生成式AI能做什么、不能做什么?业务应用中安全使用的判断标准解析

专栏
生成式AI能做什么、不能做什么?业务应用中安全使用的判断标准解析

前言

按邮件撰写、会议纪要、调查、判断类业务等任务类型,梳理生成式AI能做与不能做的事。解析一线员工与管理者安全上手使用的界限。

Tatsuya Ito

Tatsuya Ito

人工智能顾问

company-icon

Third Scope Inc.

1985年出生于日本三重县。 2012年,他以工程师身份加入香港一家AR初创公司。此后,他先后在多家AI初创企业参与新业务开发及AI服务的策划与上线。 2018年,他通过承接一项AI服务及其开发团队,创立了现今的Third Scope Inc.。目前,他主要为企业提供AI导入与应用支持,重点涵盖AI驱动的新业务开发、业务流程转型以及产品开发。 此外,他还曾以东京大学项目研究员的身份参与AI相关研究。如今,他持续活跃在AI项目开发的一线,并结合技术与商业两方面的视角,为企业提供务实且可落地的咨询服务。

说实话,我仍然不清楚可以让生成式AI做什么。

在帮助企业引入AI的过程中,笔者多次听到这样的疑问。一线销售人员、负责员工培训的人力资源人员、数字化转型和信息系统部门的工作人员,以及一线管理者,虽然职责不同,却有着相似的困惑。大家都觉得生成式AI很方便,但并不清楚哪些工作可以交给它,哪些不应交给它。如果这一界限始终模糊,生成式AI就很难真正进入日常业务流程。

起初,员工往往尝试将生成式AI用于邮件起草、会议纪要整理等日常工作,却无法判断能否把调研结果、面向客户的资料以及涉及内部决策的信息直接交给AI处理。因此,具体如何使用,往往只能由员工自行判断。一线管理者担心输出质量参差不齐,信息系统部门担心输入数据的处理是否合规,人力资源部门则不知道”应该让全体员工学到什么程度”。

如今,越来越多的企业不再把生成式AI视为无所不能的问答工具,而是将其视为协助起草文稿、提炼摘要、整理信息和梳理问题的工作伙伴。经济合作与发展组织(OECD)2025年的报告也指出,生成式AI的应用效果取决于使用者的经验和具体任务,人与AI的协作十分重要。

以一场60分钟的会议为例:假设原先需要30分钟核对录音,再花30分钟整理成稿,使用AI生成摘要后,可能只需15分钟核对输出。这只是说明工作流程的示例,并非普遍适用的效率指标。实际效果取决于会议录音或笔记的质量。使用前还需明确内部规则,妥善管理输入信息,并由人工完成最终审核。

本文将结合具体工作任务,梳理生成式AI能做什么、不能做什么。目标是让每位员工都能清楚划定”到这里可以交给AI””从这里开始需要人工确认和判断”的界限。生成式AI固然方便,但不能取代事实核查和最终决策。读者可结合所在企业的实际业务,明确安全使用生成式AI的判断标准。

生成式AI不是”什么都能做的工具”,而是推动工作向前的辅助者

生成式AI不是'什么都能做的工具',而是推动工作向前的辅助者

考虑如何使用生成式AI时,首先要避免只问”要不要把工作交给AI”。

笔者经常在一线强调,不要试图把一整项工作都交给AI。一项看似简单的工作,通常也包含多个环节。例如,撰写一封面向客户的邮件,通常包括以下步骤。

  1. 梳理需要传达的要点
  2. 起草邮件
  3. 根据与对方的关系调整表达
  4. 检查内容是否有误
  5. 最终判断是否发送

其中,生成式AI主要擅长”梳理要点””起草””改写”和”调整表达”。至于”这些内容能否发送””对方会如何理解””公司可以承诺到什么程度”等判断,仍需要由人来完成。

因此,使用生成式AI的重点并不是把整项工作交出去,而是拆解工作流程,区分适合交给AI的部分和应由人承担责任的部分。

如果没有划清这一界限就开始使用,一线工作中可能出现以下问题。

  • 认为”这是AI写的,应该不会有问题”,把未经确认的数字写入资料。
  • 觉得”问AI就知道”,省略对内部规定或合同条件的核查。
  • 感到”好像很方便,但又很可怕”,最终谁都不在工作中使用。

联合国教科文组织的《人工智能伦理问题建议书》强调,应通过风险评估、安全保障和人类监督等机制,降低AI系统在设计、部署和使用过程中可能带来的风险。

笔者认为,在生成式AI应用初期,与亮眼的成功案例相比,明确人和AI的职责边界更为重要。先明确允许使用的范围,再逐步拓展应用场景。按这个顺序推进,才能为生成式AI在一线落地打好基础。

