做了不少 AI 提效工具后，我发现自己可能一直在解决错问题
过去一段时间，我一直在尝试把 AI 应用到实际工作中。
从搭建 Coze 智能体、设计自动化工作流，到利用 AI 处理资料整理、信息分析和一些重复性的工作任务，事事尽量让AI承接了，前前后后也做了不少尝试。
这些事情确实带来了效果。有些原本需要大量人工处理的工作，现在可以借助 AI 更快地完成；一些工具也真正进入了实际工作流程。
所以很长一段时间，我其实默认了一件事：
只要 AI 能帮我们把原来的工作做得更快、更好，它就是在创造价值。
但随着接触的 AI 应用场景越来越多，我开始产生一个疑问。
我们也确实能做出很多好用的提效工具，也能说清楚它们帮我们节省了多少时间、减少了多少重复劳动。
可如果把视角拉高到整个业务，我却发现一个更难回答的问题：
这些局部的效率提升，究竟是怎么一步步传导到公司的营收、利润，或者某一个真正重要的业务结果上的？
换句话说，我们一直在用 AI 优化工作，但业务本身是否真的因此发生了改变？
这里并不是否定提效的价值，而是我开始意识到，工具层面的效率提升和企业整体的业务改善，可能是两件不同的事情。
这个问题我一直没有完全想明白。
直到最近看到一个企业 AI 改造的视频，才让我开始重新审视自己过去的思路。
一个我认为很值得做的 AI 项目，他们居然没有优先做
这个视频讲的是给「程前朋友圈」这家公司做 AI 改造。
他们的内容生产流程非常复杂。一条内容从判断、策划、拍摄、剪辑到最终成片，可以拆分成 14 个大环节、32 个小环节。单条内容的成本可能达到十几万甚至几十万元，制作周期短则一个半月，长的甚至超过半年。
其中有一个环节，叫作「划稿」。
一次采访可能录制四到六个小时。导演需要完整看完这些素材，从中挑选出最有价值的部分，再整理成供剪辑团队使用的文字脚本。
一名熟练导演完成一次划稿，可能就需要六个小时以上，而一条片子还经常要经历十次以上的修改。
看到这里，我的第一反应就是：
这不是一个非常明显的 AI 提效场景吗？
如果通过 AI 把原来六个小时的工作缩短到一个小时，甚至半个小时，那么节省的时间不是很可观吗？
按照我过去的习惯，看到这样的场景，大概率已经开始研究怎么把工具做出来了。
但视频里的光羽却提出了一个不同的判断：先别做。
原因是，一个环节让人觉得很痛苦，并不代表它就是当前最应该优先解决的问题。
他们没有立即开发 AI 工具，而是先花了三天时间，对内容制作、生产流转、账号运营、商业化等关键岗位进行深度访谈，再将这些信息整理成一张完整的业务地图。
随后，他们把发现的问题分成战略、策略、底线和优化等不同类别，重新判断优先级。
最后得到的最高优先级，居然不是划稿，也不是剪辑。
而是选题。
为什么？
因为对于这样一家内容公司来说，一旦决定制作某条内容，就意味着十几万甚至几十万元的投入，以及几个月的制作周期。
视频中提到，他们每提出 100 个候选选题，可能只有 3 个左右最终能够通过筛选。
如果最初选错了方向，后续即便策划再完善、拍摄再专业、剪辑效率再高，也未必能够获得理想的传播效果和商业回报。
相比之下，把划稿从六小时压缩到半小时，虽然能够减轻工作负担，却不一定能显著改善最终的业务结果。
看到这里，我突然意识到：
我们过去可能太习惯寻找那些「能够用 AI 优化」的环节，却没有先弄清楚，这个环节究竟值不值得被优先优化。
两者看似相近，实际对应着完全不同的判断标准。
我们以前最习惯问的问题，可能是「哪里能用 AI？」
回过头看，很多 AI 提效项目的思路其实都很相似。
