不是趋势布道，是真实业务里跑起来的 AI 工作流。
五个案例，全程拆解。
概念部分快过 · 有问题 Q&A 讲 · 重点在演示
AI 是一个知道很多答案的数据库
你问它 → 它查给你
AI 从来不知道答案。
它根据你给它的上下文，预测接下来最合理的内容应该是什么。
这个差别，决定了它擅长什么、不擅长什么。它很强，但它在"生成"，不在"查找"——这意味着它可能错，也意味着它能创造。
今天演示的五个案例，本质上都是这个结构——你给它一个目标，它去跑，你来验收。
AI 连接外部工具的"标准插头"——让 Agent 能调用搜索、飞书、CRM、数据库等第三方系统，而不是只在对话框里聊天。
给 Agent 预装的专项能力模块。把一套经过验证的流程打包成 Skill，Agent 直接调用这套"肌肉记忆"，稳定重复执行。
| 类型 | 具体表现 | 今天对应的案例 |
|---|---|---|
| 大量文本归纳分类 | 几十份文档 → 结构化结论，来源可追溯 | NotebookLM 数据分析 |
| 按规则执行重复动作 | 批量生成、定期监控，设置一次持续运行 | Banner 生成 |
| 模板生成内容变体 | 同一内容 → 多个版本 / 多种格式 / 多种受众 | TK 视频 |
| 给定框架内做规划 | 输入目标 → 输出结构化方案，标注待决策项 | 产品规划 独立站规划 |
| 信息聚合与跨源对比 | 多个来源 → 综合分析，发现人工容易遗漏的信号 | 数据分析 |
共同特征：重复性高 / 信息密集 / 输出格式清晰 / 结果可以人工验证。满足这四条的任务，优先考虑 AI 化。
这一页比上一页更关键。不守住边界，工具越强越危险。
| 做不了的事 | 原因 | 正确姿势 |
|---|---|---|
| 高风险决策 | 它没有责任感，也没有对后果的感知 | 人来决策，AI 来准备材料 |
| 法务/合规/财务结论 | 幻觉风险在高代价场景不可接受 | 只用来起草，必须专业审核 |
| 判断战略优先级 | 它不理解你的资源约束和组织语境 | 人来排序，AI 来整理选项 |
| 理解真实用户情绪 | 它处理的是文字，不是人 | 用研解读权始终在人手里 |
| 模糊目标下的开放探索 | 输入模糊，输出必然模糊 | 先把问题想清楚，再交给 AI |
AI 是用来省时间的
AI 省下来的时间，我们没有用来休息。
我们用它做了以前根本没资源做的事。
用研只能覆盖 20–30% 的样本。
竞品监控靠运气，盯 2–3 个。
跑全量用研，一个都不漏。
持续监控 10 个竞品，自动推送。
AI 会先抢创意和策略的工作
它先抢的，是你最讨厌做的那部分。
没有人喜欢逐页检查网站、逐条整理访谈记录、反复改同一张 Banner 的不同尺寸。这些事情耗时间、耗心力，但没有人觉得它们体现了自己的价值。
会不会用 AI，主要看会不会写 Prompt
门槛是你对自己业务的理解深度，
不是 Prompt 技巧。
同样一句 Prompt → 得到一个模板
同样一句 Prompt → 得到一个可以直接用的方案
McKinsey 2025 研究：88% 的组织已在使用 AI，但真正从中获得超过 5% EBIT 提升的只有约 6%。差距不在工具，在使用者对业务问题的定义能力。
Box CEO Aaron Levie："真正的赢家是懂得如何把 AI 整合进充满人味的组织的人"——不是最会写 Prompt 的人。
程序员是最该担心被 AI 替代的人
程序员是目前最能借助 AI 放大自己产出的群体，
被替代的不是程序员，而是纯靠执行的初级编码工作。
Google CEO Sundar Pichai：AI 已负责 Google 内部超过 25% 的代码编写。Anthropic 内部 AI 代码占比已达 70–90%。
SWE-bench 基准：AI 完成软件工程任务的准确率从 4.4% → 71.7%（一年内）。这不是威胁论，这是工具革命。
