AI场景价值分析方法：不要从“AI能做什么”开始

从2025年初的DeepSeek-R1横空出世，讨论很多的是大模型能力、知识库、智能wen答、Agent，企业关心的是“AI能不能用”；现在开始追问另一个更加现实的问题：投入了这么多资源，AI究竟给企业带来了什么？

我认为这是一个必然的变化。但“价值兑现”是结果，不是方法。

如果我们只是把“寻找AI场景”换成“寻找高价值AI场景”，本质上并没有解决企业AI落地的问题。因为AI并不会因为接入了一个业务系统、上线了一个Agent，就自动产生业务价值。

真正需要回答的问题是：AI究竟改变了企业的什么，才finally产生了价值？

这也是我近期在项目和课程准备过程中一直思考的问题。我的结论是：不要从“AI能做什么”开始，而应该重新回到企业每天真实发生的业务活动。

一、企业并不缺AI场景，缺的是从场景走到价值的方法---AI价值兑现

today让一家企业列AI应用场景，其实并不困难。智能客服、知识助手、合同审核、财务报销、会议纪要、代码生成、设备预测性维护、智能排产、营销内容生成……很快就可以列出几十个甚至上百个。但真正进入实施阶段以后，问题就来了。“财务报销+AI”究竟是什么意思？

是用AI识别发票？自动填写报销单？判断费用类别？检查费用标准？识别异常报销？辅助领导审批？还是自动生成会计凭证？这些完全是不同的问题。

如果只是把“财务报销”定义成一个AI场景，我们其实还没有真正进入业务。因为场景本身不是AI工作的min单位。真正能够被技术改变的，是场景里面一个个具体的工作活动。

所以我越来越认为，企业AI落地不应该首先从模型能力出发，而应该从企业真实的工作方式出发。这也是我提出“AI场景价值分析方法”的出发点。

二、从业务价值一直拆到基本的工作活动---AI价值兑现

一个企业场景之所以存在，一定是为了产生某种业务结果。报销是为了完成费用确认和支付；采购是为了获得企业经营所需要的资源；客户投诉处理是为了解决客户问题并维持客户关系；IT故障处理是为了恢复受到影响的服务。

因此，分析AI场景的第一步不是问：这里能不能上AI？而应该先问：这个场景究竟要创造什么价值？today又是如何完成的？沿着这个问题继续向下，可以得到一条很清楚的分析链条：

这张图看起来并不复杂，但我认为它解决了企业AI落地中一个很容易被忽略的问题，AI与业务价值之间，其实隔着很长的一条传导链。在大多数企业应用场景中，AI并不是直接产生经营价值，而是首先改变具体工作活动的完成方式。

AI首先改变的是一个具体工作活动的完成方式；工作活动发生改变以后，才可能改变流程的时间、成本、质量和风险；流程绩效发生变化以后，才可能改善业务场景的整体效能；finally，这些变化才有可能转化成企业能够感受到的经营价值。如果中间这条链条说不清楚，那么所谓的“AI价值”往往也很难真正说清楚。

三、先别急着用AI，先看看哪些工作根本不应该继续存在---AI价值兑现

这是我认为AI场景分析中特别容易被忽视的一步。

把一个场景的Workflow画出来以后，不应该马上研究哪个节点可以使用AI，而应该先逐项审视：这个工作为什么存在？

有些活动直接创造业务价值；有些活动本身不创造客户价值，但因为财务、合规、风控或者内部管理的要求必须存在；还有一些活动，可能只是过去组织分工、系统割裂或者管理习惯长期累积下来的结果。

例如重复录入、重复核对、重复审批，在多个系统之间搬运同一份数据，为了弥补前一个环节信息质量不足而增加一道人工检查……

如果一个Activity本来就没有存在的必要，那么比较好的AI方案不是“让AI把它做得更快”，而是把它取消。

这是我认为企业讨论AI效率时需要保持的一点克制。不要用先进的AI，去自动化一个原本就不应该存在的工作。所以在AI进入流程之前，我更愿意先做一次Value Analysis。该删除的删除，该合并的合并，该简化的简化。剩下来的，才是真正值得研究的工作。

四、剩下的工作，本质上在做两件事：Decision与Execution---AI价值兑现

这是这套方法中我目前极为关注的一层。当Workflow被拆解到足够细的原子活动以后，我尝试用一个非常简单的问题去分析每一个Activity：

这个活动是在“做一件事”，还是在“决定做什么”？

前者，我称为：Execution——执行。

后者，我称为：Decision——决策。

这里的“决策”并不只是管理层意义上的重大决策。

判断一张发票是否合规，是Decision；判断一个工单应该分派给哪个团队，是Decision；判断一个合同条款是否存在风险，是Decision；判断设备当前的异常是否需要停机，也是Decision；同样，“执行”也不onlyonly是人的操作。

采集数据、查询系统、填写表单、发送通知、生成凭证、调用接口、执行脚本、归档资料，本质上都属于Execution。以一个极普通的员工报销场景为例：

当一个过去看起来完整而复杂的“报销场景”被拆到这一层以后，很多问题反而变得清楚了。

因为对于企业数字化和AI而言，Decision和Execution面对的是两类不同的问题。

五、传统自动化主要改变Execution，AI开始真正进入Decision---AI价值兑现

对于Execution，我们已经做了很多年的数字化。

原来员工手工录入，现在系统自动带入；原来人工转发，现在Workflow自动路由；原来运维人员登录服务器执行命令，现在Runbook自动执行；原来财务人工生成凭证，现在系统自动生成。

