AI 如同永久实习生：企业工作流中的角色-任务鸿沟

将 AI 视为神谕而非有特定有效范围的工具，是将可管理的局限变为代价高昂的灾难的失败模式。

当团队将 AI 建模为神谕时，他们会构建工作流，将所有模糊情境路由给 AI 来解决，而不是在适当的升级节点将其路由回人类。AI 的自信输出会压制"我们是否真的应该升级这个问题？"这一疑问。自动化偏见——在没有批判性审视的情况下接受机器生成建议的倾向——有充分的文献记录，当 AI 的输出流畅而权威时尤为突出。

实际后果是：团队构建了工作流，在其中 AI 被结构性地置于需要做出它并不擅长的决策的位置。这些决策看起来正确，直到出了问题——而那时积累的代价，远高于如果在第 2 步而非第 47 步就将决策交还给人类所带来的成本。

"初级员工"的心智模型更为诚实，也能带来更好的部署决策。一位知道自己擅长什么、遇到模糊情况会举手示意、权限之外的事项会向上汇报、且在入职第一个月绝不会被要求代表公司出席敏感谈判的初级员工，比一个过度自信、默默做出权限之外决策的人更有价值。围绕这一模型构建的工作流内置了检查节点，在适当间隔验证输出，并将组织判断路由回有资格行使它的人类。

良好的工作流分解是什么样的​

答案不是"减少 AI"，而是更好的路由——一种将工作流的每个组成部分与执行者（无论是谁还是什么）的能力图谱相匹配的分解纪律。

有效的分解从两个维度对工作流中的每个步骤进行分类：成功标准的明确程度，以及正确执行所需的组织情境量。标准明确、情境轻量的步骤是 AI 的强项。需要组织判断、权威或长周期连续性的步骤则应由人类承担——至少在 AI 工具跟上之前如此，对于权威维度或许是永久如此。

这种分类不是一次性练习。随着工作流积累历史——AI 建立起记录，人类对其特定失败模式形成经过校准的信任——一些步骤可以进一步交给自动化。但分解应始终是明确的，而非假设的。

三种在生产中有效的实践模式：

有界任务执行加人工检查点。 AI 处理文档分析、草稿生成、数据汇总等自成一体的步骤。人类在定义好的检查节点审查输出，然后才执行需要权限的操作。检查点不是可选项——它是工作流中的硬性门控，而非建议。

带明确触发器的例外升级。 与其让 AI 判断某事是否属于例外，不如算法化地定义触发器。如果交易规模超过 X，无论 AI 的置信度如何，一律升级。如果政策匹配分数低于 Y，路由至人工审核。这将判断权从 AI 手中移走，放到它应该在的地方：系统设计。

有时间边界的上下文注入。 对于较长周期的工作，构建机制将相关历史上下文显式注入 AI 会话，而不是希望模型自己弄清楚什么是相关的。每周一份"上下文简报"——由人类策划的相关决策、人员变动和演变约束摘要——给 AI 提供有用的组织记忆切片，而无需从头重建六个月的历史。

这些模式没有一个在技术上是复杂的。它们是组织设计选择。部署 AI 最有效的团队，不是拥有最好模型或最复杂检索系统的团队——而是那些对 AI 的能与不能保持诚实，并据此构建交接的团队。

永久实习生问题是特性，不是缺陷​

"永久实习生"的框架听起来可能令人沮丧，但其实不然。实习生确实有用。一个清楚知道自己擅长什么、适时升级、从不越权的优秀实习生，比一个过度自信、默默在权限之外做决策的人更有价值。

大多数企业 AI 部署的问题，不在于 AI 太像实习生，而在于团队设计工作流时，仿佛 AI 拥有三年的组织情境、有权代表公司做出承诺、以及对本次会话之前发生的一切拥有完美记忆。这些假设是错误的，建立在错误假设之上的工作流，会以难以诊断的方式失败。

修正在原则上很直接，尽管执行并不总是如此：为 AI 实际是什么而设计，而不是为演示所暗示的样子而设计。将标准明确、情境轻量的任务路由给自动化。为需要权限的决策构建明确的升级触发器。为较长周期的工作投资上下文注入机制。并在 AI 在你的特定环境中积累记录时，定期审查分解方案。

AI 能力与 AI 组织角色之间的鸿沟会随时间缩小。上下文窗口会增长，长周期任务性能会改善，某些形式的组织权威最终可能在适当治理下委托给 AI 系统。但那些等待这些改进才开始审慎部署的团队，正在输给那些已经用今天存在的 AI 构建出有效混合工作流的团队。

为实习生设计。这不是上限——而是起点。