企业如何用好 AI：能力、权限与工作的边界

一、主讲人与议题背景

《The Artificial Intelligence Show》第 251 期是一期约五十一分钟的 AI Answers 听众问答，讨论企业将 AI 引入实际工作时遇到的难题，并非嘉宾访谈。节目元数据列出的主持人是 Paul Roetzer 与 Mike Kaput，但本期开场口播介绍的搭档是 Paul 与 Kathy McPhillips，并说明 Kathy 并非取代 Mike。本期观点应归于实际发言者，元数据中的常规名单不能作为出场记录。

Paul 在开场介绍自己是 SmarterX 与 Marketing AI Institute 的创始人兼首席执行官，Kathy 则是 SmarterX 的首席营销官。节目主要由 Kathy 提问、Paul 即兴回答，Kathy 也补充了客户关系与内部使用经验。理解两人的观点，需要结合他们各自的组织角色，以及日常接触的业务问题。

问题来自 Intro to AI、Scaling AI 课程及其他听众投稿，集中在工具限制、团队能力和实施选择。节目同时推广 SmarterX 的 AI Academy，为其中反复出现的教育、工作坊和业务人员培训建议提供了商业语境。这些讨论包含主持人的经验、应用设想与预测，并非独立产品评测，也没有提供完整的企业实施研究。

二、本期主要内容

企业采用 AI，往往需要回答比“能不能用”更具体的问题：员工需要哪些能力，模型可以接触什么信息，哪些判断能够委托，输出是否会直接影响外部世界。面对 SOC 2 控制、HIPAA 义务等约束，Paul 建议先理解治理相关方的顾虑与监管要求，同时积累符合这些边界的用例。理解治理与探索业务机会可以并行，不必等所有复杂问题都有答案，才开始学习。

他的医疗系统例子涉及营销、销售、客户成功、运营、人力资源和财务。Paul 估计，这些业务职能中可能存在数千种机会，但这不是经过逐项核实的数量，也不意味着这些部门天然不涉及敏感信息。这一估计意在鼓励组织从更具体的任务寻找机会，不能替代对输入数据、使用方式及合规要求的判断。

工具能力不足，是他讨论的另一种阻力。Paul 认为，熟悉个人版 Claude 或 ChatGPT 推理与智能体功能的员工，可能发现工作中获准使用的工具明显落后。他建议通过高管教育，把受限能力与业务增长、潜在回报联系起来，让管理层理解限制带来的业务取舍。这并不意味着每项限制都源于认知不足，也不能据此认定开放前沿工具必然产生净收益。

影子 AI 使这种张力变得具体。Paul 回忆，在一家大型企业的工作坊中，一名负责提供模型访问、设置护栏的员工，也在使用个人账号完成工作。结合其他交流，他认为这种行为似乎相当普遍，同时承认它很难衡量：调查需要当事人主动承认自己的使用行为。这些定性观察揭示了正式规则与实际需求之间可能存在的脱节，无法据此计算企业界的影子 AI 使用比例。

讨论智能体时，Paul 将问题分为可靠性、自主性和人类参与程度。他设想了一个二十五步的营销发布流程：十五步按照用户设定的规则执行，十步由模型规划、创作或细分名单。同一流程中，确定性自动化与模型判断可以并存，因此监督方式需要落实到步骤，不能只凭“智能体”这个名称决定。

Paul 建议从低自主性或后果风险较低的应用开始。例如，一个每天查看营销数据、向内部人员提交分析的代理，在不对外分发、不直接利用数据触发行动、也不默认结果完全正确的前提下，可以作为较低风险的起点。他还介绍，SmarterX 为员工提供 Gemini、Claude 和 ChatGPT 许可，合计约每人每月六十美元，同时集中控制 CRM 与财务系统的连接。允许使用工具和允许访问业务数据，是这里分别作出的两项决定。

在学习安排上，他倾向于让多数员工先熟练掌握一个平台，由成熟团队持续比较不同平台，但明确表示这并非所有组织都适用的方案。他更进一步的设想，是让代理主动发现网络研讨会注册量上升，将其与 LinkedIn 广告联系起来，再建议采取行动，并提供替代文案。工具由此从等待指令转向主动提出建议。不过，广告案例仍是设想，他对这类能力在六个月内进入企业的判断也是预测，并非已报告的部署结果。

