高管关于AI的33个问题，以及所有答案

原文：https://every.to/p/every-answers-your-ai-questions

作者：Natalia Quintero, Mike Taylor 日期：2026-08-28

【编者按】 Natalia Quintero 负责 Every 的咨询业务，她与超过100家公司交流过AI落地问题，其中包括《纽约时报》和对冲基金 Walleye Capital。今年6月，她和 Mike Taylor——现在是 Every 评估业务负责人——共同主持了一场面向400位高管的线上研讨会，主题是组织如何在不陷入停滞的前提下采用和实施AI。现场观众提出的问题比他们能回答的还要多，所以他们事后整理了其中的33个——涵盖战略、说服怀疑者、工具选型、治理，以及如何为AI原生的未来重构公司。我们当时把这33个问题发给了研讨会的参会者，今天首次公开。——Kate Lee

当你把一屋子高管交到两位AI顾问面前，让他们随便问，你就能看到组织在这项技术上卡在了哪里。以下是我们在6月2日的直播中收到的全部问题——从如何让怀疑者上车，到如何保持上下文新鲜度。

Every Consulting 与科技和金融团队合作，在他们的工作流中实施AI，从战略到培训再到构建实际工具。

战略与组织转型

问：如何让团队对变革有更大的想象力？不只是把工作做得更快，而是重新思考工作本身是怎么做的？

答：给你最有AI好奇心、最愿意尝试的员工空间，让他们去做有雄心的项目。提高天花板比抬高地板更容易。一个精通AI的人做出10个好的技能、完成10倍的工作量，比让10个人各做出1个技能或产出翻倍更容易。一旦这个基础打下来，设定愿景、指定AI推动者、跑通高价值技能验证，然后规模推广。

问：一个好的AI采用愿景是什么样的？

答：AI是工具，不是战略。好的愿景是把AI应用到公司的战略路线图中，让你能去攻克其中那些以前不可能完成的部分。

例如客服：对客服的需求实际上是无限的，而要把客服电话的等待时间压到几分钟，你得雇太多人，成本太高。即便做到了，你的客户对话的那个人也未必拥有最优秀的客服代表所掌握的完整上下文。AI在这里是一个很好的均衡器。它让快速服务每个客户的成本更低，让每个客服代表都能实时搜索获得完整上下文，还能在有人接听电话之前就预先回答问题。这就是好愿景的样貌：有雄心，并且因为AI而终于变得负担得起。

问：需要说服怀疑者吗？怎么帮他们跨过“看到AI的价值”这道坎？

答：与其把精力放在说服怀疑者上，不如放大AI推动者的声音。当AI推动者——往往是怀疑者自己的同事——展示了他们如何从AI工具中获益，其他人会因为实用主义而跟着做。配合给团队的AI工具或技能演示，效果更好。

我还鼓励做副项目。有副项目的人在AI上领先得多，因为他们在副项目中可以承担比在工作中更大的风险，使用不在批准供应商名单上的工具，不断逼近工具能力的边界。过去，管理者可能对此感到不安。现在，如果一个员工没有副项目，我会很失望，因为那意味着他们没有空间去实验、去玩、去承担更大的风险。

问：用AI提升生产力和用AI追求更大的雄心之间存在张力吗？你如何权衡？

答：有两种生产力：把你已经在做的事做得更快，以及去做那些你本来不会做的事。第二种就是愿景。你不能只盯着生产力，但一旦你解决了生产力问题、把你已经在做的事自动化了，你就会开始寻找新的事情。优先处理眼前的痛点以获得即时价值，同时在更大的产品上做战略性的押注。

（以下为原文赞助内容，保留原文）

Show it once, and it runs the process from then on

Walk a Bot through a workflow the way you’d walk a new hire through it: the steps, the exceptions, the part where you check the invoice against the PO. It remembers, then runs the whole thing on its own, in its own browser, on its own computer in the cloud. Onboarding, reconciliation, outbound, release notes: pick the process nobody on your team wants to own and hand it over. Grok Bot, from the team behind SpaceXAI.

Teach your first Bot

Want to sponsor Every? Click here.