生成式AI能做什么

生成式AI能做什么

需要从零起草内容或整理零散信息时,生成式AI往往更容易发挥作用。

文本起草、长文摘要、信息整理和创意构思等任务尤其适合作为全体员工的入门场景。

起草文章

起草文章是生成式AI最具代表性的用途之一。

例如,它适合以下工作。

  • 对外邮件初稿
  • 内部通知
  • 培训通知
  • 会议邀请
  • 致谢邮件
  • 致歉文案草稿
  • 报告初稿
  • 常见问题解答(FAQ)草案

写作耗时的常见原因是”不知道第一句怎么写””结构定不下来”或”拿不准措辞”。生成式AI有助于更快完成初稿。

请撰写一封内部邮件,通知全体员工参加生成式AI培训。收件人包括新员工,语气礼貌、积极,并给出3个邮件主题方案。

把要求说明白,通常比从空白页面开始写更容易形成初稿。

不过,应避免直接使用AI生成的文案。AI未必能准确理解双方的关系、公司的立场和过往沟通情况,也未必能把握恰当的措辞分寸。

笔者有时也会让AI起草邮件,但发送前一定会亲自确认。对方会有什么感受,怎样措辞才能维护信任,都要结合双方长期建立的关系和当时的沟通情境来判断。

基本原则是,让生成式AI负责起草和改写,由人审核并确定最终表达。

摘要长文本

生成式AI也可以帮助提炼长文章或会议笔记的要点。

例如,可用于以下场景。

  • 从会议笔记中提取议定事项和待办事项
  • 将长篇资料整理成3分钟可读完的要点
  • 梳理内部规定中的相关条款
  • 按主题整理客户访谈内容
  • 总结培训视频内容

会后制作会议纪要时,从头听录音或翻阅笔记,再整理议定事项、议题、负责人和期限,往往很费时间。使用生成式AI,可以先搭建大致结构。

本公司提供的Kanata可通过AI摘要功能处理文档、图片、音频、网页链接和文本等多种输入内容。该功能支持CSV、PDF、PowerPoint、Word、Excel等文件,可用于提炼会议资料、内部文档和培训材料的要点。

对于阅读量大、需要将信息整理后分享的工作,摘要功能尤其有用。

AI摘要只能辅助回顾会议内容,不能替相关人员确认会议结论或承担责任。

整理信息,制作对比表或检查清单

生成式AI也擅长整理分散的信息。

例如,可以提出以下要求。

  • 将方案A与方案B的优缺点整理成表格
  • 按重要程度排列方案中需要讨论的问题
  • 制作项目启动前的检查清单
  • 把客户问题分为”显性问题”和”潜在问题”
  • 列出需要在会议上作出决定的事项

这种用法对一线管理者和策划人员尤其有效。把决策之前的”整理”交给AI,更容易把精力集中在决策本身。

我们正在考虑是否引入新的内部培训工具。请给出5个比较维度,并用表格比较沿用现有方式与引入新工具各自的优缺点。最后列出作出判断前需要确认的事项。

像这样提出要求,就能为讨论提供基础。

笔者在项目初期也经常采用这种方法。有时尚未到下结论的阶段,但相关人员各有想法,待讨论的问题尚未理清。先让AI把信息整理成表格,就更容易看清哪些问题仍需讨论、哪些已经明确。

不过,对比表的内容在很大程度上取决于输入信息。如果缺少必要的背景和条件,表格就容易停留在泛泛而谈的层面。让生成式AI整理信息时,明确”对象””目的””条件”和”判断维度”十分重要。

