我把 AI 往生意里接的这两年，最有用的一次认知调整是：停止给 AI 派任务，开始给它交一份工作。任务有始有终，工作带着一个持续的期待。这个差别决定了 AI 在一门生意里到底只是省下几小时人力，还是改变了这门生意对市场变化的反应速度。下面我拿一个我认为最有说服力的样本来拆——一家没有门店、日流水约 9000 美元的移动柴油维修公司。
我为什么盯上这个案例
样本来自 The Boring Marketer 的作者 James，他和合伙人经营 Diesel Dudes，在夏洛特和哥伦比亚两地做移动柴油维修：没有店面，客户车坏了打电话进来，他们把技师直接派到现场。
我看重它的原因很直接：这是一门彻底不 AI 的生意。它的关键指标是电话响不响、活接到没有、技师多久到现场。凡是在这种场景里成立的做法，搬到别的行业通常也成立；凡是只在 AI 公司里成立的做法，往往只是自己人玩自己人。
James 那句总结我认为值得记下来：没人想跟 AI agent 聊天，大家只想把活干完。
任务和工作的差别，落在责任归属上
这三年问题问法变了三次。前年在问「AI 能做什么」，去年在问「我能派给 AI 哪些任务」，现在该问的是「AI 真能把这活儿干成吗」。
| 任务 | 工作 | |
|---|---|---|
| 形态 | 有明确起点和终点 | 附带一个持续的期待 |
| 举例 | 分析这批通话、写这篇内容、看一下这堆数据 | 确保我们没在丢有效客户、保持本地曝光、找到新的营收机会、让派单更高效 |
| 完成标志 | 交付物出来了 | 那个商业结果被持续照看着 |
差别不在技术难度，在责任归属。任务做完就结束，工作是一个需要长期盯住的结果。我自己的判断标准很粗暴：如果这件事你交给一个人，你会给他定 KPI，那它就是工作，不该被当成任务派出去。
最有说服力的证据：一条产品线是被数据发现的
这门生意高度依赖电话，商业情报全都藏在通话里。他们的做法是每天夜里让 AI 跑一遍所有通话录音，逐条判断七件事：
- 这是一个合格的商机吗
- 客户需要什么服务
- 在哪个位置
- 什么类型的车或设备
- 是否落在服务和覆盖范围内
- 这单拿下了吗
- 如果没拿下，输在哪
关键在于，交给 AI 的工作定义没有停在「分析通话记录」上。它被写成了这一句：确保我们没有漏掉有效商机，并在客户需求发生变化时告诉我们。
这个定义直接长出了两笔新生意。数据里浮现出一批来电属于二十来台车的中小车队——这种规模不足以养一个全职技师，于是他们开始设计车队维保套餐。重型设备的需求也是同样方式被发现的，随后加大了那块的投放。
我认为这才是整个案例的分量所在。省人力那部分我不太在意，人力做同样的通话复盘也能发现这些规律，代价是要等某个人在几十通对话之后碰巧把它们串起来。AI 把「碰巧」变成了「必然，而且是明天早上」。
他们目前交出去的六份工作是这样分布的：
| 生意需要什么 | AI 负责什么 | 拿到什么 |
|---|---|---|
| 别再丢掉有效商机 | 分析通话，找出好机会为什么没转化 | 流失机会清单 + 原因 |
| 找到新需求 | 在客户对话中识别有意义的模式 | 新服务、新市场、新机会 |
| 保持营销活跃 | 把技师作业现场的照片做成品牌内容 | 可直接发布的素材 |
| 提升本地可见度 | 找到相关的名录和引用位机会 | 可执行的具体机会 |
| 管理口碑 | 盯评价并准备回复 | 待审批或编辑的回复 |
| 让派单更容易 | 把故障地点、覆盖范围、技师匹配起来 | 最佳下一步动作 |
真正的价值在「信号 → 行动」这条链上
每一门生意每天都在产生信号：客户在说他们想要什么，销售通话在说你为什么丢单，评价在说客户喜欢和讨厌什么，搜索数据在说人们在找什么，投放数据在说什么有效。团队只要正常干活，就会不断生成有用信息。
问题在于这些信号绝大多数变不成行动。中间必须有人注意到它、判断它重不重要、想清楚该做什么、然后真的去做。这条链有四个环节，每一环都可能断，而且通常断在第一环——根本没人注意到。
AI 能把这条链整体压缩。落到这家公司身上是这样：
通话 → 需求模式 → 新的产品套餐客户评价 → 回复已备好技师完工 → 内容已备好本地可见度缺口 → 名录机会被推到面前故障地点 → 合适的技师被筛出来机会并不在把现有的活干得更快。真正的收益是让这门生意对内部正在发生的事更敏感。
我交一份工作时会先定义的七件事
这是我从这个案例里提炼出来、现在自己也在用的框架：
| 要素 | 要回答的问题 |
|---|---|
