前两天看了王自如和帆软 CEO 陈炎的一期访谈，主题是企业 AI 落地和数据治理。访谈太长，第一次看到一般睡着了，第二天又认真学习了一遍，很有收获，我又结合自己最近的一些工作做了复盘，有几个观点让我印象比较深。
第一个是企业做 AI 转型的三个要素：算力、算法和数据。
算力和算法都可以从外部获得，但真正有价值的，是企业内部的数据，以及这些数据背后的业务积累。AI 落地的门槛，不只是模型能力有多强，而是企业有没有足够优质的数据，能够让 AI 真正理解和参与业务。
访谈里有句话：
“外部算力大家都可以买到，外部算法大家也都可以买到，其实真正的是你要有内部数据、内部算法。”
今天下午在做营队的BOM表，就用了很深刻的体会。openduck其中两块我们自己画的电路板要生产，涉及到的电子BOM的整理，其实这两周一直在拖延，不想去完成，觉得有些繁琐。
今天想到开会时的学习，尝试让AI帮我先起步，因此就把这个项目的上下文建立起来，可以参考的BOM表的标准格式，以及我们的「电子料」、「非电子料」库，放到一个文件夹，再从嘉立创项目里直接导出嘉立创的出版BOM，让claude code融合在一起，很块就按照我们的格式搭建出来了，所有的元件都是从我们自己的库里找到的，链接还做了简化，而且没有的物料还会清晰的标注出来让我决定，很高效的就完成了，如果没有这些数据，自己可能要一个个检索查找，复制粘贴，因此很期待海军哥正在搭建的新版to agent的原材料数据库，以后的整理制作就会更加方便。
访谈中有一句话说得很直接：
“个人效率提升和组织效率提升，里面存在巨大的鸿沟。”
这让我想到，我们现在使用 AI，很多时候还是在解决个人效率问题。写文档、做 PPT、整理资料、生成方案，确实比以前快了很多。但个人效率提升，并不意味着组织效率也会同步提升。
把每个人的工作交给 AI，并不代表组织就会自动提效。如果原来的工作流程、协作方式和信息传递方式没有改变，AI 可能只是让每个人更快地完成原来做的事情，而不是让整个组织变得更高效。
这让我开始思考另一个问题：我们能不能让 AI 不只是帮我们做事，还能逐渐理解我们是如何做事的？
比如日常排课，遇到资源冲突、人员调整或者特殊情况时，我们通常会怎么判断？为什么这样安排？哪些条件是必须满足的，哪些地方可以灵活调整？
如果只是把过去的排课结果交给 AI，它可能只能模仿已有的结果。但如果我们能够把背后的判断逻辑、工作流程和标准沉淀下来，让 AI 学习这些经验，它就有机会在新的场景中做出更符合我们预期的判断。
另外还有一个观点：
“你这个智能化不能绕过信息化。”
尤其是过程数据，不能只保留最后的结果。每一次修改、每一个版本、每一次调整，都可能包含有价值的信息。对 AI 来说，这些过程记录也许比最终结果更能帮助它理解事情是怎么发生的。
还有一个概念让我很受启发：Human in the Loop 和 Human on the Loop。
以前是 AI 执行一步，人检查一步，再继续下一步，人在其中搬运数据，资料。最大的卡点其实是人的节点，因此这个阶段的组织，AI都在等你，人也会越来越累，但随着组织升级，未来随着业务流程和 AI 能力逐渐成熟，人可以更多地负责明确目标、下达完整指令，最后监督和验收结果，成为 human on the loop。
这并不是说人可以完全放手，而是人的角色可能正在发生变化：从具体任务的执行者，逐渐转向工作流程的设计者和 AI 的管理者。
从让 AI 帮我们完成工作，到让 AI 理解我们的工作；从提升个人效率，到重新设计组织的工作方式。
这可能是我现阶段对企业 AI 落地最重要的一点认识。