拓展创意

生成式AI还可用于构思创意。

例如,可用于以下场景。

  • 提出内部培训主题方案
  • 拟定多个文章标题
  • 思考销售邮件的切入角度
  • 构思新方案
  • 拟定会议议程
  • 拟定向客户提问的问题清单

一个人思考时,往往容易沿用惯常思路。让生成式AI提出多个方案,可以拓宽思考范围。

不过,AI提出的创意未必能够直接使用。仍需由人结合一线实际、客户态度、内部限制、预算和人员配置,判断是否采用。

把生成式AI视为帮助拓展选项的工具,而不是提供标准答案的工具,更有助于发挥它的作用。

笔者把使用生成式AI构思创意看作一场头脑风暴。让AI回应自己的想法,有时能获得不同的观察角度。它的建议未必可以直接采用,但可以帮助打破惯常思路。

复用提示词与知识

如果生成式AI应用完全依赖个人,熟练者与不熟练者之间的差距就会扩大。要缩小这种差距,团队需要共享有效的提示词和参考资料。

例如,按部门或项目积累会议纪要模板、销售邮件提示词和内部规定的常见问题解答等,就不必每次处理同类任务时都从头准备。

Kanata可以按项目保存AI设置、提示词和学习数据,并在聊天和摘要应用中复用。整理日常工作中使用过的提示词和内部资料,有助于把个人经验转化为团队资产。

重要的是不要只关注工具本身。共享文件夹、知识库、企业内部Wiki和AI平台都可以用于积累和共享这些内容。如果希望把AI对话、摘要和学习数据管理纳入同一工作流程,Kanata这类一体化环境可以成为候选方案。

在全员技能再培训中,如果员工只是零散地向AI提问,就很难把经验积累为组织知识。积累有效用法并转化为团队可复用的形式,才能逐步实现生成式AI应用的标准化。

生成式AI不能做什么

生成式AI不能做什么

另一方面,也有一些事情不应交给生成式AI。

尤其需要明确人在事实核查、最终决策、重要沟通和机密信息处理中的责任。

笔者感到,企业引入AI时,往往需要先确定”哪些事情不交给AI”,而不是”AI能做什么”。应用场景可以在使用过程中逐步拓展,但如果尚未明确禁区就贸然推进,一旦出问题,往往很难重建信任。

保证事实准确

生成式AI擅长写出看似可信的文章,但看似可信并不等于正确。

尤其是以下信息,必须核对一手资料。

  • 数字
  • 日期
  • 法律法规
  • 内部规定
  • 合同条件
  • 客户名称
  • 公司名称
  • 引用
  • 最新信息
  • 价格与规格
  • 市场数据

例如,即使生成式AI回答”市场规模约为1000亿元人民币”,在没有出处的情况下,也不能用于对外资料。即使用于内部说明,只要数字涉及经营或预算决策,也必须查阅可信资料加以核实。

让生成式AI协助调研时,与其问”请告诉我事实”,不如要求它”梳理需要调查的议题””列出需要确认的一手信息”或”提出这一主题中容易遗漏的角度”,这样更为稳妥。

让AI帮助规划调研方向,由人核实、判断和解释事实,才能发挥这种分工的价值。

代替最终决策

生成式AI可以整理决策材料,但最终决定仍需由人作出。

例如,个人或组织应对以下决定负责。

  • 是否录用
  • 如何进行绩效评价
  • 是否接受合同条件
  • 如何向客户道歉
  • 是否投资
  • 是否停止某项措施
  • 是否向外部提交资料

询问生成式AI”方案A和方案B哪个更好”本身并无问题,反而有助于梳理议题。

不过,AI的回答基于输入信息和一般性推理,无法充分反映组织方针、过往沟通情况、相关人员意见及风险承受能力。

应把生成式AI作为”整理决策材料的助手”,而不是”替人拍板的上司”。

笔者认为,与其直接接受AI给出的结论,不如反问”为什么可以这样判断””反对意见是什么””前提改变后会怎样”,这种用法在实际工作中更有价值。

独立完成考虑双方关系的沟通

生成式AI可以起草道歉信、情况说明、谈判邮件和一对一沟通的问题清单,但把涉及双方关系的沟通完全交给AI,风险很大。

例如,在面向客户的道歉邮件中,比文字是否得体更重要的是以下几点。

  • 此前的经过
  • 客户对什么感到不满
  • 本公司应承担的责任范围
  • 今后可以承诺哪些应对措施
  • 应以谁的名义发送
  • 是否需要电话或上门沟通

这些都无法仅由AI判断。

内部一对一沟通和绩效评价也是如此。可以让AI拟定问题或起草评语,但如何向下属表达、按什么顺序沟通、谈到什么程度,必须由管理者把握。

在涉及人与人信任关系的场景中,AI只能作为协助准备的工具。

笔者认为,AI最能发挥作用的是”沟通之前”:梳理需要传达的内容,预判对方可能担忧的问题,提出多种表达方式。AI可以协助到这里,但在实际交流中观察对方的表情、体会其情绪并选择恰当的措辞,仍是人的工作。

无条件处理机密信息和个人信息

在生成式AI的企业应用中,最需要慎重考虑的是输入信息的处理。

联合国教科文组织的《人工智能伦理问题建议书》指出,AI应用需要风险评估、安全保障、人类监督和问责机制。在企业工作中,也需要整体考虑输入信息分类、访问权限、日志管理、培训和审核机制。

