我们应该如何使用AI来解决真正的业务问题？

前两天在哈佛商业评论的播客（HBR IdeaCast）上听到一期访谈节目，嘉宾是《大西洋月刊》的AI专栏作家Josh Tarengel，他最近出了一本新书叫《AI for Good》。

访谈中他引用实际的案例讲述了企业应该使用AI来解决业务问题的正确姿势，我觉得其中内容对当前很多正患“AI焦虑”的企业非常有帮助。

所以，把这次节目的一些主要内容做了一个整理如下：

Tarengel认为，今天所有人都在谈"AI转型"。好像你不用AI，明天公司就要倒闭。但这里有一个关键问题：太多公司是在"为AI找问题"，而不是"为问题找AI"。

他分享了一些案例，其核心信息：AI是工具，不是魔法。用得好不好，取决于你知不知道自己在解决什么问题。

这句话听起来像废话。但你可以想想周围一些公司在过去一年在AI上的投入——有多少次是先定了预算、订阅了AI工具、要求各部门"必须用起来"，然后再去想"我们用AI干什么"？

如果企业是这样的化，可能就已经陷入了AI使用的误区。

1、克利夫兰诊所的答案

Tarengel在节目里讲到了克利夫兰诊所。这是全美排名前三的医疗系统，他认为这家机构的AI实践可能是目前他能看到的最清醒的范本。

院长是个医生出身的管理者，他的观点：

"很多同行总在找魔法豆——想让自己变成医疗界的微软。我们不做医疗界的微软。我们有且只有两个优先目标：第一，给患者最好的治疗效果。第二，创造效率，把省下来的钱再投到患者治疗上。"

这句话翻译一下：AI必须服务于业务目标，而不是反过来让业务服务于AI。

所以克利夫兰诊所定了一个铁律：每一个AI试点项目的负责人，必须是医生或临床人员，不能是技术团队。技术为医学服务，医学不为技术服务。

然后他给了两个案例。

案例一：为医院提高运营效率

医院的运营本质上是个酒店—有房间、有床位、有布草、有餐食。但区别在于，酒店知道客人几点入住、几点退房；可是医院完全不知道病人什么时候出院、什么时候转院，这些结果都取决于几十个变量。

医院找了Palantir（一家知名的AI+大数据分析公司），不是让他们"做一个AI系统"，而是解决一个具体问题：我们能不能预测病人24小时内会出院？

他们把临床数据、医生口述记录（通过语音转文字）、护理记录全部接进来，用机器学习和算法预测病人的出院窗口。

结果：

• 转院接收率大幅提升

• 急诊室等待时间缩短了90分钟

• 直接改善了医院的财务状况

这个案例里有个关键：他们不是找了一个"AI供应商"来"做AI"。他们先想清楚了自己的问题——床位周转不可预测，然后找技术伙伴来解决这个具体问题。

案例二：脓毒症—41%死亡率下降

脓毒症是一种因感染导致的免疫系统反应失调，进而引发危及生命的器官功能障碍，每年大约致死35万人，比前列腺癌、乳腺癌、阿片类药物成瘾加起来还多。

这个病就是身体对感染的过度反应。早期发现，用抗生素就没事。但是如果发现晚了，人就抢救不过来了。

克利夫兰诊所在2021年的脓毒症死亡数据——每年3000到4000人，在全美最好的医疗系统之一，这个数字是不可接受的。

医院的CTO认为这是个绝佳的AI场景：从大量噪音中找信号。他们找了一家AI技术机构，拿AI技术做了一个预测模型，用红黄绿三色来做预警。

结果医生不买账。

为什么？因为ICU里每台机器都在滴滴响，警报疲劳是常态。而且早期版本没有解释——你不能在生死决策上让一台不解释自己的机器说了算。

于是他们做了两件事：1）加入解释——告诉医生"为什么是红色"；2）持续跟医生护士磨合，让AI模型融入临床实践，而不是凌驾其上。

一年后，脓毒症死亡率下降了41%。大概1000条人命。

不过，到最后依然有10%的病例，AI还是抓不住。有些护士看一下病人的肤色、闻一下气味就能看出问题，但AI判断不出来。

AI再强，人类目前在疾病上也能表现出AI无法完全理解的模式。

2、三个围绕AI决策的原则

从克利夫兰诊所的故事里，我们不难提炼出三条在做任何AI相关决策前需要遵循的原则：

原则一：先有真问题，再找AI方案

这听上去太简单了，但是很多公司并没有做到。

Tarengel的观察是：成功的AI实施，都始于一个清晰的、具体的业务问题；相反，失败的AI实施，都始于"我们要用AI"。

他举了一个反面例子：他有个朋友在纽约开软件公司，团队用Claude Code之后，每个工程师变成了"一个人的帝国"。他们说："这个事儿我一个人全搞定了——产品设计、代码、产品描述。"

然后拿出来的东西，丑到没法看，还漏了很多需求。

Claude Code让工程师用10%的时间完成了80%的工作，他们就以为问题已经解决了。但产品开发远不只是写代码。

这和很多公司搞AI的逻辑一模一样——以为买了工具就完成了转型，忽视了那些冰山下的东西：用户需求理解、跨部门协调、组织文化适配。

原则二：领域专家主导，技术团队配合

克利夫兰诊所那条铁律：AI试点项目必须由业务专家（医生）牵头，而不是技术团队。

放在企业管理语境里，就是：HR的AI项目由HR专家牵头，财务的AI项目由财务专家牵头，运营的AI项目由运营专家牵头。

Tarengel对此的解释很直白：

"模型实验室的那些人非常擅长的事情——创建、训练和调试模型。但这种人通常非常不擅长理解业务和理解客户。"