哪里耗时？哪里存在大量重复劳动？哪个岗位需要处理很多信息？哪些工作可以交给 AI 自动完成？
然后再问：
AI 能不能做？
这套方法当然没有错，而且特别容易获得正反馈。
原本需要两个小时才能完成的工作，现在只要二十分钟；以前需要人工整理的资料，现在可以自动处理；原来要花半天时间查找的信息，现在几秒钟就能得到结果。
工具一旦投入使用，改善往往非常直观。
我们还可以进一步统计工具的使用人数、调用次数、节省工时，以及减少了多少人工操作。
这些数字能够很好地说明工具本身的价值。
但这里面其实隐藏着一个很容易被忽略的前提：
局部效率提高，是否就意味着企业整体的经营结果变好了？
假设某个员工原本每天需要八个小时完成的任务，现在通过 AI，五个小时就能处理完。
但客户数量没有变化，交付能力没有提高，收入和成本也没有发生明显改变。
那么，节省出来的三个小时，究竟转化成了什么？
当然，这并不代表节省时间没有价值。减少重复劳动、降低工作负担，本身就是有意义的改善。
但如果我们讨论的是企业层面的 AI 改造，就不能只停留在「提高了多少效率」。
还需要进一步回答：
这些效率提升，是否真正作用到了企业想要改善的业务结果上？
这让我开始意识到，企业 AI 改造不能只从「AI 能做什么」出发。
而是应该先问：
我们希望通过 AI，最终改变什么？
但「以后应该聚焦增长」，可能也不是正确答案
刚看完这个案例的时候，我很容易得出一个简单的结论：
过去太关注提效了，以后做 AI 改造，应该更多关注增长。
但仔细想想，这个答案其实仍然有问题。
为什么一定是增长？
假设一家企业前两年扩张得太快，现在最大的问题是订单已经很多，但交付能力跟不上，导致客户投诉不断增加。
那么它当前最重要的事情，可能根本不是继续获取订单，而是先把交付质量稳定下来。
还有一些企业，营收规模已经不错，但毛利率始终很低。它们真正需要解决的，可能是成本结构和盈利能力。
除此之外，质量、风险、现金流、研发周期、客户满意度，都可能成为企业当前最重要的经营目标。
所以，企业 AI 改造不应该被简单理解成「从提效转向增长」。
更准确的说法应该是：
先明确企业当前最希望改善的业务结果，再决定 AI 应该解决什么问题。
这个结果可以是增长，也可以是利润、效率、质量或者风险。
重要的不是它具体叫什么，而是它是否真的是企业当前优先级最高、并且能够被清晰定义的目标。
甚至别人告诉你的「目标」，也可能并不是真正的目标
这里还有一个很容易踩的坑。
比如，一个业务负责人提出需求：
「我们现在需要提高剪辑效率。」
如果直接按照这个需求开始做，很容易把注意力放在剪辑工具上，研究怎么通过 AI 缩短剪辑时间。
但现在，我觉得至少应该再往下追问几步。
为什么要提高剪辑效率？
因为目前一条视频的制作周期太长。
为什么制作周期太长会成为问题？
因为团队每个月能够完成的内容数量有限。
为什么一定要生产更多内容？
因为公司希望获得更稳定的流量，以及更多商业合作机会。
问到这里就会发现，「提高剪辑效率」可能根本不是最终目标。
它更像是业务负责人已经预设好的一个解决方案。
真正的目标可能是：
在不降低内容质量的前提下，提高能够产生商业价值的有效内容产出。
这两个表述看起来差别不大，但它们会直接影响后续的工作方向。
如果把目标定义成提高剪辑效率，那么很容易从一开始就把问题锁定在剪辑环节。
但如果目标是提高有效内容产出，值得研究的就可能是选题、嘉宾筛选、制作流程、内容分发，当然也可能最终仍然是剪辑。
区别在于，我们不再提前假定答案。