中国国家互联网信息办公室等七部门发布的《生成式人工智能服务管理暂行办法》也对个人信息权益和商业秘密保护作出规定。

以下信息尤其需要注意。

  • 姓名
  • 住址
  • 电话号码
  • 电子邮箱地址
  • 员工编号
  • 账户信息
  • 健康信息
  • 身份证件号码等敏感个人信息
  • 未公开的财务数据
  • 并购信息
  • 人事变动信息
  • 客户合同条件
  • 客户员工信息

处理这些信息时,不能认为”只有一点没关系”或”仅在内部使用就没问题”,而必须遵守公司的规则。

使用生成式AI前,至少应先确认以下问题。

  1. 该信息是否为公开信息
  2. 该信息是否可供公司内部任何人查看
  3. 是否包含可识别个人身份的信息
  4. 是否涉及与客户签订的合同或保密协议(NDA)
  5. 信息一旦外泄,是否会造成损害

如有疑问,就不要输入。这是基本原则。

在AI应用过程中,难免有人会有”图方便,直接输入”的想法。笔者在开发和销售支持工作中,也多次见到人们想直接粘贴整份资料。但只有始终坚持审慎处理,才能建立组织持续使用AI所需的信任。

按工作任务区分:可以交给AI的工作与应由人承担的工作

按工作任务区分:可以交给AI的工作与应由人承担的工作

下面结合实际工作任务,梳理更适合交给生成式AI的事项,以及应由人承担的事项。

撰写邮件

邮件撰写是较容易上手的生成式AI应用场景。

撰写邮件时适合交给AI的工作与应由人承担的工作
适合交给AI的工作 应由人承担的工作
提出邮件主题方案 判断内容是否可以发送
起草正文 根据与对方的关系进行调整
改为礼貌表达 确认邮件中的承诺是否可行
提炼要点 承担道歉或谈判责任
提供不同语气的版本、检查错别字 确认收件人和附件

撰写邮件时,可以先让AI给出3个版本,再由人选择和修改。比较多个版本,比直接采用唯一版本更容易找到合适的措辞。

笔者认为,越是经常用AI写邮件,越应坚持先审核、再发送。即使文字流畅,也可能不符合自己的表达习惯。最后由本人审核,才能让文稿准确体现自己的意思。

会议纪要与会议笔记

制作会议纪要时,生成式AI适合用于摘要和整理。

会议纪要与会议笔记中适合交给AI的工作与应由人承担的工作
适合交给AI的工作 应由人承担的工作
提炼会议内容 确认发言意图
提取议定事项 确认议定事项是否有误
整理待办事项 确定负责人和期限
用表格整理负责人和期限 为不确定内容标注”待确认”
按议题分类、拟定下次会议议程 确定会议记录的共享范围

部分AI摘要工具提供自动生成和自定义生成两种模式。如果例会纪要需要保持统一格式,可在自定义生成中指定”议题、议定事项、待办事项、下次会议前的任务”等栏目,便于后续共享和查阅。

Kanata的AI摘要同样提供自动生成和自定义生成两种模式。对于会议和培训等需要反复采用同一摘要格式的组织,可以借此统一摘要模板,并在日常工作中反复使用。

笔者在观察企业会议流程时发现,会议纪要的问题不只在于”撰写耗时”。不同会议的写法不一致、议定事项模糊、待办事项负责人不明确,这些问题积累后会拖慢会后执行。AI摘要既能节省整理时间,也有助于参会者核对会议结论。

调研工作

在调研工作中,需要谨慎使用生成式AI。

调研工作中适合交给AI的工作与应由人承担的工作
适合交给AI的工作 应由人承担的工作
梳理调研主题下的具体问题 核实具体数据
列出需要确认的信息源 核实出处
整理比较维度 确认最新信息
拟定调研报告提纲 判断资料能否引用
制作问题清单、提示容易遗漏的视角 确定结论

调研时,与其向AI询问”答案”,不如先让它梳理”应该怎么查”,这样更为稳妥。

我要撰写一份关于企业内部引入生成式AI的报告。请列出7个需要调研的议题,并为每个议题列出需要查证的一手资料或需要访谈的内部人员。不要给出未经证实的数字,请在需要数据支持的位置标注”需要出处”。

