作为顾问，我学到的最有用的 AI 经验之一，来自一个起初并不成功的项目。 一家中型区域零售商找到我，希望借助生成式 AI 实现客户营销的个性化。从技术层面看，这项技术确实奏效：它能快速、大规模地生成邮件内容。但业务结果却并非如此。 点击率始终停滞在 2.5%。文案内容显得千篇一律。更糟的是,AI 生成的语气偏离了公司原有的品牌调性。 这次经历让我更加确信一件事:在自动化一项重要工作流程之前，企业应先建立AI 失败预算。 失败预算界定了企业在 AI 工作流程学习过程中，愿意承受多少错误、返工、客户曝光风险和运营中断。它促使管理者在被 AI 理论上能实现的自动化前景吸引之前,先明确哪些风险是可以承受的。 面对这次令人失望的试点,我们并没有更换模型或直接判定 AI 不可行,而是回过头去分析问题究竟出在哪里。 问题在于客户细分做得太粗放，导致 AI 缺乏足够的上下文来生成真正有针对性的内容。同时,AI 生成文案的语气也比公司一贯的品牌风格更为正式。 这些经验促使我们调整了工作流程。我们将客户细分从 10 组扩展到 25 组，并重新校准了文案风格。三个月内，点击率提升了 25%，转化率提升了 15%，邮件带来的销售额最终也提升了 8%。 对我而言，最重要的不是这次改进本身， 而是那次早期的失败成本低、可见、且可以纠正。 这正是一份好的失败预算能带来的价值。 亮点自动化放大错误的速度,与放大生产力的速度一样快自动化之前，先问清楚：错误会落在谁身上AI 自主性越高，”何时该停下”的规则就必须越清晰最后的思考：失败预算，本质上是一份学习预算 https://open.spotify.com/episode/08Es7R90kLKAXtsbuWctLt?si=fd206e6f31e24ef6 自动化放大错误的速度,与放大生产力的速度一样快 许多企业的做法恰恰相反：先推行自动化，之后才摸索边界在哪里。 当 AI 系统的角色从”辅助员工做决策”转变为”自行做出或执行决策”时,这种做法尤其危险。 关于AI 工作流程设计的研究也指向同一个方向：真正从 AI 中获得更多价值的企业，靠的不只是给员工提供更好的工具，而是重新设计工作流程,明确 AI 该在哪里发挥作用、人类判断又该在哪里继续把关。 我在另一个项目中亲眼见识过把这条边界划错的代价。 一家医疗协会开始使用 AI 生成政策简报的初稿。表面上看，这似乎是理想的应用场景——AI 可以加速这类研究密集型的知识工作，让员工有更多时间专注于战略层面。 然而实际情况是，志愿医生们不得不花时间纠正其中不准确的临床引用和不相关的监管案例。原本应聚焦政策战略讨论的委员会会议，变成了逐字逐句的文字校对会。 AI…
Let’s Stay Connected
Join thousands of readers who already enjoy exclusive content—sign up today. It’s currently free!