所以我现在觉得，做业务分析时有一个很重要的原则：
不要把别人提出的解决方案，直接当成需要解决的问题本身。
知道目标以后，真正困难的事情才刚刚开始
到这里，又会遇到一个新的问题。
即使我们已经明确了企业当前最重要的 Goal，也就是业务目标，接下来怎么知道，到底是什么限制了这个目标的实现？
「抓主要矛盾」这句话大家都会说。
但问题是：
凭什么判断它就是主要矛盾？
为什么前面那个案例认为选题比划稿重要？为什么不是剪辑、账号运营或者商业化？
总不能只是因为「选题听起来更重要」，就直接把它排在第一位。
如果最后所谓的主要矛盾，仍然只是依靠某个人的经验判断，或者负责人自己拍板决定，那么这套分析方法其实还不够可靠。
顺着这个问题继续拆解，我接触到了一个很有帮助的工具：Driver Tree，也就是业务驱动树。
它提供了一种与传统寻找痛点不同的思考方式。
不是先收集公司有哪些问题，再从中挑选一个进行优化。
而是先明确我们最终想要的结果，再反过来拆解：
这个结果，究竟由哪些因素共同决定？
从结果往回拆，而不是从痛点往前找
假设一家内容公司当前最重要的目标是营收增长。
那么首先需要理解，它的营收是怎么形成的。
为了方便分析，可以先将营收简化成：
商业合作数量 × 平均合作收入
商业合作数量又受到什么影响？
可能是流量规模、品牌影响力，以及商务转化率。
流量规模受到什么影响？
可能是内容发布数量，以及单条内容的平均传播效果。
再继续往下拆，内容传播效果又可能受到选题、嘉宾、内容质量、标题和分发策略等因素影响。
这样一层一层向前追溯，最后就能逐步建立一张业务结果的驱动关系图。
当然，这张图并不意味着所有关系都已经得到证明。真实业务中的很多因素并不是简单的乘法关系，还需要结合具体数据进行分析。
但它至少帮助我们回答了一个很重要的问题：
我们最终想要的业务结果，是通过哪些环节和变量共同形成的？
只有理解了这些关系，才有基础进一步判断：
其中哪些因素，最有可能成为当前限制业务发展的关键。
这也让我认识到了另一个很重要的概念：
「痛点」和「约束」，其实不是一回事。
一个环节很痛，不代表它就是关键约束
这个思路可以借助约束理论（Theory of Constraints）来理解。
约束理论有一个重要的观点：一个系统最终能够实现多大的产出，往往受到少数关键限制因素的影响。
举个简单的例子。
假设一条生产线有五道工序，其中四道工序每小时能够处理 100 件产品，但有一道工序每小时只能处理 20 件。
那么，即使把其他四道工序的效率继续提高，整条生产线的最终产出，也未必会明显增加。
因为真正限制系统产能的，是那个每小时只能处理 20 件产品的环节。
放在企业 AI 改造中，道理也是一样的。
一个岗位经常加班，说明它的工作负担很重；一个流程需要反复手工处理，说明存在效率问题。
但这些现象都不能直接证明，这个环节就是企业当前最应该优先解决的关键约束。
痛点描述的是局部存在什么问题，而约束关注的是这个问题是否限制了系统的最终结果。
一个衡量的是具体环节的工作状况，另一个衡量的是对整个业务系统的影响。
这两者并不必然一致。
如何判断一个问题，是不是真正的关键约束？
后来我发现，有三个问题特别适合用来检验一个候选约束。
第一个问题：如果这个问题明天彻底消失，最终业务结果会发生多大变化？
比如，划稿原来需要六个小时，现在突然只需要一分钟。
导演当然能够节省大量时间，制作流程也可能因此有所改善。
但整个公司的内容商业化结果，是否会发生显著变化？
不一定。
再换一种情况。