这样使用,既能降低误用AI生成信息的风险,也能更快地启动调研。

笔者认为,AI在调研中的价值,更多体现在帮助人们提出更好的问题。需要调查什么、应该询问谁、遗漏了哪些前提,仅仅理清这些事项,也会显著提升调研质量。

制作资料

制作资料时,可利用生成式AI搭建结构和整理文字。

制作资料时适合交给AI的工作与应由人承担的工作
适合交给AI的工作 应由人承担的工作
拟定策划书提纲 确认内容是否可以提供给客户
拟定提案书标题 确认数字和案例的准确性
梳理每页幻灯片要点 确认公司承诺的范围
改写文章 决定最终主张
预判可能提出的问题、按读者调整表达 完善版式设计、检查内容衔接

制作资料时,不要一开始就要求AI交付定稿。可以先拟定提纲,再梳理各部分的要点,最后撰写正文。分阶段提出要求,更容易控制质量。

笔者使用AI制作资料时,很少在第一条指令中要求”直接生成定稿”,而会要求”列出决策者关注的议题””规划12页演示文稿的叙述顺序”或”预想反对意见”。制作资料时,应先明确需要传达什么,再考虑版式是否美观。

人力资源、评价与管理

在人力资源和管理领域,尤其需要谨慎使用生成式AI。

人力资源、评价与管理中适合交给AI的工作与应由人承担的工作
适合交给AI的工作 应由人承担的工作
提出一对一沟通的问题清单 确定绩效评价结果
起草绩效评语 决定薪酬待遇
整理他人反馈 向下属说明
清晰表述员工培养方向 关注员工情绪
制作会议议程、优化反馈措辞 基于信任关系沟通、处理个人信息

在绩效评价或一对一沟通中,直接使用AI输出,即使语言流畅,也可能无法准确反映员工的实际表现。绩效评语尤其应以本人实际行为为依据。

可让AI负责”整理事实”和”提出表达方案”,但最终措辞应由管理者亲自确定。

笔者认为,AI在管理领域具有很大的应用潜力。使用它的目的不应是减少人与人的对话,而应是提前理清思路,留出更多时间与对方深入交流。

安全使用生成式AI的3条界限

安全使用生成式AI的3条界限

要在全公司推广生成式AI,与其从一开始就制定过于细致的规则,不如先明确并传达清晰易懂的使用界限。

以下介绍3条基本界限。

界限1:AI负责初稿,人负责定稿

原则上,生成式AI的输出只是初稿。

无论是邮件、会议纪要、资料、FAQ,还是绩效评语,都应遵循这一原则。不要把AI生成的内容直接视为成品,必须经过人工审核、修改后才能定稿。

这条规则有助于减少一线员工对使用AI的顾虑。

  • 可以让AI生成,但不能直接对外提交
  • 向公司外部发送前,必须由人确认
  • 数字、专有名词和日期应核对一手信息

应明确生成式AI必须在人工审核的前提下使用。

笔者建议在制定生成式AI使用规则时,首先写下这一句话。

AI输出不是成品,而是有待核实的草稿。

这句话有助于明确工具的定位,提醒员工避免过度信任AI,把它用作辅助推进工作的工具。

界限2:AI准备决策材料,人作出决策

生成式AI适合制作对比表和梳理议题,但最终决策由人完成。

例如,可按以下方式分工。

不同工作中交给AI的事项与应由人承担的事项
工作 交给AI的事项 应由人承担的事项
方案评估 整理选项、比较维度和优缺点 判断是否实施
合同确认 列出值得关注的条款 判断法律风险并决定是否签约
招聘 提出面试问题、梳理评价维度 作出录用判断
绩效评价 整理实际行为记录、提出评语方案 确定评价并向本人说明
销售提案 梳理提案结构、预判客户可能提出的问题 对客户作出承诺、确定报价

坚持这种分工,生成式AI就不会成为”模糊责任的工具”,而会成为”提高决策质量的辅助者”。

阅读AI整理的内容时,人有时会觉得某处不妥。这种感觉很重要,因为它可能说明实际业务条件或一线经验没有反映在AI的整理中。因此,应把AI输出作为进一步讨论和判断的起点。

界限3:事先确定允许输入的信息

使用生成式AI时,输入信息的管理与输出审核同样需要重视。

无论用法多么方便,只要输入了不应输入的信息,就可能造成严重风险。

企业至少应明确以下信息类别及其使用规则。

输入生成式AI的信息分类及基本方针
信息种类 示例 基本方针
公开信息 官方网站、公开资料、新闻稿 较易使用
一般内部信息 内部手册、培训资料、一般会议纪要 遵守内部规则使用
客户信息 商务洽谈笔记、合同条件、提案书 确认合同、NDA和权限
个人信息 姓名、联系方式、住址、员工编号 原则上进行脱敏处理
敏感信息 健康信息、银行账户信息、身份证件号码等敏感个人信息 不输入
未公开重要信息 未公开财务数据、并购信息、人事变动 不输入