换句话说，OpenAI的CEO Sam Altman不会比一个生物技术CEO更懂生物技术。

AI供应商解决的是技术问题，不是你的业务问题。你的业务问题只有你自己能定义。

下次，当AI公司的销售来找你的时候，你该问的不是"你们能做什么"，而是"我有一个问题，你觉得你能帮上什么"。

原则三：用研发心态做事，而不是采购心态。

很多企业的在IT系统上的采购思维是：选供应商→签合同→部署→验收→完事。这套逻辑用在IT系统上勉强能用，用在AI上就完蛋。

AI不是在"部署"那一刻产生价值的。AI的价值是在反复迭代、反馈、调整、跟业务磨合、再迭代的过程中产生的。

克利夫兰诊所的脓毒症模型，第一版有效但医生不用，第二版加了可解释性，第三版...，直到现在还在迭代——10%的病例还是抓不住。

所以AI项目不能按"项目"来管。它像是一个研发的过程。我们需要持续探索，而不是在采购。

Tarengel的建议是：设预算、设时间、设目标，但别设"完美的产出"。告诉团队："我们接下来X个月去试这个东西，你愿意参加吗？你想领导这个尝试吗？"

这个沟通方式本身就在降低恐惧——当员工知道"这不是来替代我的，这是来和我一起试的"，他们就会更愿意来配合公司。

3、AI不是万能的，但你不能逃避

节目里主持人提到了一个现象：很多人对AI不只是恐惧，而是蔑视。

谷歌前任CEO施密特前不久在一所美国大学毕业典礼上谈AI被学生们嘘。这不仅仅是"我怕丢工作"——很多嘘他的人是用过AI的，他们认为很多AI的产出是信息垃圾。

Tarengel认为这种愤怒是合理的。过去20年，科技公司先给了我们社交媒体，然后又让我们目睹了信息茧房、注意力碎片化、让人上瘾的设计。现在同一批人拿着AI过来说"这回不一样了，相信我"。

但他也提醒了一件事：你可以不信任科技公司，但你不能假装AI不存在。

他说：

"看看你的公司，问自己一个问题：我们公司的'代码'在哪儿？"

"代码"不只是软件代码，而是包括了组织内部的各种信息、数据和规则。AI本质上擅长在不同类型的"代码"之间做翻译。

如果你公司的核心业务涉及大量规则、文档、结构化数据，AI就大概率能用上。我在之前一篇文章（）里提到有公司全员发AI录音卡，也是为了在组织内部完整的为AI获取这样的“代码”。

4、那个绕不过去的话题：AI恐惧

主持人问了一个问题：如果你的员工问你"AI会不会取代我"，你怎么回答？

Tarengel的建议是：你的回答只能是"有可能"。

同时补充一句"但我们的工作是解决客户的问题。我们希望你在场，我们需要你参与这个过程。"

这不是敷衍。这是实话。

我在另一篇文章（）里写过哈佛那个报告：AI原生公司的员工规模比传统同行少25%，管理者少15%。Gartner预测到2026年底，20%的组织会砍掉一半以上中层管理职位。

这些数字不骗人。但恐惧和回避解决不了问题。

Tarengel的建议——透明沟通，把所有相关的人拉上船。

"你想参与这个项目试点吗？你想领导这个项目吗？"把选择权交给员工，比"上头要求AI使用率必须达到X%"的效果好一百倍。

还有一个被忽视的问题：培训。

Tarengel认为：真正有效的培训，不是"这是AI软件，这是你以后要做的事"，而是把人的既有技能和AI工具融合在一起。

他用电工举了个例子：一个电工需要的是多模态AI——拍张照片让AI帮你快速诊断故障、评估安全隐患——而不是让电工变成程序员。

所以，HR不需要学会写Prompt，HR需要的是一套能帮自己把人才盘点效率提高80%的AI工具；销售不需要学机器学习，销售需要的是AI帮自己分析客户沟通记录、找到成单信号。

培训的核心是"集成"，不是"替代"。

这一点，大部分企业的AI培训方案都做反了。他们教员工"怎么用AI"，但没告诉员工"AI怎么能让你已有的本事放大十倍"。

5、找到你的公司"代码"在哪儿？

Tarengel在节目最后给了一个很实操的建议给企业管理者认真思考。

"看看你的公司，问自己：我们公司的'代码'在哪儿？"

软件是代码，法律条文是代码，数学公式是代码，政策手册是代码，标准操作流程本质上也是代码。

如果你公司有大量的规则文档——合同审核、合规检查、SOP（标准操作流程）、客服问答——AI几乎一定用得上。不需要做什么"AI转型规划"，先找一个最小的突破口。

但Tarengel也警告了一件事：如果你的数据是垃圾，AI的结果就一定是垃圾。

所以，在应用AI之前，先问两个问题：

1.你的"代码"在哪儿？——你公司哪部分业务最容易被AI干掉（或增强）？

2.你的数据干净吗？——如果答案是否定的，先清理数据，再谈AI。

克利夫兰诊所没想当"医疗界的微软"。他们只想让脓毒症致死率降低一些，让急诊室快90分钟。AI是实现这些目标的手段。

你的公司，你的团队，你的业务的"真问题"到底是什么？

先搞清楚这个问题，再上马任何AI工具都不迟。

—— End ——

1、

2、

3、