AAperture
Back/product trends

Seven Things I've Learned Getting Companies to Use AI

Updated 2026-03-31
2 min read
338 words

让企业真正使用 AI 的七个经验

作者 Mike Taylor 是 Every Consulting 技术咨询主管、《Prompt Engineering for Generative AI》合著者。本文回应 Sam Parr 的提问："怎么让团队真正有效地使用 AI，而不是让他们把所有时间都花在刷 Twitter 上？"

七个核心经验

1. 直接购买模型，不要买第三方工具

  • 评估 AI 工具时，实际上是在评估工具厂商的选择和限制
  • Anthropic 以 $200/月的 Claude Max 订阅提供价值高达 $5,000/月的算力
  • 核心模型提供商了解未来的模型路线图，会提前针对即将发布的模型优化
  • 结论：大多数公司应该直接从模型提供商购买，在模型之上构建自己的技能和规则

2. 提升上限，而不是拉高下限

  • 命令式强制推行（"所有人必须用 AI"）不起作用
  • 正确做法：
    • 找出已经在使用 AI 的"早期信徒"
    • 给他们内部布道者角色
    • 消除障碍（IT 数据访问权限、工具预算、繁文缛节）
    • 让早期采用者在职业上取得进展，这比任何强制命令都更有说服力

3. 工作坊至少 50% 是动手构建时间

  • 没有人愿意坐在 Zoom 上只看幻灯片
  • 最大的障碍是"没有时间在工作中探索新工具"
  • 工作坊正是在组织认可的时间内提供这种空间
  • 关键是提供工具访问权限 + 数据（合成数据或通过 MCP 连接器的真实数据）

4. 分配"不可能完成的任务"

  • 战略性地设计那些没有 AI 就无法完成的任务
  • 让 AI 使用从"可选项"变成"必要路径"
  • Boris Cherny（Claude Code 创造者之一）观点：适度"资源不足"会让员工主动转向 AI
  • 递进呈现目标：不是"立即每天写一篇博客"，而是"我们的目标是逐步达到每天一篇，你需要做什么来向这个目标推进？"

5. 强制 AI 会议记录 + MCP 连接器

  • 推荐配置：全员用 Granola 录制会议 + 配置 Granola MCP 接入 Claude Code
  • 用例：结束与潜在客户的会议 → 让 Claude 总结并发邮件给同事
  • 核心价值模式：从非结构化数据中提取信息，以有用的方式结构化它
  • 覆盖 80-90% 的 AI 使用价值

6. 梳理工作流并系统性自动化

  • 发现流程：在 Google Sheet 中为每个需要解决的任务建一行
  • 目标：团队中没有人需要重复做同一件事超过三次
  • 关键发现：这从未导致裁员
    • 要么团队在每项任务上投入更多精力
    • 要么在不增加人手的情况下扩大收入和吞吐量

7. 培训员工成为 Agent 的管理者

  • 每个原来的个人贡献者现在都成了"AI 工具的管理者"
  • 但他们没有接受过管理培训，这是当前最被忽视的技能缺口
  • 个人贡献者挣扎于：
    • 不习惯任务切换
    • 不擅长建立系统和规则
    • 不知道如何评估自己没有亲自完成的工作
  • 剧本翻转：管理者反而更容易适应管理 AI 工具
  • 需要的新培训：上下文切换、如何做 Eval、如何培养品味、如何系统性地编写技能

立即可应用的方法

方法 1：建立内部 AI 大使网络

  1. 识别团队中已经在用 AI 的人（观察谁在主动分享 AI 技巧）
  2. 正式赋予他们"内部布道者"角色，给予资源倾斜
  3. 在组织层面明确表态：使用 AI 的人会得到更多晋升机会
  4. 让他们成为工作坊中的助教

落地标准：本周找出 1-2 位已有信念的人，给他们"AI 先锋"的正式认可

方法 2：配置全员会议记录 + MCP

  1. 选择一个 AI 会议记录工具（Granola 或类似）
  2. 要求团队全员录制所有会议
  3. 在 Claude Code 中配置对应的 MCP 连接器
  4. 场景演示：会议结束 → 让 Claude 总结 → 直接发送跟进邮件

落地标准：今天配置好自己的会议 MCP，下次开会后试用一次

方法 3：设计"不可能任务"序列

  1. 分析当前团队的核心输出（报告、代码、客户沟通等）
  2. 将目标产出量提高 5-10 倍
  3. 以递进方式呈现目标
  4. 等待员工自己发现 AI 是唯一路径

落地标准：选一项当前月产出的工作，设定一个需要 AI 才能完成的周产出目标

方法 4：建立工作流自动化地图

  1. 对团队进行结构化访谈（使用工具、日常任务、痛点）
  2. 用 Google Sheet 列出每项任务，评估自动化优先级
  3. 制定"每项任务都不做超过三遍"的原则
  4. 从最高频、最重复的任务开始构建 AI 技能

落地标准：本周用一张 Sheet 列出自己工作中最重复的 5 件事

关键数据

数据点 含义
Claude Max $200/月 ≈ $5,000/月算力 对第三方 AI SaaS 的颠覆性价格压力
Shopify DSPy：$5.5M → $73K/年 AI 成本优化的天花板远未到达
工具使用 = 管理工作，管理者成为贡献者 组织结构层级压缩信号

启发性洞察

  1. 购买底层模型的时代已经到来 — 直接调用的单位经济远优于封装产品
  2. 管理培训是 AI 转型中最被忽视的一环 — 下一阶段的竞争不在于"谁用了 AI"，而在于"谁的 AI 用得对"
  3. 50% 动手构建的工作坊设计原则 — "灵光一现"只在动手中发生

Sources

  1. raw/to-learn/newsletters/every/2026-03-31 Seven Things Getting Companies to Use AI.md
  2. https://every.to/also-true-for-humans/seven-things-i-ve-learned-getting-companies-to-use-ai

Linked from