无法判断时就不要输入;如有需要,向信息系统、法务或信息安全负责人确认。企业应向全体员工明确传达这一原则。

笔者认为,AI使用规则与其写成”难懂的规定”,不如用一线员工读后就能迅速作出判断的语言来表述。例如”拿不准就不输入””泄露到公司外会造成困扰的信息不输入””可识别个人身份的信息先脱敏”。这类清晰规则在一线更能发挥作用。

生成式AI为什么难以在一线普及

生成式AI为什么难以在一线普及

即使引入生成式AI工具,也可能无法在一线普及。原因未必是员工缺乏积极性。

很多时候,问题在于企业尚未明确使用场景、规则和方法。

“可以用来做什么”仍然过于抽象

即使被告知”请使用生成式AI”,一线员工也无法立即行动。

销售、财务、人力资源、市场营销和信息系统等部门的日常工作各不相同。面向全体员工推广时,仅说明”可以用于写作””可以生成摘要”还不够。

  • 销售部门可用于整理商务洽谈笔记、规划提案书结构、起草客户邮件。
  • 人力资源部门可用于起草培训通知、完善FAQ、拟定一对一沟通的问题。
  • 信息系统部门可用于起草咨询答复、完善操作手册、总结系统故障情况。

应像这样,把AI的用途具体到各部门、各岗位的日常任务。

笔者设计AI培训时,也很少一开始就讲解高级功能,而是先与员工一起找出明天工作中就能用到AI的环节。脱离实际业务的AI培训,最终很容易只停留在知识层面。

只强调禁止事项

生成式AI存在风险,因此不能缺少关于信息泄露和错误信息的提醒。

但如果只强调禁止事项,一线员工就会理解为”反正不用最安全”。

关键是同时讲清哪些用法应当禁止、哪些用法值得推荐。

  • 不要直接输入个人信息;对咨询内容进行脱敏处理,确保无法识别个人身份,并确认符合内部规则后,可以让AI协助整理。
  • 不要把合同判断交给AI;但可以用来列出需要向法务确认的议题。
  • 不要直接相信数字;但可以用来整理调研事项或报告结构。

不仅告诉员工”什么不可以”,也说明”怎样可以使用”,一线才更容易行动。

仅靠恐惧无法推动AI应用落地。笔者认为,帮助员工理解AI在实际工作中的用途,同时回应他们的期待与顾虑,是AI推广和应用支持工作的重要职责。

有效用法停留在个人手中

即使有员工熟练使用生成式AI,如果方法只掌握在个人手中,也无法在整个组织普及。

有效的提示词、实用的摘要模板和易用的检查清单,都需要在团队内共享。

共享并不一定需要专用工具,可以从企业内部Wiki、知识库、共享文件夹或聊天置顶消息开始。另一方面,如果希望按业务统一管理AI对话、摘要、学习数据和提示词,Kanata这类可按项目建立资料库的环境会有所帮助。

要在组织中推广生成式AI,不仅要”增加会使用的人”,还要”把使用方法保留下来”。

笔者感到,AI应用推进顺利的企业有一个共同点:不依赖某一位优秀员工。他们会把员工发现的有效用法整理成团队模板,在例会上分享,并保存到资料库中。这些日常积累,会逐渐拉开组织之间的应用差距。

全员技能再培训首先应该教授什么

全员技能再培训首先应该教授什么

生成式AI培训与其一开始就教授高级提示词技巧,不如先统一基本认识。

面向全体员工开展技能再培训时,尤其应先讲清以下4项内容。

生成式AI的优势与局限

首先要明确生成式AI擅长和不擅长的事情。

生成式AI擅长和不擅长的事情
擅长的事情 不擅长的事情
起草、摘要、整理、改写 保证事实准确、核实最新信息
制作对比表、构思创意 法律判断、合同判断
制作检查清单、提出议题 确定绩效评价结果、作出客户沟通的最终决策
生成有待核实的草稿 自行判断机密信息是否可用、决定组织方针

仅仅明确这一区分,也能减少一线员工的困惑。

根据笔者的经验,生成式AI培训一开始最能调动气氛的是”原来还能做这些”的介绍,但真正有助于落地的是形成”这些事情不能交给AI”的共识。只有同时说明能做和不能做的事情,才能建立安心使用的基础。