AI素养、培训与工作方式

问：什么是AI素养？AI有哪几个层级？

答：我们把它分为八个层级。大多数人处于最开始的一两层——他们使用ChatGPT，或者在Docs中使用Gemini、在Excel旁边使用Claude与AI协作。第三层是代理式（agentic），这是知识工作者正在走向的方向。许多人正在使用 Codex、Claude Cowork 和 Claude Code，并且以更偏向代理的方式来使用这些工具。要做到这一点，他们需要掌握技能，需要学会如何与AI代理协作、同时运行多个任务。

再往上是实验性的领域。工程师已经远远越过了AI采用的早期阶段——有时同时运行多个调用，进入编排（大约在第八层）阶段，由一个管理者AI来管理其他AI。

问：团队或公司一起使用AI，最高效的方式是什么？

答：通过创建共享的技能、共享的示例和共享的标准。公司不应该最终变成1000个人维护1000个私有的提示词文件夹。先把最佳的高频工作流变成可复用的技能，然后让这些技能可见、可编辑、有人负责、对所有人都开放。

问：教非技术用户使用AI，什么方法最有效？

答：不要抽象地教AI。给人们工具，让他们在真实工作中使用，并让他们在课堂上做出一个有用的东西。顿悟时刻通常出现在他们看到AI生成一个他们认识的工作产物之时——比如简报、备忘录、电子表格、评审清单、客户回复或项目计划。

问：哪些是好的早期成果或简单技能？

答：最好的早期成果是那些无聊但高频的事：做会议准备、通话摘要、文档审阅、营销内容初稿、研究简报、收件箱分类、质量控制清单、把混乱的输入转成结构化表格。如果一项任务每周都发生、有已知的产出、并且人可以快速审阅，它就是适合用AI自动化的好候选。

问：如何鼓励复用，而不是每个人都发明自己的提示词？

答：让复用成为一种可见的管理习惯。办演示日、开放时间（office hours）、共享技能库，并为最佳工作流指定清晰的负责人。

问：在公司内部建立一个集中的AI知识中心有价值吗？还是信息流动太快，中心化根本行不通？

答：我不认为一个集中的AI知识中心真的能运转——每份文档从发布那一刻起就开始过时，而且没有好办法识别哪些需要更新。每个人所处的阶段也很不一样：有人可能对技能无所不知，但对MCP（模型上下文协议，Model Context Protocol）了解不多。文章的价值恰恰在于它的时效性——发布时它们是新闻。要把它们变成知识中心，你得在之上再加一层机制来审查内容并保持更新，这非常消耗资源，而且可能还是满足不了所有人，因为每个人对“当下什么重要”都有不同看法。这是个难解决的问题，回报却不大。

问：你在人力资源、市场、法务和其他非IT团队看到了什么？

答：这些场景往往非常强，因为这些团队做的是大量语言密集、上下文密集的工作。人力资源可以用AI做入职、政策草案、员工沟通和福利问题。市场部可以用它做简报、人群细分、创意变体和调研。法务与合规可以用它做初筛审阅和问题发现，但需要更严格的人工复核。

工具、平台与基础设施

问：那些无法自建前沿AI的组织呢？如果需要购买，怎么处理实施？

答：在无法自建前沿工具的组织中，你仍然可以创建技能并接入你已有的软件。即使不能构建自己的模型，定制化地使用AI仍然好过等待第三方供应商来添加AI功能，因为这些供应商往往落后好几个月。

问：怎么管理如今数量如此之多的平台？你建议人力资源负责人去用 Claude Code 吗？怎么应对频繁切换的问题？

答：我们倾向于建议你选择一个平台。切换成本很高——要重新谈合同、培训员工，还有实际障碍，比如为 Codex 写的技能在 Claude Code 里不一定好用，反过来也一样。

只要模型来自 Anthropic 或 OpenAI，你都没问题。或者选择 Cursor 或 Copilot 这类能同时接入两者的第三方，这样可以降低切换成本。但这个问题没有完全解决，因为尤其是工程师，他们想要最好的模型，并且会调整自己的流程来得到它。

问：AI如何在Figma中审阅设计？

答：有Figma的MCP。Codex还内置了浏览器和注释功能，非常强——Codex可以直接控制Figma应用。我们通常会这样做。

问：为了站在前沿，经常切换AI工具值得吗？

答：我不建议新手频繁切换工具。落后前沿一两个月完全无所谓。除非你是AI工程师或极深地投入其中，否则切换工具不会给你带来多少边距优势——而且任何真正好的东西，其他实验室通常会在8到12周内复制过去。

