这篇文章想说明:方向让你激动,条件才让你活下来。
年底定明年的数字化盘子,会议室里有三句话,我记到现在。
老板说:别研究了,先干起来,边干边改。
一位做企业服务的朋友说:你们现在花的钱都在做执行自动化,那是在补信息化时代的作业。AI 的价值在中层的分析决策,执行那一层交给软件和 RPA 就够了。
而我自己心里清楚:他说的那类事,我们确实最该做——分单、排产、缺货怎么调,一次判断压住几十个下游动作。但我们确实做不了,因为算这些事要的字段,我们一半还没有。
三句话放在一起,谁都没错,可谁都不能直接用。这篇文章就是拆这件事:为什么这两句都对,又为什么都用不上,以及补上什么之后它们才变得能用。
一、第一句:错的不是顺序,是被换掉的那个主体
“我们这代老板从小被教‘谋定而后动’,AI 时代得反过来,变成‘谋动而后定’。”
这句话听着很痛快,但它做了一件很隐蔽的事:把谁在决策换掉了。
“谋定而后动”约束的是拍板的人——要不要把这笔钱、这批人、这条产线压上去。而“谋动而后定”说的是做事的人——边做边调。这两件事不在一个层级,换顺序并不能解决它们之间的矛盾。
真正决定该快还是该慢的,不看时代,要看可逆性:
- 可逆的事——试点、话术、表单、报价策略、拜访节奏:错了能退回来,就该快,扔出去试。
- 不可逆的事——合同条款、器件选型、工序安排、验收签字、税务处理:压进去就退不回来,就该慢,得多算。
“AI 时代所以要快”是把方法当口号。我这行恰好是最不能快的那一类:一个供热工程几百万到上千万,固定总价签死;反馈要等供暖季结束进结算才回来;管道装上了、机组进场了、字签了,没有回滚这一说。在这类事上“先扔出去”不是迭代,是把决策风险从会议室挪到施工现场。
而且有个更反的地方:AI 恰恰让“想透”变便宜了。
方案比选、数据测算、可行性推演、原型搭一版,这些原来要两周的事,现在两个小时能出草稿。既然“想透”的成本降了一个数量级,按逻辑就该谋得更狠,而不是少谋。原话说“边干边想,比想透了再干快得多”——AI 把思考变便宜了,你反而不思考,这个方向是拗的。
正确的版本应该是:该谋的谋得更透、更快,把省下的时间全部放到验证上。 原来两周想、一个月干,现在两天想、一个月干,省下的十二天不该拿去少想,该拿去多试几个真场景。
二、第二句:错的不是层级,是被省略掉的数据
第二个说法更专业:企业能力分两层,一线是重复执行,是软件和 RPA 的地盘;中层是分析决策,是 AI 真正的位置。甲方现在拿 AI 干执行,乙方拿工作流套 AI,都不对。
它有三个例子,都很实:
- 一个商机来了,分给哪个销售赢率最高?
- 供应商突然缺货,怎么调采购和生产,才能保交期、少损失?
- 新产品研发,能不能优先用掉仓库里的呆滞物料?