如果选题判断能力大幅提高，团队能够在正式投入之前，提前筛掉大量低价值的内容方向。
那么，在相同的资金、人力和时间条件下，是不是可能产出更多真正有效的内容？
如果答案是肯定的，那么选题与最终业务结果之间，就可能存在更强的关联。
这实际上是在做一种反事实推演：
如果改变这个变量，最终结果会不会随之改变？
当然，仅靠这样的推演，还不能证明因果关系成立，但它能帮助我们判断哪些因素更值得进一步验证。
第二个问题：如果其他地方都改善了，唯独这个问题没有改善，业务是不是依然会受到限制？
假设剪辑效率提高了三倍，拍摄效率提高了 50%，策划流程也明显优化。
但团队依然持续选择错误的选题。
那么最终可能只是：
用更高的效率，生产出更多没人看的内容。
如果是这样，选题就很可能构成一个真正的业务约束。
不过，反过来也一样。
假设有一天，团队手里已经拥有大量经过验证的优质选题，但由于剪辑产能不足，导致大量内容无法按时发布。
这时候，剪辑也可能成为新的约束。
所以这里还有一个非常重要的认识：
企业不存在一个永恒不变的主要矛盾。
当某个关键约束得到改善以后，系统可能会继续受到下一个因素的限制。
企业改造并不是找到一次主要矛盾就结束，而是一个持续识别、解除和重新识别约束的过程。
第三个问题：这个环节的改善，能否沿着一条相对清晰的因果链，最终影响业务目标？
比如，「剪辑师工作太累」，只能说明这个岗位存在工作负担。
但如果我们进一步发现：
剪辑产能不足 → 大量已经确认有价值的内容无法按时发布 → 内容供给不足 → 商业合作机会损失 → 营收受到影响。
那么，剪辑效率与最终营收之间，就建立起了一条可以进一步检验的因果路径。
这时候，剪辑才真正具备了成为关键约束的理由。
所以现在我理解的「抓主要矛盾」，已经和以前不太一样。
它不是从一堆问题中挑出看起来最严重的那个。
而是：围绕最终目标，反向追踪那些真正可能限制系统结果的关键变量。
但还有一个问题：我们真的能够确定自己找到了主要矛盾吗？
假设前面的工作都已经完成了。
我们做了业务访谈，梳理了流程，建立了 Driver Tree，也分析了不同环节与最终目标之间的关系。
最后是不是就可以说：
「我们已经找到主要矛盾了。」
我觉得，这句话还是说得太早了。
更严谨的说法应该是：
根据目前掌握的证据，我们认为 X 最有可能构成当前的关键约束。
注意，这里依然是一个假设。
因为企业不是一道能够直接计算出标准答案的数学题。
真实业务会受到很多因素共同影响，很难通过几次访谈、一些历史数据和几张流程图，就百分之百证明某个变量一定是决定性的。
即便我们已经建立起相对合理的因果解释，也不意味着它在现实业务中一定成立。
所以，分析真正能够帮助我们完成的，是提出一个更有依据的判断。
至于判断是否正确，还需要通过实际实验来验证。
也正是在这里，我对 MVP 有了新的理解。
我们可能也低估了 MVP 真正的价值
以前谈到 MVP，我最先想到的是产品开发中的最小可行版本。
不要一开始就做庞大的系统，而是先实现最核心的功能，尽快让产品跑起来。
这当然没有错。
但放在企业 AI 改造的场景下，我觉得 MVP 还有一个更重要的意义：
用最低的成本，验证当前最关键的不确定性。
假设我们认为，选题判断能力不足，是当前限制内容业务发展的一个关键因素。
那么最不合理的做法，就是还没有验证这个判断，就直接投入大量时间和资源，开发一套完整的 AI 选题系统。
更合适的方式，是先设计一个小范围的验证实验。
比如利用历史选题数据，对 AI 的判断能力进行回测；或者在真实业务中进行小规模测试，观察改进后的选题流程能否提高有效内容的比例。