三、核心观点：推理、例子与边界

企业治理 AI，需要落实到具体步骤及其权限。Paul 设想的二十五步流程中，十五步按规则执行，十步涉及模型判断，两者需要的监督并不相同；规则明确，也不意味着输入数据没有风险。每日营销分析的例子进一步区分了自主性与行动后果：代理可以自行分析，却暂时没有对外发送或执行的权力。分清这两层，组织才能在增加能力的同时，保留清楚的控制点。

影子 AI 同样暴露了能力与权限之间的张力。Paul 在工作坊中遇到的情况说明，即使负责设置护栏的人，也可能觉得获准工具无法满足工作需要。治理因而需要回应实际需求，但这个故事无法说明影子 AI 的总体发生率。高管教育可以帮助管理层看清限制工具能力所涉及的取舍，具体的数据连接和行动权限仍需逐项判断。SmarterX 的多平台安排则展示了探索与集中控制如何并存：员工可以使用多种模型，关键业务系统的连接由组织统一管理。每人每月约六十美元是 Paul 报告的自身配置，不能直接作为其他公司的采购基准。

谁来构建工作流，是本期一项影响更长远的判断。Paul 将前线部署工程师描述为进入企业、识别流程问题并搭建 AI 方案的技术人员，并将这一模式的普及归于 Palantir。他认为这类岗位目前很重要，同时预测，经过充分培训、具备战略思考与批判性思维能力的业务人员，未来一至两年可能减少对他们的依赖；未来五年，集中服务各业务部门的业务构建团队可能变得常见。

这项预测建立在两个判断上：业务人员熟悉问题，工具又在降低原型开发门槛，因此部分需求解释与构建工作可能向业务端靠近。Paul 举出的快速生成可操作原型的例子，说明构想更容易被展示，却没有证明原型已具备生产环境所需的可靠性，也没有交代持续维护与责任归属。节目同样没有给出 IT、HR 与业务负责人之间的完整分工。业务理解在构建中的分量可能上升，但技术岗位何时、在何种程度上减少，仍取决于这些条件。

构建工具更容易使用，也不意味着每一步都需要先进模型。Paul 指出，OCR、RPA 与智能体能力正在融合，但明确的 if-then 任务往往可以交给传统自动化。他进一步区分优化与创新：优化从现有任务、流程和目标出发，让工作更好、更快、更便宜；创新则追问整条流程乃至岗位是否还有存在的必要。他提到的三成流程可自动化、每月可省十小时，都是用来说明分析方法的示例，不能视为企业可以预先计入的收益。

企业主的时间瓶颈还涉及经营选择。面对横跨交通、旅游和酒店业务的提问，Paul 首先建议经营者决定是否增员；若希望维持较少员工，再检查重复、依赖数据且耗时的工作，并评估员工的 AI 成熟度。Kathy 补充，快速回答客户可以减轻压力，但经营者仍需辨认哪些交流承担着维护关系的作用。减少操作时间，不一定能同步减少老板必须亲自作出的判断。

对服务商而言，AI 的使用边界首先需要在合同中说清。Paul 建议在创作前确认使用限制、披露义务、客户批准要求和版权转移安排。这些是他建议检查的事项，并非对具体合同效力的法律结论。谈及 Marketing Studio 时，他明确表示自己只看过预告片，尚未深入研究，因此这部分只能视为初步判断。至于定价压力，他与 Kathy 都曾听营销高管谈到将外包工作收回内部：当客户知道 AI 承担了主要制作环节，服务商可能更难维持原有的制作价格。

Paul 也认为，即使客户有能力自行完成，仍可能愿意购买可信外部伙伴的执行与判断。培训和工作坊是他提出的另一条业务路径，但前提是能够盈利并持续增长，不能仅凭转向教育就认定收入会更稳定。主持人讨论 HubSpot 内嵌 AI 如何利用已有业务数据和内容表现数据，也解释了客户自行制作的条件为何可能改善；节目并未量化这会让外包需求下降多少。

关系沟通中的 AI 分工，也不止于决定由谁写文字。Paul 强调沟通的真实性，但不确定高校与非营利组织是否一定比其他组织承受更高期待。在他设想的应用中，代理定期整理一个人的公开访谈、演讲和播客，寻找相关的联系理由，起草消息，再由人完成最终沟通。这种方式可以用于筹款、销售、客户成功和基于账户的营销。它旨在提高联系的相关性，但节目没有提供采用后提升捐赠、销售或信任的结果。

