它做得快，而在于它让“已经做完了”看起来像“已经做对了”。一个流程如果从生成到发布中间没有任何停顿，人很容易就不再追问：这个结论有没有依据？这句话会不会引起误解？这个方案是不是真的适合现在的情况？当系统一路顺畅地跑完，顺畅本身会变成一种说服力，让人觉得既然没有报错，大概就没有问题。
工作流里必须保留人工审核和客户控制权。好的自动化应该把需要人决定的地方讲清楚，而不是让人失去控制，再用一句“模型就是这样”解释结果。模型可以给出建议，可以完成初稿，可以整理材料，但它不能替人承担后果。一个内容发出去之后，谁来为它的准确性负责？一个决策被执行之后，谁来判断它是否仍然合适？这些问题的答案不能是“系统没有提醒我”。
我也不认为一项失败的任务应该无限重试。需要知道它停在哪一步，已经产生了什么结果，再判断继续做有没有意义。有些错误重试一次就能解决，有些错误重试十次也不会变好，反而会消耗掉大量时间和资源。能看懂、能暂停、能接着做，在我看来，都是可用性的一部分，不是做好之后再补的细节。一个真正可用的工作流，不应该是一台只能往前冲、不能停下来看的机器。它应该让人知道现在走到哪里了，已经完成了什么，接下来要做什么决定。
不是每个团队都需要一套更复杂的系统
客户的技术能力并不相同，具体工作也不一样。我不赞成一上来就给所有人套一整套方案。
做 AI 工作流的人很容易陷入一种惯性：既然我能搭一套完整系统，那就应该让每个客户都用上。但“能搭”不等于“需要”。有现成技术团队的，可能只需要把模型接进已有流程，他们缺的不是系统，而是某个环节上更合适的接入方式。缺少实施能力的，才更需要有人一起梳理步骤和部署方式，他们需要的不只是一套工具，还有把工具放进日常工作的路径。也有一些问题，本来就可以通过一个简单工具解决，没有必要为了用 AI 而把事情做复杂。
复杂性本身不是价值。一个系统如果让人花在维护上的时间比它节省的时间还多，那它就不是在减少负担，而是在制造新的负担。我的判断是：先把真正重复发生、交接成本又高的部分找出来，再决定值得做多少自动化。偶尔才做一次的工作，保留人工操作也完全合理。不是所有事情都值得写进流程，也不是所有流程都值得交给机器。判断的标准不是“能不能自动化”，而是“自动化之后，人是不是真的更轻松了”。
做工作流不是增加一层系统，而是要有理由地减少原来的负担。这个“理由”必须来自具体工作本身，而不是来自我们想卖什么。模型接入、流程实施或帮助客户自己迭代，都应该回应具体需要，而不是因为我们能提供，就全都推给对方。企业的业务可以从这个选择里生长出来，但这个判断不能反过来只为推销业务服务。如果一套方案的存在理由只是“我们正好有这个产品”，那它从一开始就站错了位置。
我更想做的是让工作接得上
这并不是说单个 AI 工具不重要。生成质量不够，后面的流程再顺也没有用。如果模型输出的内容本身不能用，那么无论衔接做得多好，人还是得回到原点重新来一遍。我只是更想把注意力放在另一层：一个结果出来以后，它怎么进入真实工作，怎么被检查，又怎么交到下一步。
大多数人对 AI 的期待，集中在“它能不能做得更好”。这当然重要。但“更好”如果只发生在生成的那一瞬间，而没有延续到后续的检查、修改、确认和交付中，它的价值就会在传递过程中不断流失。一份漂亮的初稿，如果因为格式不对要重做，因为没有人确认而搁置，因为找不到来源而无法使用，那它和一份普通初稿的差别，并没有想象中那么大。
工作流关心的是那些被忽略的缝隙。一次生成结束之后，下一次是否还要从头解释一遍？一个结果完成之后，下一个环节是否知道它已经准备好了？一个问题出现之后，人是否知道该从哪里接手？这些缝隙看起来很小，但当它们大量重复出现时，就会变成工作中最消耗人的部分。人不是在做判断，而是在做连接；不是在创造，而是在搬运。
未来我也希望把其中一些方法做成更容易使用的工具，但这是接下来想做的事，不是现在就可以承诺的现成产品。我还在观察哪些环节最值得被固定下来，哪些判断必须留在人手里，哪些重复劳动可以真正被省掉。这些问题的答案需要在具体工作中慢慢形成，而不是在计划阶段就全部写好。
从营销执行走向企业 AI 工作流，对我来说，更像是把关注点从“这次怎么做出来”，往前推到了“下次还要不要从头再做一遍”。内容和创意仍然重要；我希望人能把更多精力留给这些需要判断的地方，而不是一直充当工具之间的连接线。工具应该接住那些可以交给它的部分，人应该回到那些只有人能做的部分。这样的分工，才是我理解的“用 AI 做好工作”，而不是“用更多 AI 做更多事”。
如果要用一句话说清我的选择：我更看重的，不是 AI 又能多生成什么，而是它能不能让一件事更顺畅地做完。单次生成再漂亮，如果每次都要靠人把一切重新接起来，那它带来的就不是效率，而是另一种形式的重复。让工作真正接得上，让判断留在该留的地方，让重复的部分不再反复消耗人，这才是我愿意把时间投入进去的方向。