问：关于今天的AI实施，有什么是你在一年前还不清楚的？

NQ：要有效使用AI，你仍然需要提供清晰的指令和引导。思路清晰的人、写作能力强的人、以及有卓越眼光的领域专家，最有可能从中获得价值。

MT：变化的速度有多快，而且还在继续加速。另外，AI在写作上仍然不出色：我曾以为写作问题基本解决了、代码需要更长时间，结果正好相反。我还曾以为每个人都会管理很多AI代理。但实际的主流用法是一个大家都用的AI代理，擅长调度不同任务。

治理、安全与风险

问：在监管严格、监管者要求透明与可解释性的环境中，AI治理有何不同？

答：AI实际上给了你更多透明度。如果你通过Claude实施，企业版方案会保存活动日志。你可以用AI分析这些日志并生成报告。所以你能提供更多透明度，而不是更少。

问：业务团队如何开展AI自动化，而又不让IT感觉被绕过？

答：让IT成为设计伙伴，而不是“说不”的部门。业务团队应该拥有工作流和成功定义；IT负责访问控制、系统架构和安全审查。不同工具需要不同级别的审查。一个帮你写东西的AI助手，和一个能访问公司数据库的系统，是完全不同的东西。把所有用例都视为同样风险，会让前进更加困难。使用AI的核心是理解潜在的上行收益和下行风险，而IT本来就是这方面的资源。解释业务成果、共同决定哪些协议适合业务，这是一个不断演进的对话。

问：AI的陷阱会因行业而异吗？

答：有些陷阱是普遍的。如果没有清晰的流程负责人、高管对这些工具不熟练、工具分散、公司不重新思考工作流，AI采用就不会成功。因行业而变的是AI采用必须在其中发生的约束条件。金融和医疗有更多合规要求，媒体有更多判断和品牌风险，工程有更快的工具迭代周期。但采用问题本质上是一样的：人们在懂得如何把这些工具纳入工作之前，就已经可以接触它们了。

问：关于token经济的讨论是怎样的？如何衡量价值与成本？

答：对于一项全新的任务、你正在创新的任务，或者你只会做一次的任务，使用最好的模型。最好的模型往往即使每token最贵也可能更便宜，因为它节省了纠错的时间，降低了坏结果的风险，而且通常能更快给出正确答案，不需要自我纠正。所以，你几乎所有工作都应该跑在前沿模型上。然后，当它变成你反复做的例行任务后，再卸载到更小的模型上，使用 DSPy、提示词优化或爬山优化（hill climbing）这样的框架，让它在更小的规模上依然运作良好。

问：公司应该如何思考数据主权、成本控制，以及对单一模型或供应商的依赖？

答：第一天不要过度工程化。选择一个安全的企业平台，把工作流做对，并尽可能让你重要的指令、技能、评估和数据层保持可移植。如果合规或数据驻留规则让现成工具行不通，那就构建一个外壳（harness）。但定制基础设施很昂贵，所以构建的理由应该来自真实约束，而不是审美偏好。

衡量影响

问：如何衡量AI采用的协作、产出质量和价值？

答：没有单一指标。应该在工作流层面衡量AI采用的收益：周期时间、产出质量、错误数量、返工频率、用户满意度（如NPS），以及用传统成本收益分析衡量的业务影响。同时跟踪复用情况：多少人使用了共享技能、技能被改进的频率、是否成为团队常规流程的一部分。

问：团队应该如何长期评估AI工作流的表现？

答：先建立AI引入前的基线：任务花了多长时间、按什么标准完成、成本是多少、有哪些常见的错误。然后跟踪引入AI后工作流是否真的有改善。对于重要的工作流，保留一小组真实样例的评估集，每当提示词、模型或工具变化时重新运行。否则你只是在凭感觉。

知识与上下文

问：如何让你的AI对公司的理解保持准确和最新——以及由谁负责这件事？

答：每个人都在试验记忆和文件存储方案。实践中的做法是把正确的上下文放进GitHub仓库，但我不认为这是个好方案。微软有 Windows IQ，谷歌也有自己的Docs MCP，但这个问题仍然没有被很好地解决。

