老板不亲自用 AI，很难做好企业 AI 改造

我在教员工和朋友使用 AI 时，遇到最多的问题出在描述环节：点按钮和记提示词公式都难不倒他们，可当一件真实工作摆在面前时，他们不知道该怎么把问题说清楚。

有人只告诉 AI：「帮我优化一下。」有人把一项涉及多个角色、几份资料和不同判断的大任务一次性丢进去。结果不理想，就得出结论：AI 不好用。

因此，我认为企业准备做 AI 改造之前，老板或管理者应该先亲自、持续地使用一段时间。目标是获得做决策需要的一手认知：哪些问题只是没有说清楚，哪些任务可以继续拆，哪些地方需要数据和流程支持，哪些决定不能交给 AI；至于提示词水平，够用就行。

没有这层认知，企业很容易走向两个极端：要么相信 AI 什么都能做，要么试过几次就认定它什么也做不了。

「不会提问」不只是不会写提示词

一次企业 AI 入门培训的反馈里，多位参与者提到不知道怎样提问，也不知道应该提供哪些背景资料。这只是一次培训中的匿名反馈，不能代表所有员工，却和我平时看到的情况相近。

很多人说自己不会提问，实际卡在三个地方。

第一，不会描述现状。他知道自己「不满意」「很麻烦」或者「做不出来」，但说不清正在处理什么、目前做到哪一步、具体卡在哪里，以及手上已经有哪些材料。

第二，不会定义结果。他希望 AI 「给个方案」，却没有说明这份方案给谁看、用于什么决定、需要多详细，以及什么条件下才算能用。

第三，不会拆解任务。一个问题里可能同时包含资料整理、原因判断、方案比较、风险检查和最终决策。他希望 AI 一次给出正确答案，却没有先把问题拆到可以验证的程度。

所以，「会提问」不是记住角色、背景、任务、格式等词语。它更接近一种工作能力：能把模糊的不满变成清楚的问题，再把问题变成可以处理和检查的任务。

我自己使用 AI 时也经历过很多失败。有时候答案不对，是因为背景不够；有时候任务太大；有时候输入材料本身互相冲突；还有些事情，AI 确实做不了，或者即使能做，也不该让它独立完成。

反复试错以后，我很少再把复杂问题原样丢给 AI，等待一个最终答案。我通常会沿着一条更朴素的路径处理：

大问题可以先拆成小问题，小问题还可以继续拆。拆到输入、输出和检查标准足够清楚时，AI 才真正有机会参与。

如果这样处理以后仍然解决不了，过程也不是白费。至少可以更准确地知道：缺的是数据、流程、专业知识、系统权限，还是需要找人帮助。这比一句「AI 不好用」更接近问题本身。

培训可以告诉员工哪些信息不能上传，哪些对外内容、金额、合同和客户承诺必须人工确认，也可以教一个基础提问模板。但「知道 AI 能做什么」和「能把 AI 放进自己的工作」，中间还有一段距离。

AI 的很多边界，不是听懂一次就能掌握。真的拿它处理资料，才会发现少一项背景可能让结果完全不同；让它比较两个方案，才会看到它可能把没有依据的判断说得很确定；把结果拿回工作现场，才知道哪些内容可以采用，哪些只能作为草稿。

有效的使用需要形成反馈循环：

真实任务 → 得到结果 → 检查错误 → 补充信息或缩小任务 → 再验证

使用次数多不一定自然变强，但真实任务加上复盘，会让人逐渐建立对能力与风险的判断。

老板不需要比员工更会操作 AI，也不应该代替员工完成日常工作。但企业要不要投入、从哪个场景开始、哪些风险可以接受，以及供应商的演示能不能进入真实业务，这些判断最终都需要管理层参与。

如果管理者自己没有使用过，只能依赖两类二手信息：一类是工具和服务商展示的最好结果，另一类是员工几次使用失败后的主观感受。这两类信息都不够。

亲自使用一段时间以后，管理者至少能多问几层：

管理者亲自使用 AI 的价值就在这里：不必亲自实施，但在投入企业资源之前，应该先获得不过度相信、也不过度否定的判断力。

个人体验当然不能替代企业改造需要的其他工作。员工访谈、流程梳理、数据准备、权限管理、责任人和验收标准，仍然一个都不能少。亲自使用，只是让这些决定不再完全建立在想象上。

与其一开始讨论「全公司怎样 AI 化」，不如先选一个管理者自己负责、风险可控的问题，完成一次小实验：

如果一个问题连现状、目标、输入和判断标准都说不清，先不要急着采购工具。把问题讲清楚，既是在帮助 AI，也是在帮助企业重新看见自己的业务。

当问题已经被描述和拆解得足够清楚，仍然需要数据、系统、跨部门协作或专业实施时，才应该进入正式的企业 AI 场景诊断。