如果实验发现，选题能力确实能够改善，再进一步观察这种变化是否会影响最终的业务结果。
如果结果不理想，也可以及时调整方向。
这样一来，我们就不会因为某项技术能够实现，便提前投入大量资源去开发完整工具。
从这个角度看，我越来越喜欢一种对 MVP 的理解：
MVP 本质上是在「买信息」。
用一笔相对较小的投入，换取能够影响下一步决策的重要信息。
比如，我们之前的判断是否成立？AI 是否真的能够改善这个因素？这个因素发生变化以后，最终结果又是否会跟着改变？
如果假设被推翻，至少避免了更大的无效投入。
如果假设得到支持，才有理由继续扩大投入。
这比单纯理解成「先做一个简陋版产品」，要深入得多。
进一步想，AI 改造可能还不只是找到约束、提高效率
讨论到这里，我又产生了一个新的问题。
AI 本质上也是一次生产技术的变化。
那么，人类过去经历蒸汽机、电力、计算机等技术变革时，企业有没有面对过类似的情况？
当一种新技术出现以后，企业究竟应该如何调整，才能充分发挥它的价值？
于是我和AI交流发现，电气化早期的工厂改造，是一个很有启发性的例子。
早期工厂主要依靠中央蒸汽机提供动力。
蒸汽机通过传动轴和皮带，把动力输送到不同的生产设备上。由于动力需要集中传输，整个工厂的设备布局，也会受到这种结构的限制。
后来电动机出现了。
如果站在当时一家工厂的角度，最自然的改造方式可能就是：
把原来的蒸汽动力换成电力。
新技术当然可能带来效率提升，但如果仍然沿用原来的中央传动结构，那么整个工厂的生产组织方式，其实没有发生根本变化。
而当独立电动机逐渐得到应用以后，新的可能性出现了。
既然每台机器都可以获得独立动力，为什么还要围绕中央传动轴来布置设备？
为什么不能直接根据生产流程，把机器安排在更合适的位置？
原材料从哪里进入，先经过哪一道工序，再流向哪个环节，最后如何完成装配，都有机会重新设计。
到了这个阶段，电力带来的改变，已经不只是动力效率本身。
它开始改变整个工厂的生产方式。
这个历史类比让我重新思考，今天很多企业正在做的 AI 改造，可能也存在类似的情况。
我们今天很多所谓的「AI 改造」，可能还停留在替换原有工作环节
以前人工写文案，现在用 AI 生成。
以前人工整理资料，现在用 AI 归纳。
以前人工处理表格，现在通过自动化工作流完成。
以前需要员工逐一回复客户咨询，现在让 AI 参与处理。
这些变化确实能够提高效率，也可能带来实际收益。
但如果仔细观察，会发现一个共同点：
原来的业务流程，很多时候并没有发生太大变化。
只是其中一部分原本由人工完成的任务，现在交给了 AI。
原来需要经过哪些部门，依然需要经过哪些部门；原来按照什么顺序流转，依然按照原来的顺序流转。
从某种程度上来说，这有点像早期工厂只是把蒸汽机换成了电动机。
新技术已经进入企业，但原有的组织方式还没有因此发生根本改变。
那如果继续往下思考呢？
既然 AI 已经能够参与信息理解、内容生成、辅助判断，甚至在一定边界内执行任务，那么原来的业务流程，是否还有必要完全保持过去的样子？
原来需要多个岗位反复传递的信息，有没有可能重新组织？
过去必须串行完成的任务，是否能够通过新的方式进行协同？
那些围绕人工处理能力建立的岗位分工，是否有重新调整的空间？
这些问题，已经不只是研究某个工作环节能不能通过 AI 提效。
而是在进一步思考：
有了 AI 以后，企业原本的业务流程，是不是可以被重新设计？
当然，这不意味着所有企业都需要推翻原有流程，也不是说局部提效就不值得做。