| 目标 | AI 要为哪个商业结果负责 |
| 感知 | 它需要哪些信息才能理解正在发生什么 |
| 职责 | 它需要持续盯住或照看什么 |
| 判断 | 哪些决定它可以自己做 |
| 行动 | 发现问题后它实际能做什么 |
| 升级 | 什么时候必须让人介入 |
| 度量 | 我们怎么知道它干得好不好 |
七条加起来，更接近在公司里给一个人分配职责，而不像给软件下一道指令。
我要特别点出后两条。现在多数 agent 搭建停在「目标 + 行动」，没有定义什么时候必须叫人，也没有定义怎么算干得好。缺了升级，一次错误动作就会让人对整套系统失去信任；缺了度量，跑三个月之后没人说得清它到底有没有用，然后它就被悄悄弃用了。这两条也是把专家判断沉淀成可执行规范的关键环节，展开可以参考《FDE 企业落地方法论：从专家知识到 SOP》。
感知那一条通常是工程量最大的，因为它要求把通话、评价、工单、投放数据这些散在各处的源接进来。这部分的技术选型，我在《MCP、Skill、连接器、CLI、Tool Call 有什么区别》里拆过。
人被叫进来之前，系统应该已经做完了大半
这套东西跑起来之后，交互界面反而变得极简。他们有个 agent 字面意义上是半夜起来干活，James 早上醒来时活已经干完，等着他审核和发布。
需要人类判断时，摆到面前的只有这么几行：
我们发现了这个机会。 这是证据。 这是建议的做法。 批准吗？
或者：
来了一条评价。 这是建议的回复。 批准 / 编辑。
要紧的是人被叫进来之前发生的一切：系统观察了正在发生什么、做了分析、判断了什么重要、准备好了下一步动作，然后才把人拉进循环。AI 干活，人在真正要紧的地方提供判断——这跟「AI 一次协助你完成一个任务」完全是两种关系。
街边生意不需要变成 AI 原生公司
现在有大量讨论在教所有人怎么用 AI。我认为机会的另一面被系统性忽略了。
绝大多数街边生意根本不关心现在哪个模型最聪明、最新的 agent 框架叫什么、AI 会不会变成员工必须再掌握的一门学科。他们关心的问题相当无聊：电话响不响，活接到没有，有没有漏掉好客户，广告赚钱吗，跟进了吗，有没有在增长。
所以这里可能藏着 AI 更大的那块机会：把智能塞到老板们本来就需要完成的工作底下，无需先把每个人训练成 AI 高手。我在《企业AI转型：项目为什么亏钱，钱在哪儿》里算过账，这类客户的预算和交付形态跟大厂项目完全是两套逻辑。
自检问题只有一句，我建议直接拿去用：
公司里还有哪些活，需要有人先注意到某件事、理解它、决定怎么办、然后推动它发生？
那大概就是 AI 该去干活的地方。
我建议的四步落地顺序
如果你现在就想在自己的生意里试，我的顺序是这样：
- 先把信号源列出来。 通话录音、聊天记录、工单、评价、搜索词、投放报表、退款理由，凡是每天在自动产生、且现在没人系统性看的，全部写下来。
- 只挑一个最贵的信号动手。 判断标准是「这条信号被漏掉一次，损失多少钱」。绝大多数生意的答案会落在丢单原因上。
- 按七要素写清楚职责，尤其把升级和度量写死。 度量最好用一个能每月对账的数字，比如「本月被识别出的合格商机数 / 实际跟进数」。
- 第一版只做到「待批准」为止。 让它准备动作，别让它执行动作。等你连续两三周都在无脑点批准，再考虑把哪些低风险动作放开自动执行。
三个常见误区
一、把 AI 装在最显眼的地方，忽略了最贵的地方。 很多人第一反应是做客服机器人，因为它最像 AI。但客服往往处在流程末端，而钱通常漏在更靠前的环节——比如线索没被判定为合格、跟进没发生。
二、用「AI 能不能做」当立项标准。 更好的标准是那句自检：这件事现在是否依赖某个人碰巧注意到。依赖人类注意力的环节，才是自动化收益最高的地方。
三、以为需要先把数据治理好。 这个案例里的输入就是原始通话录音，没有 CRM 规范化、没有数据中台。先让 AI 从最脏的原始信号里跑出一个能用的结论，比先花半年做数据治理更容易活到见效那天。
小结
把 AI 接进一门现有生意，我认为只需要拧动一个开关：从「我今天派给它什么任务」换成「我把哪个商业结果交给它长期照看」。剩下的都是这个开关的下游——七要素定义职责，信号到行动压缩链条，界面收敛成批准和编辑两个按钮。
顺带说一句判断趋势的话。AI 能力本身正在快速通缩，谁都能调用同一批模型；能力被封装进具体的商业结果时才重新有定价权，这跟我在《个体依靠内容赚钱的八个方向拆解》里看到的分化方向是一致的。生意人最终不会按 AI 听起来多聪明来评判它，他们评判它的方式和评判其他一切东西一样：这活儿干成了吗。