Paul 对写作的选择则说明，效率还可以用交付之外的标准衡量。他估计，在模型、知识、记忆和历史背景充分，且内容不大量依赖个人轶事的条件下，AI 可以完成他约百分之九十五的相关写作，读者可能难以分辨。这是他的个人估计，不能推广为人类写作可被替代的比例。他仍亲自写作，因为形成理解、建立信心也是写作的产物。即使已有 AI 会议摘要，两位主持人也继续自己记笔记。Paul 认为打字有助于自己记忆，并指出转录无法完整保留会议的语气与停顿。这些经验解释了他们为何保留学习过程，却不构成普遍学习效果的研究证据。

四、学习与应用

将本期讨论用于组织试点，可以先选一条边界清楚、有人复核的流程。按照 Paul 对自主性与风险的区分，逐步明确输入来自哪里、判断由规则还是模型完成、结果交给谁，以及系统能否触发外部动作。内部分析可以先停留在建议层，由人员核实后再决定行动。明确这些条件，才能判断一个用例是否适合作为低风险起点；部门名称或工具已经采购，都不足以单独作出判断。

平台安排可以分别处理学习与系统连接。多数员工先用一个平台练习真实任务，少数成熟使用者比较多个平台对同一问题的处理，再另行判断是否开放 CRM、财务等连接。这有助于集中学习投入，同时保留比较机会，但每个组织仍需决定是否有必要采用 SmarterX 的三套许可配置。改造流程时，也可以先区分规则明确的步骤与需要解释、判断的步骤，再分别考虑如何改善现有流程，以及是否需要重新设计流程，避免只加快本来就没有必要的工作。

对希望展示 AI 能力的求职者，Paul 建议从目标公司的职责、目标和 KPI 中选择问题，研究相关公开材料，再制作公司专属的原型或样例分析。上市公司的财报与业绩电话会是他列出的材料来源；如果公司目标来自模型推断，就应保留这一说明。候选人需要亲自核实内容，并能解释为何选择这个问题、结果如何使用、还有哪些局限。在组织内部推动 AI，也可以沿用这种业务案例思路。十页演示文稿、十五分钟会议只是他举出的表达形式，关键是呈现一项可供决策者评估的改变。

项目管理作品集可以围绕 Paul 设想的跨部门发布场景展开：准备来源明确的进度信息，让系统标记可能延误的事项、提出待确认问题，并起草沟通内容。Paul 表示自己使用 Asana 及其内置 AI，但不确定是否连接了 ChatGPT；能够诊断延误、建议行动并起草沟通的项目管理控制中心，是他想象中的应用。若要声称节省时间，需要比较实际操作与复核所需的时间。节目中由 AI 完成二十步中的十步、节省约五小时的例子是假设，不能直接引用为作品集成效。他还建议用 Jobs GPT 探索特定项目管理岗位可能发生的变化，这可以帮助提出问题，不能替代对目标岗位真实要求的了解。

服务商在创作客户作品前，应先厘清 AI 使用限制、披露与批准要求，以及版权转移安排，再说明客户购买的究竟是制作、外部判断还是能力建设。对于希望自行完成工作的客户，可以尝试培训；对于仍重视可信伙伴的客户，则需要说明人工判断在交付中承担的作用。两条路径都要检验实际盈利能力、增长空间与交付范围。筹款、销售、客户成功和基于账户的营销等关系型工作，也可以将 AI 用于整理公开资料、寻找联系理由和起草消息，再由人核实内容、完成沟通。草稿更贴合对象，并不能单独证明关系质量已经提高。

需要建立专业理解的工作，可以保留亲自组织论点或记笔记的环节。这一建议来自 Paul 的个人选择，适用于学习过程本身有价值的任务，不意味着所有文字都应手工完成。判断时可以考虑：文字交付之后，作者是否还需要独立解释、讨论并运用其中的内容？Paul 亲自写作、两位主持人继续记笔记的做法，都与这种后续需要有关；其效果仍属于个人经验。

预算应从真实用量出发。Paul 认为，将 token 或算力额度纳入待遇谈判的情况，目前主要集中在 AI 研究领域，也可能出现在软件开发领域，非技术岗位求职者仍属少数。他报告，自己的组织大约每三天就会出现一次 ChatGPT 追加用量请求，也反复遇到 HubSpot 积分限制，因此建议考虑二〇二七年的 token 预算。组织可以据此记录哪些任务触及额度、额外使用带来了什么可核验产出，再讨论资源配置。节目没有提供通用配额、预算金额或回报基准，不能把他的团队使用频率换算为所有员工的额度，也不能将更多消耗直接视为更高贡献。

来源

• 原始节目：Ep. 251: Forward-Deployed Engineers, Shadow AI, Owner Bottleneck, AI on Your Resume & Token Budgets