真正需要调整到什么程度，仍然取决于企业当前的业务目标，以及改造成本和预期收益。
但我觉得，至少应该认识到这两种不同层次的改造方式。
一种是在原有流程中寻找 AI 可以提高效率的环节。
另一种则是基于 AI 带来的新能力，重新思考整个业务应该如何运转。
后者才有机会释放出一些仅靠局部提效难以获得的价值。
到这里，我也不再把「提效」和「增长」对立起来了
回过头看，最开始我很容易认为，过去的问题是太关注提效了，所以以后应该聚焦增长。
但经过这一轮思考，我发现这种二分法本身就有问题。
真正应该区分的，根本不是「提效」和「增长」。
而是「局部优化」和「系统结果」。
假设一家公司的订单很多，但交付能力严重不足。
那么，提高交付效率，本身就是在改善企业当前的关键约束。
再比如，销售团队每天能够获得大量客户线索，但由于人手有限，只能跟进其中一小部分。
如果通过 AI 自动化提高了有效线索的处理能力，那么销售提效就可能直接推动业务增长。
还有前面的内容公司。
如果团队已经拥有足够多的优质选题，但剪辑环节成为了产能瓶颈，那么提高剪辑效率，反而可能是当前最值得做的事情。
所以，问题从来不是提效重不重要。
而是：
我们提高的这个效率，是否真正作用在当前限制业务结果的关键环节上？
如果答案是肯定的，那么提效本身就可能产生非常大的业务价值。
如果不是，那么即便做出了大量好用的 AI 工具，也未必能够显著改善企业整体的经营结果。
再回头看，我开始理解从「AI 提效」到「业务改造」究竟差在哪里
以前，我们很容易按照这样一条路径开展 AI 项目：
哪里耗时，就优化哪里；哪里重复，就自动化哪里；哪个环节适合 AI，就尝试把工具做出来。
最后，我们可能获得很多好用的 AI 工具，也确实改善了不少具体工作。
但现在，我觉得还需要在技术实现之前，增加一层更完整的业务思考。
首先，明确企业当前真正希望改善的业务结果。
然后理解这个结果是如何形成的，从结果往回拆解，建立业务驱动关系。
在此基础上，识别那些最有可能限制目标实现的关键约束，并利用实际证据检验这些判断。
接下来，再通过低成本的 MVP 实验，验证 AI 是否真的能够改善这些约束，以及改善以后能否对最终业务结果产生影响。
只有到了这一步，我们才能更有依据地决定，AI 究竟应该介入哪个环节。
如果条件允许，还可以进一步思考，是否应该基于 AI 的新能力重新设计原有业务流程。
当然，这并不是说每一个小工具都必须经过如此完整的分析过程。
对于一些需求明确、成本很低的提效场景，直接开发和使用完全合理。
但如果讨论的是企业层面的 AI 改造，特别是需要投入较多资源、期待产生实质性业务改善的项目，那么这些前置判断就非常重要。
我越来越觉得，随着 AI 能力不断增强，会写 Prompt、会 Vibe Coding、会做 Agent，这些「怎么做」的技术能力，会变得越来越容易获得。
而真正值得积累的，反而是另外一种能力：
理解业务、判断问题、识别约束，以及决定什么事情值得做。
以前更多是在思考，如何把 AI 这项新技术应用到原有的工作流程中。
而现在，我开始觉得，在决定 AI 应该介入什么地方之前，可能还有一个更重要的问题：
我们有没有先真正理解，这个业务系统是如何运转的？
它当前最希望获得什么结果？哪些因素正在限制这个结果？哪些环节值得优先投入资源？
以及更进一步：
当 AI 已经能够完成越来越多原本依赖人工的任务时，整个业务流程是否还应该按照过去的方式运转？
也许，这应该才是从「用 AI 做提效工具」，逐渐走向「让 AI 真正融入业务」时，最值得转变的思考方式。