这三件事确实是企业每天在发生的,也确实是过去靠部门负责人凭经验拍的。但这段话里有三个地方我认为站不住。
第一,分层的刀切错了位置。
正确的切法是“AI 做判断,代码做动作”,不是“AI 只做判断、不进执行链”。过去执行不归 AI,是因为执行要确定性,而确定性本来就该由规则和代码保证;AI 的不确定性恰恰应该被锁在“判断”那一步,由代码去落地。
所以 AI 不是不做执行,它是站在执行的源头。把 AI 关进“中层分析决策”,结果就是它离动作最远、价值最难兑现,最后往往变成一份没人执行的 PPT。
第二,中层决策权是中层的命根子,交不出去,而且不是因为技术。
决策的价值,一半在答案,一半在担责。AI 不担责。所以现实里它必然退化成“AI 给建议、人拍板”;而人一旦不是完全信任,就只在“AI 跟我一致的时候采纳”。
这叫确认偏误的自动化:它不提升决策质量,它只让人更快、更自信地重复自己原来的判断。这是决策类 AI 最大的风险——不是算错,是让人更自信地犯原来的错。
第三,那三个例子,卡住的地方不是 AI 能力,是数据颗粒度。
- 商机分给谁:要历史赢率、销售能力画像、客户类型标签。多数企业的 CRM 里,“输单原因”是空字段,或者统统填“价格”。
- 缺货调产:要实时库存、在途、替代料、产能负荷。这四份数据通常在四个系统、四种口径。
- 呆滞料优先用:要物料通用性图谱。这个东西几乎没企业有。
结论很朴素:决策类 AI 的门槛比执行类高一个数量级。它要求全链路结构化,而执行类只要单点闭环。企业总是先做执行类,不是认知落后,是数据只长到那一步。
三、把两句放在同一张表里,就能看清它们漏了什么
这两句听着相反,其实省略的是同一个东西:条件。
| 你听到的建议 | 它听起来像在争论 | 它实际替换掉了什么 | 真正的判据 | 什么条件下才成立 |
|---|---|---|---|---|
| 别研究了,先干起来 | 决策节奏之争,快还是慢 | 谁在决策;错了能不能退回来 | 可逆性 | 错了可撤回、代价可控、反馈回路短 |
| 别做执行,AI 的价值在决策 | 能力分层之争,执行还是决策 | 数据从哪来;谁为结果负责 | 数据完备度 × 杠杆率 | 做这个判断要的字段真实存在、口径统一 |
看第二列和第四列的差别,就是全部问题所在:它们给的是方向,缺的是条件。 方向能让人开会时热血,条件才能让人在签字时不慌。
四、补上条件,判断就变成一张能用的表
把两个判据合起来——这件事错了能不能退回来,和做这个判断要的数据够不够——四个格子,对应四种做法:
| 数据够、能算 | 数据不够、算不清 | |
|---|---|---|
| 影响大、退不回 | 先在沙盘里推演,小范围灰度,别直接全量 | 最危险的一格:又退不回又算不清。别动,先补数据 |
| 影响大、退得回 | 现在就做,一次试几版,用真实反馈收敛 | 边做边攒数据,AI 先出建议、人来兜底 |
| 影响小、退得回 | 交给规则和代码,不必包装成 AI 项目 | 不做,性价比不够 |
这张表能直接回答“明年这笔钱该花在哪”,而且它把两句建议各自的正确用法都保住了:右上那种可逆又算得清的事,就是“先干起来”最该用的地方;左上那种高杠杆但数据不够的判断,就是“AI 该做决策”最该指的地方——只是顺序得反过来,先补数据,不是先上模型。
五、回到自己那摊事
拿这张表过一遍我手上的事,结论比我预想的清楚:
- 合同条款、器件选型、施工工序、验收签字:影响大、退不回,数据也不完备——落在最危险那一格。这一类别交给 AI,也别“先干起来”。
- 报价策略、客户话术、拜访节奏、投标文件初稿:影响不小但退得回,数据在一点点攒——现在就能扔出去试,试错就是攒数据的过程。
- 分单、排产、缺货调产:影响最大,数据最差——最该做,也最不该现在做。它缺的不是模型,是三个字段:历史赢率、替代料关系、产能负荷口径。
- 表单校验、发货通知、对账、台账汇总:影响小、数据齐——交给规则和代码,别把它包装成 AI 项目去立项。
真正需要判断力的地方,其实只有一句话:你手上那件“最该做”的事,卡在哪一格。
六、为什么这类句子特别容易被信
因为它们描述的痛是真的。
大公司确实有过度规划病:审批链把“谋”变成政治过程,一层层会签,最后谋出来的东西跟现场没关系。企业也确实在拿 AI 做表单、做通知、做那些本该由代码干的活。痛感真实,所以结论就显得可信。
第二个原因更微妙:省略了条件的句子,才够绝对,才够好传播。 “谋动而后定”比“可逆的事要快、不可逆的事要慢”好记十倍;“AI 擅长决策不擅长执行”比“AI 做判断、代码做动作、数据要全链路”好记十倍。好记的那一版,恰好是把条件删掉的那一版。
所以判断力不在于接受这类句子,在于给它加回条件。加不回去的,就当口号听,别当依据用。
开会时讲方向,签字前看条件。
说明:文中引用的两句观点分别来自公开场合的表述与企业服务从业者的观察,均有出处,本文只做方法与条件层面的讨论,不评价提出者本人;涉及的企业与业务细节已隐去。判断表为本人在项目制制造企业的实践归纳,不构成通用结论。