这条路径并不陌生：

Manual Execution → Standardized Execution → Automated Execution

所以很多所谓的“AI场景”，仔细分析以后甚至并不需要AI。

一个规则清楚、输入结构化、执行动作确定的工作，如果API、Workflow、RPA或者规则引擎已经能够稳定解决，就没有必要为了使用AI而使用AI。

AI真正带来明显变化的地方，是机器开始越来越深入地参与过去主要依靠人的认知完成的Decision。

过去系统擅长的是：如果A，那么B。

但企业大量真实的工作并没有这么简单。

• “这份合同有没有潜在风险？”

• “这笔费用虽然没有超标准，但是是否合理？”

• “客户的这次投诉真正的问题是什么？”

• “这个故障极可能的根因在哪里？”

• “供应商给出的解释是否可信？”

这些判断往往需要理解语言、上下文、历史信息、制度要求甚至经验。这恰恰是这一轮AI与过去传统自动化非常不一样的地方。所以，我更愿意把企业AI能力理解成两个不同方向的演进：

• Execution：从人工执行走向标准化和自动执行。

• Decision：从人工判断走向AI辅助判断，并在条件允许的情况下进一步走向机器自主判断。

这两个方向组合起来，才构成真正意义上的智能化工作流。

六、这也意味着：AI不是为了“把人替掉”---AI价值兑现

如果沿着这个模型继续分析，会得到一个可能更加重要的结论：并不是所有Decision都应该交给AI。

判断差旅住宿金额有没有超过公司标准，只要制度规则明确，完全可以由规则引擎自动判断，甚至没有必要使用大模型。

判断一份合同有没有出现某些风险条款，AI可以快速阅读大量文本、结合知识库给出风险提示和依据，但*终是否接受风险，可能仍然应该由专业人员决定。

而涉及重大授信、重大投资、人员任用、安全生产等高影响决策，即使AI能够提供很强的分析能力，也不意味着组织应该把finall决策权交出去。

因此，AI场景分析finall研究的其实不是：“AI能不能替代这个岗位？”

而是：“这个工作活动应该由谁，以什么方式完成？”

• 答案可能是：Human。

• 也可能是：Automation。

• 也可能是：AI-assisted Human。

• 甚至在风险可控、规则明确、技术成熟的情况下：Autonomous AI。

这才是我理解的人机协同。

它不是一句“AI不会替代人，会使用AI的人替代不会使用AI的人”的口号，而是具体到Workflow的每一个Activity，重新设计人与机器之间的工作边界。

七、last一步，才应该讨论用什么AI---AI价值兑现

这也是我现在越来越坚持的一个观点：技术选型应该是AI场景分析接近last的步骤，而不是di1个步骤。

我们today太容易反过来做。企业先知道了大模型，然后寻找大模型场景；知道了RAG，就开始建设知识库；知道了Agent，就开始寻找Agent应用；看到多模态，又开始寻找图片和视频场景。这很容易让技术能力反过来定义业务需求。我更倾向于另一条路线：

1. 先确定业务价值

2. 找到承载价值的业务场景。

3. 把场景还原成真实Workflow。

4. 把Workflow拆解成可以分析的Activity。

5. 先删除没有价值的Activity。

6. 判断剩余活动属于Decision还是Execution。

7. 分析当前由人完成还是机器完成。

8. 判断应该使用传统自动化、规则引擎、机器学习、大模型、RAG、Agent，还是根本不需要AI。

做到这一步，技术才能重新回到它应该处于的位置，即解决问题的工具，而不是企业AI转型的起点。

八、所谓“AI价值兑现”，finally兑现的还是业务价值---AI价值兑现

因此，我并不反对现在大家越来越强调“AI价值兑现”。恰恰相反，我认为这是企业AI开始走向成熟必须经历的一步。

只是价值兑现不能停留在一句“ROI导向”。真正的价值兑现应该能够沿着业务活动一直追溯：

• 某一个Activity发生了什么变化？

• Workflow的时间、成本、质量或者风险发生了什么变化？

• Scenario整体效能发生了什么变化？

• finally给企业带来了什么可以被验证的结果？

可能是减少了1000个小时的人工投入，也可能是把客户响应时间从一天缩短到十分钟；可能是降低了错误率，也可能是减少风险暴露；还可能是原来受制于人工能力无法规模化开展的业务，现在具备了规模化的可能。

只有这条因果链能够建立起来，我认为才真正完成了从AI Use Case走向AI Value Realization。

写在last---AI价值兑现

这一轮AI发展到today，我越来越觉得，企业真正需要解决的问题可能已经不是“还缺哪些AI场景”。场景并不难找。真正困难的是，我们有没有能力把企业每天正在发生的工作重新打开来看一遍：

• 哪些工作根本不应该存在？

• 哪些工作只是需要更加标准？

• 哪些执行活动可以交给机器？

• 哪些判断可以通过规则完成？

• 哪些判断需要AI理解和推理？

• 哪些决策AI只能提供辅助？

• 哪些责任仍然必须由人承担？

当这些问题被逐一回答以后，AI应该出现在哪里，反而没有那么神秘了。所以，我把目前正在实践和完善的这套思路称为：

AI场景价值分析方法（AI Scenario Value Analysis Method）

它的he心并不是教企业如何“使用AI”。

而是试图回答一个更加基础的问题：

在一个真实的业务场景中，究竟应该改变哪些工作活动、如何改变，以及这些改变finally为什么能够产生价值。

AI不是价值本身。AI改变工作的方式，工作的改变带来流程绩效的改变，流程绩效的改变finally才可能兑现为业务价值。这可能才是所谓“AI进入价值兑现期”之后，我们真正应该开始认真研究的事情。

数字安全 关注安言