在积累工作流
在积累数据
在积累判断经验
在等 AI 成熟
等 AI 成熟的时候，差距已经不是工具差距了，是经验差距。
从"单兵作战"到"AI 团队分工"
Gartner 预测：到 2026 年底，40% 的企业应用将集成任务专属 AI Agent（2025 年初这一比例不足 5%）。MCP 协议与 A2A 协议正在成为 Agent 之间通信的行业标准语言。
对我们意味着什么：现在搭好每个单点工作流，就是在为未来的自动化链路打地基。
竞争的维度正在从"能不能做出来"变成"能不能找对方向"
拍一条视频需要数百元 + 数天。能做内容的人，本身就是竞争壁垒。
现在 1 元/条，一天可以出几十条素材。生产本身不再是壁垒。
找到"哪个方向有用"，才是真正的稀缺能力。
a16z 2026："当代码变得廉价，真正困难的问题已经从'怎么做'转向了'做什么'"。内容生产同理——生产工具平权之后，方向判断力才是差距所在。
模型能力会平权，但数据和工作流不会
谁的业务数据更结构化，AI 就能给谁更好的输出。
数据质量差的组织，买再好的模型也没用。
谁的工作流跑得更成熟，执行效率就更高。
工作流是经过反复验证的 SOP，不是一朝一夕能复制的。
谁更早开始，谁积累的判断经验越多。
知道哪些场景 AI 容易出错、哪些地方必须人把关——这些判断力只能靠跑出来。
McKinsey 2025 State of AI：预测企业 AI 成功的最强单一指标，不是模型先进程度，不是数据质量，不是预算规模——而是有没有从根本上重新设计工作流程。
当底层模型越来越强，"做软件"这件事的逻辑在变
| 阶段 | 产品逻辑 |
|---|---|
| 过去 | 用户学软件 → 按菜单操作 → 得到结果 软件是核心，用户迁就软件 |
| 现在 | 用户说需求 → AI 理解意图 → 调用工具 意图是核心，软件退到后台 |
| 趋势方向 | 用户表达目标 → AI 直接给结果 软件隐形在墙壁里，像电力一样无感知 |
Meta CTO Bosworth："用户不再点击应用，而是直接表达意图"。Fortune 报道企业软件 ETF 在 2026 年初下跌 30%，市场称之为"SaaS 末日"——不是软件消亡，而是靠"锁定用户"而非"留住用户"的软件正在失去价值。
对我们做产品的人：设计的重心从"用户怎么点"转向"意图是否被正确理解"、"失败时用户是否有可控感"。这是产品和设计价值真正提升的方向。
关键问题先自己想，再看 AI 怎么说。不是为了对抗 AI，而是为了不让自己的判断肌肉萎缩。
这不是教训，是分享一个真实的工作习惯。工具在进化，但判断力是你自己的事。
五个真实业务案例 · 全部脱敏 · 全程可复制
有问题可以随时打断，也可以留到最后 Q&A。
这个工作原来是怎么做的，痛在哪里
现在用 AI 怎么做，工具和流程是什么
省了什么、带来了什么，有没有数字
哪一步 AI 做不了，人必须在场
你们拿回去能不能直接用
让原来需要多轮会议+人工整理的规划工作，变成一个可持续迭代的 AI 工作流
PM 手动收集竞品信息、整合用研结论、梳理内部需求，经过多轮会议对齐后，才能形成一份完整的规划文档。这个过程通常耗时 3–5 天，且每次版本迭代都要重复一遍，文档难以沉淀复用。
| 维度 | 内容 |
|---|---|
| 省了什么 | 规划文档输出时间从 3–5 天 → 半天，节省约 80% 的整理与对齐时间 |
| 带来了什么 | 规划框架结构化沉淀，下次迭代直接复用；待决策项自动标注，评审会聚焦在真正有分歧的地方 |
| AI 做不了的 | 战略方向判断、资源优先级、跨部门利益平衡 |
| 你们能复制吗 | 能。核心是把输入整理清楚，门槛不在工具 |
把 Agent 拉进产品需求群、售后群、客户群——替你驻守，替你收集
产品需求群、售后群、客户反馈群每天几百条消息，真正有价值的需求和投诉淹没在闲聊里。人不可能一直盯，重要信号总是被遗漏，或者等发现了已经过了时机。