可以输入和不可以输入的信息

其次,要明确输入信息的规则。

生成式AI培训应先说明信息处理方式,再教授提示词写法。即使掌握了实用技巧,一旦输入不应输入的信息,仍会给企业带来风险。

培训中可采用以下练习。

  • 这项信息是否可以输入
  • 哪些部分需要脱敏
  • 应该向谁确认
  • 使用外部AI服务和企业内部AI环境时,信息处理规则是否不同

结合具体示例讲解,能帮助员工联系自己的工作进行思考。

例如,销售人员处理客户信息、人力资源人员处理员工信息、信息系统人员处理系统配置信息时,需要注意的事项各不相同。应在说明公司统一原则的同时,按部门准备具体示例。

提示词的基本框架

给生成式AI的指令越模糊,输出就越容易偏离实际需求。

笔者建议在编写提示词时明确”角色””目的””目标读者””前提信息””输出格式”和”限制条件”。这一框架也适合用于全员培训。

例如,即使只是要求撰写邮件,加入以下要素就能让输出更加稳定。

角色
你负责起草对外邮件
目的
邀请对方参加培训
目标读者
部门负责人
前提信息
下个月起将面向全体员工实施生成式AI培训
输出格式
3个邮件主题备选方案,正文不超过300字
限制条件
避免生硬的命令语气,同时说明培训对工作的必要性

编写提示词并不需要特殊的写作技巧,关键是把工作要求表达清楚。

笔者认为,编写提示词的能力是AI时代的”委托能力”:明确由谁完成什么任务、依据哪些条件、以什么形式交付。这既适用于AI,也适用于同事之间的协作。

输出审核规则

最后,要教会员工如何审核AI输出。

至少应明确以下检查项目。

  • 数字是否与一手信息一致
  • 专有名词是否正确
  • 日期是否正确
  • 事实与推测是否混在一起
  • 是否存在夸张表达
  • 信息是否可以对外发布
  • 是否符合本公司的表达风格
  • 使用者能否解释内容并对其负责

如果没有形成这种审核习惯就使用生成式AI,带来的风险可能大于收益。

质疑AI输出并不等于否定AI,而是正确使用的前提。笔者感到,越是善于使用AI的人,越不会直接相信AI输出。他们会追问、核实并加入自己的判断。这正是实际工作中运用AI所需的能力。

使用Kanata时的应用方式

使用Kanata时的应用方式

要在全公司推广生成式AI,比起一开始就追求复杂业务的自动化,从贴近日常工作的场景入手更加现实。

Kanata是一个可在同一环境中使用AI对话、AI摘要和在线学习等功能的企业工作支持平台。下文将其作为一种可选工具,介绍适合发挥其功能的应用场景。

首先用AI聊天起草和整理日常工作

第一步是从AI对话入手,减轻日常工作负担。

例如,可用于以下事项。

  • 起草邮件
  • 改写文章
  • 制作会议议程
  • 提出报告结构方案
  • 制作培训通知
  • 制作FAQ答复草案

Kanata的AI对话支持提问、咨询和内容创作。日常工作中需要理清思路、先拟一份初稿或换一种表达时,都可以使用这一功能。

面向全体员工推广时,可以先设定”每天在日常写作中使用一次”这样的小目标。不要一开始就把复杂工作交给AI,而要先在日常工作中积累成功体验。

然后用AI摘要减轻会议和资料整理负担

下一步是使用AI摘要。

许多部门在开会、培训、共享资料和整理咨询内容时,都有提炼摘要的需求。

在以下工作中,使用效果通常更容易体现。

  • 例会会议纪要
  • 部门会议共享笔记
  • 整理长篇PDF资料要点
  • 提炼培训视频要点
  • 整理客户访谈笔记

Kanata的AI摘要提供自动生成和自定义生成两种模式。处理常规任务时,可在自定义生成中预先指定输出格式,便于每次按统一结构生成摘要。

笔者认为,AI摘要适合在面向全体员工推广的初期使用,因为它可以缩短阅读时间、加快信息共享、简化会后整理,员工较容易感受到实际效果。

通过在线学习推进全员技能再培训

生成式AI确实可以边用边学,但要面向全体员工推广,仍需要基础培训。

Kanata的在线学习以视频内容为主,可用于内部培训、新员工培训和自主学习。学员可以借助AI提炼视频要点,也可以在学习过程中向AI提问,以便理解和复习培训内容。

例如,可准备以下培训内容。

  • 生成式AI能做什么、不能做什么
  • 可以输入和不可以输入的信息
  • 基本提示词的写法
  • 不同部门的使用场景
  • AI输出审核方法
  • 发生安全事件时的处理流程