问：知识管理债务和过期上下文的最佳实践是什么？

答：AI会暴露知识债务，但不会魔法般解决它。我们不会建议从一个庞大的知识库项目开始。从一个工作流最重要的10到20个来源开始，指定负责人，加新鲜度日期，并且激进地修剪。上下文不是一个仓库，不能把所有你可能需要的东西都倒进去——每份文档都需要凭自己的力量赢得位置，否则它可能弊大于利。

谁拥有AI？

问：专门的AI团队和全员组织赋能之间，什么平衡最好？

答：两者都需要。中央AI团队应该制定标准、处理安全和供应商决策、维护共享基础设施，并帮助搭建最初几个示例。但各业务团队需要拥有自己的工作流。如果中央团队拥有每个用例，它会成为瓶颈；如果每个人各自为政，就会失控蔓延。

问：如何处理AI跨越职能和部门边界的问题？

答：这是真正的管理问题之一。AI冲击组织架构图中的边界，因为工作本身从来没有像架构图看起来那样被干净地划分。我不会试图抽象地解决这个问题。对每个工作流，定义业务负责人、技术负责人、风险负责人和人工审批人。这通常比重画组织架构图更清晰。

问：如果你要从零开始在一个200到500人的组织中制度化AI，你会从哪里开始？

答：从高管开始。让领导层亲手足够多的体验，让他们理解现在有什么可能性，然后挑两三个有痛苦、重复、高价值工作的团队。梳理工作流，构建一个有用的技能或代理，证明它能跑通，然后把它当作内部示范。很多人犯的错误是在还没人能指认出一个被改变的具体工作流之前，就试图广泛“推出AI”。

问：高管通常知道最高杠杆的自动化在哪里吗？还是他们有盲点？

答：他们通常知道业务痛点，但不清楚用AI工具做哪些事容易、哪些难。最好的流程是从公司目标出发，然后问哪里工作慢、哪里贵、哪里不一致、哪里被稀缺的专业知识卡住。AI机会往往出现在三个特征同时兼备的地方：有明确产出、需要大量收集上下文、最终有人工判断。

Every Consulting——我们的工作方式

问：Every的咨询项目通常是什么样的？

答：各不相同，但模式通常是：高管对齐、发现访谈、工作流梳理、AI推动者选拔、实操培训、技能或工作流搭建、开放时间（office hours）和交接。有时这是一场半天的高管会议；有时是几个月的实施。共通点是我们帮人构建解决痛点的工具，而不是让他们坐在那里听演示。

问：Every的咨询如何反哺产品工作和产品供给？

答：客户让我们看到工具在哪里会崩、人们在哪里会困惑、哪些工作流真正重要、哪些技能会被复用。这会反馈到我们的写作、我们的产品和我们自己的内部系统。

问：你们自己在咨询和客户开发工作中是如何使用AI的？

答：我们在整个流程中都使用AI：准备通话、在发现访谈中寻找模式、起草提案、制作培训材料、构建客户专用的技能、测试工作流。我们还有一个叫 Claudie 的代理，支持我们咨询业务的日常运营。

问：当外部AI专家或驻场工程师推动早期成果时，如何避免依赖？

答：给每个外部构建者配一个内部推动者。交付物不应该只是一个能用的工具；它应该包括技能文件、评估、决策日志、操作说明，以及一位能修改它的同事。否则你得到的只是一个精彩的演示，而不是组织能力。

（以下为原文页脚内容，保留原文）

Natalia Quintero is the head of consulting at Every. You can follow her on X at @NataliaZarina and on LinkedIn. Mike Taylor is the head evals at Every and a co-author of Prompt Engineering for Generative AI (O’Reilly). To read more essays like this, subscribe to Every, and follow us on X at @every and on LinkedIn.

Everyone’s a builder now. Every All Access gets you the full membership plus the Builder Pack—$9,000+ in credits for the tools we build with.

Subscribe

核心启示：AI采用的关键不是工具本身，而是组织是否围绕工作流定义清晰的负责人，让业务团队拥有流程，并通过可复用的技能、持续的评估和可见的示范来推动真实改变——否则再先进的工具也无法落地。