不是你去找信息，是信息主动来找你。
数字分身 24 小时在岗，你只在需要决策时出现。
本地知识库 + Agent 协同——AI 的输出上限，取决于你喂给它的上下文质量
每次用龙虾做规划，都要重新粘贴竞品资料、用研结论、历史决策。上下文散在各处，Agent 不了解你的业务背景，输出只能是通用模板。
安装 obsidian-mcp 插件后，龙虾可以直接读取、搜索、写入你的本地 Vault。Agent 不再只是一个"外部 AI"，而是真正接入了你的知识体系。
把散落在多个来源的数据和报告，变成可以对话的知识库
业务分析需要同时参考销售数据、用研报告、行业资料等多份文档，分析师需逐一阅读、人工归纳结论。这个过程通常需要 2–3 天，且结论来源说不清楚，被质疑时难以追溯原始依据。
| 维度 | 内容 |
|---|---|
| 省了什么 | 多源数据分析周期从 2–3 天 → 2–3 小时，效率提升约 10 倍 |
| 带来了什么 | 结论可追溯，不再是"我觉得"——每条结论都能指向原始资料来源 |
| AI 做不了的 | 判断数据是否有偏、决定用哪个结论指导决策 |
| 你们能复制吗 | 能。免费工具，今天就能用，核心是把资料整理好再导入 |
内容生产速度 × N，单条视频制作成本大幅下降
拍摄需要场地、模特、灯光；剪辑需要专业人员；配音、字幕再各一轮。一条完整的 TK 视频，从拍到发往往需要 数天时间和数百元成本，发布频率根本跑不起来，更别说 AB 测试不同内容方向。
| 维度 | 内容 |
|---|---|
| 省了什么 | 单条视频成本从 数百元 → 约 1 元，制作周期从数天压缩到分钟级 |
| 带来了什么 | 发布频率大幅提升，可同时测试多个内容方向；以前一个月出几条，现在一天可以出几十条素材参与 AB 测试 |
| AI 做不了的 | 判断哪个内容方向值得押注、品牌调性把关 |
| 你们能复制吗 | 能。先试一个品类，看数据再扩，不要一上来就全品类铺 |
当内容生产的边际成本趋近于零，我们开始有能力测试更多方向。以前是资源约束创意，现在是创意约束资源。
广告素材从"等设计师"变成"按需即出"
提需求 → 等设计师排期 → 出稿 → 反复改稿，整个流程通常需要 2–3 天。投放需要十几种尺寸，每个尺寸单独出，设计师大量时间耗在机械改尺寸上，急的时候直接卡住投放节奏。
| 维度 | 内容 |
|---|---|
| 省了什么 | 出图时间从 2–3 天 → 分钟级；一次可同时输出 10+ 尺寸变体，设计师彻底从改尺寸中解放 |
| 带来了什么 | 素材数量爆增，AB 测试能力从"偶尔测"变成"持续测"；设计师把精力转向创意方向决策，而不是像素级搬运 |
| AI 做不了的 | 品牌一致性最终判断 / 营销策略方向 |
| 你们能复制吗 | 能。门槛是整理好品牌素材和规格表，一次性整理，后续复用 |
从零到一的品牌建设规划，AI 给出完整框架，人来决策方向
找外包需要反复沟通需求、来回确认方案，方向不可控；内部自己做，站点结构、内容框架、转化路径从零梳理，通常需要 10 人日以上，且中间还要多轮内部对齐。
| 维度 | 内容 |
|---|---|
| 省了什么 | 完整规划框架从 10 人日 → 10 分钟出首稿；省去外包沟通成本，方案完全可控 |
| 带来了什么 | 站点结构、内容框架、转化路径一次性输出，内部对齐效率大幅提升；从"我们要做什么"直接跳到"我们要决策什么" |
| AI 做不了的 | 品牌灵魂、价值主张、差异化定位——这些必须是人的判断 |
| 你们能复制吗 | 能。但要先把品牌定位想清楚，AI 放大清晰，也放大模糊 |
输入输出清晰 → AI 能做
结果可以人工校验 → 风险可控
节省的时间，用来做 AI 做不了的事（判断、创意方向、关系）
✓ 可以 公开信息 / 脱敏数据 / 自有内容
✗ 不能 用户个人数据 / 财务信息 / 未脱敏内部数据