先帮助全体员工建立共同认识,再按部门开展实践,更有助于缩小员工之间的应用差距。

笔者认为,不应把生成式AI培训办成一次性活动。与其要求员工在首次培训中理解全部内容,不如结合视频、FAQ、实践活动和内部社群,逐步拓展应用场景。这样更容易在一线落地。

用资料库把有效用法保留在组织中

最后,积累提示词和学习数据十分重要。

生成式AI的应用往往始于个人的反复尝试,但要转化为组织成果,就需要保留、共享并改进有效用法。

例如,可以把以下内容整理进资料库。

  • 会议纪要制作提示词
  • 对外邮件起草提示词
  • FAQ答复提示词
  • 提案书结构提示词
  • 培训内容制作提示词
  • 内部规定数据
  • 产品说明资料
  • 常见咨询汇总

Kanata可按项目管理提示词、学习数据和AI设置,便于按部门或业务整理这些内容,供团队重复使用。

要使生成式AI不只是个人的便利工具,而逐渐融入组织的日常工作,这种积累不可或缺。

笔者认为,AI应用的真正差距不会出现在引入工具的一刻,而会在3个月、6个月后显现:优质提示词是否保留下来,旧资料是否更新,一线成功案例是否共享。持续维护和积累这些资源,才能逐步提升组织的AI应用能力。

总结:越明确生成式AI的”委托范围”,越容易使用

总结:越明确生成式AI的‘委托范围’,越容易使用

生成式AI可能显著改变工作方式,但它并不是可以包办一切的万能工具。

要在工作中安全使用,首先应作出以下区分。

起草、摘要、整理、改写、制作对比表、构思创意和制作检查清单,是较适合交给生成式AI的工作。

另一方面,事实核查、最新信息确认、法律判断、合同判断、绩效评价、客户沟通的最终判断以及机密信息处理,需要由人承担责任。

也就是说,生成式AI应用的第一步,与其决定”让AI做什么”,不如先决定”可以让AI负责到什么程度”。

划清这条界限,一线员工就能安心开始使用,管理者更容易把控质量,人力资源和数字化转型推进人员更容易设计全员培训,信息系统和信息安全人员也更容易讲清信息输入规则。

生成式AI并非用来取代全部人工工作,而是帮助人们为思考、核查和决策做好准备的工具。

笔者认为,企业引入AI时最重要的不是亮眼的技术应用,而是建立让一线员工放心使用、持续使用的机制。哪些环节可以交给AI,哪些环节必须由人审核,哪些信息不能输入,都应事先讲清。这些看似朴素的界限,正是让生成式AI扎根工作流程的关键。

不妨先从邮件起草、会议笔记摘要、资料提纲整理等适合小范围试用的工作开始。在此基础上完善输入规则、审核机制和提示词共享机制,才能推动生成式AI在全公司落地。

Q&A:确认生成式AI能做什么、不能做什么

Q. 最初适合交给生成式AI的工作是什么?

最初较适合交给生成式AI的工作是起草邮件、提炼会议纪要、整理资料结构和改写文章。这些工作便于人工确认AI输出,出错后可能造成的影响也相对容易控制。不要一开始就用于合同判断或客户沟通的最终决策,而应从便于人工核查的辅助任务开始。

Q. 生成式AI的回答可以相信到什么程度?

将生成式AI的回答视为未经核实的草稿更为稳妥。数字、日期、法律法规、合同条件、内部规定、客户信息和引用尤其需要回到原始资料核实。即使AI的回答读起来很自然,也不代表内容正确。

Q. 可以把内部资料输入生成式AI吗?

这取决于内部规则、合同条件和信息保密等级。即使是公开信息或一般内部信息,也需要确认使用环境和访问权限。个人信息、敏感信息、未公开财务信息、并购信息和客户机密信息,原则上应避免输入,或以脱敏处理和内部审批为前提。拿不准时,基本原则是不输入。

Q. 使用生成式AI会不会降低员工的判断力?

这取决于使用方式。如果持续让AI给出结论,员工自己思考的机会可能会减少。另一方面,如果让AI”提出议题””提出反对意见”或”列出检查项目”,也能帮助提高判断质量。重要的是,不把判断交给AI,而是利用AI补充人作出判断所需的信息。

Q. 向全体员工扩大生成式AI使用范围时,首先应该确定什么?

首先应该确定的不是工具,而是规则。具体包括可以和不可以交给AI的工作、可以和不可以输入的信息,以及输出审核方法。在此基础上,选择邮件撰写、会议纪要摘要和资料整理等容易看到效果的任务,小范围开展试用,更容易实现落地。

分享本文