7 月上旬，我们到广州，为素芸做了一场内部 AI 培训交流。
开场时，素芸方面把这次交流的目的说得很清楚：他们此前已经做过 AI、大模型相关的内部分享，也在评估未来怎么把大模型能力引入企业工作。这一次，希望话题更广一些，不只聊某一个平台或某一个工具，而是看 AI 在跨境、电商，以及企业前中后台里到底怎么落地。
这也是这场培训最重要的起点。
很多企业现在已经不缺 AI 工具。问答、生图、生视频、表格分析、PPT、代码助手，单点工具越来越多，试用门槛也越来越低。但企业真正开始落地时，很快会遇到另一个问题：工具能不能进入业务流程？能不能被团队复用？能不能形成标准？能不能让新员工、运营、设计、产品、IT 都在同一套业务逻辑里协作？
所以这场交流没有停在“推荐哪些工具”。我们更想讲清楚的是：AI 正在从单点工具，进入 Agent、Skill 和组织协作。
从单点工具，到企业自己的 AI 工作流
培训一开始，我们先讲了一个判断：企业使用 AI，通常会经过三层。
第一层是工具
员工用 AI 问答、生成图片、生成视频、整理表格、写文案。这一层最容易开始，也最容易看到局部效率提升。
第二层是 Agent
AI 不只是回答一个问题，而是沿着一个业务流程连续工作。比如一次选品，不只是让 AI 写一段分析，而是让它读取市场数据、整理竞品、分析评论、提炼痛点、形成方向，再在关键节点停下来交给人判断。
第三层是组织
企业真正要解决的不是“谁用了哪个工具”，而是怎么让多个岗位、多个流程、多个系统里的 AI 能力协同起来。这里就会出现 Skill，也就是企业自己的业务标准。
我们在现场把 Skill 解释得尽量简单：它不是神秘的技术概念，本质上是一份 AI 能读懂、团队也能读懂的业务说明。一个业务负责人过去靠经验做判断，现在要把判断路径、审核标准、流程顺序写出来，让 AI 按照企业自己的逻辑工作。
这件事听起来像写 SOP，但它和传统 SOP 又不完全一样。传统 SOP 写完后，常常被放在文档里；AI 时代的 Skill 会被持续调用、反馈和更新。业务变了，标准也要改。人的价值不在于每天重复执行，而在于定义标准、判断结果、修正方向。
这是这次培训反复强调的一点：AI 不是把人从业务里拿走，而是把人从大量执行里往上推。人要更像 AI 的业务负责人。
现场讨论最多的，是业务里真正耗人的环节
为了让这个框架更具体，我们在现场拆了几个企业里常见的业务场景。
第一个是生图。
很多团队已经试过 AI 生图，但放进企业后，问题很快出现：同一个品牌有自己的调性，不同平台有不同图片规则，运营和设计对“好图”的理解也不一样。如果只是让每个人各自打开一个生图工具，结果可能是每个人都能做出图，但风格、标准、效率和可复用性都不可控。
所以我们讲的不是“怎么写一个提示词”，而是怎么把品牌调性、目标市场、平台规则、禁用元素、历史素材风格沉淀成一套标准。运营可以基于白底图和参考图快速生成初版素材，设计则把更多精力放在品牌定调、审核和高质量微调上。
第二个是视频。
短视频生成的流程比图片更复杂。一个可用的视频，背后往往包含参考视频、分镜拆解、首尾帧设计、运镜、提示词、抽卡、剪辑返工。很多人以为难点在模型，其实企业真正难的是流程：谁来拆分镜，谁来判断风格，怎么控制成本，怎么把一个 60 秒视频拆成多个可控镜头，怎么让生成结果不飘。
我们在现场展示的思路，是把视频生产也拆成可管理的流程。先明确产品图、场景、卖点和参考视频，再让 AI 拆故事板和镜头，最后由人审核关键帧和镜头是否可用。这样 AI 负责执行和生成，人负责标准和判断。
第三个是选品。
选品是最能说明 Agent 价值的场景之一。过去一个选品项目，市场调研、竞品整理、评论分析、价格带判断、产品方向讨论，常常要靠人花几天甚至更久才能形成一个初步判断。
AI 进入这个流程后，不是替代人拍板，而是把大量基础工作提前完成。它可以抓取和整理多个数据源，做竞品全景表，拆用户评论里的痛点，按照企业自己的供应链、价格带和历史 SKU 逻辑给出候选方向。每一个关键节点，人都要停下来判断：这个方向能不能做，数据是否可信，机会是不是符合企业能力。
这也是我们在现场一直提醒的地方：不能让 AI 黑箱式地给一个漂亮结论。企业要能看到它用了哪些数据、引用了哪些评论、哪些字段确定、哪些字段不确定。AI 的价值是把信息处理速度大幅提升，但业务决策仍然要由人负责。
第四个是红人和内容运营。
这类业务过去很依赖人工执行。找人、筛选、写私信、改话术、测试回复率、调整返佣，很多环节都细碎、重复、难标准化。但越是这种高频、非标、需要大量试错的工作，越适合用 AI 做执行层的放大。
我们在培训中讲到，一个企业如果能把目标人群、红人画像、触达时间、话术变量、返佣测试等规则写清楚，就可以让 AI 做大量执行和 A/B 测试。人不需要盯着每一封消息，而是看整体结果，判断哪类人群、哪类话术、哪个时间窗口更有效。
这些案例背后，其实都指向同一件事：企业不是缺一个更会聊天的 AI，而是缺一套能进入业务流程的 AI 工作方式。
素芸真正关心的问题，已经进入了落地层
一场培训是否有效，不只看分享了多少案例，更要看现场的问题有没有变具体。
素芸的提问从一开始就没有停留在“这个工具叫什么”。他们更关心的是：如果企业真的要用，怎么用得起来。
1
工具、平台和定制系统到底有什么区别？
工具解决的是单点效率，企业要解决的是流程。真正有价值的系统，不是把所有工具堆在一起，而是围绕企业自己的流程，把数据、标准、权限、模型和人工审核节点串起来。
2
人的标准怎么沉淀进 AI？
标准最开始可以很简单。它可能就是一份简短文档：这个品牌要什么风格，不要什么元素；这个选品流程先看什么数据，再看什么评论；这个视频场景必须保留哪些镜头，哪些表达不能出现。
3
数据真实性怎么保证？
企业级 AI 不能把所有数据一股脑丢给一个模型，让它给出一个完整结论。更稳妥的方式是把任务拆细：先确认数据源，再分模块抓取和清洗，再做交叉验证。
4
企业内部 IT 部门以后做什么？
IT 部门仍然要负责底层数据、ERP、BI、权限、系统稳定性和基础设施。AI 场景更像是在这些基础设施之上长出新的业务模块。
换句话说，AI 不会让 IT 变得不重要，只会让 IT 和业务的关系更近。业务会提出更多新需求，IT 要保证底层数据和系统能接得住。
共识：自上而下，leader 驱动
这场培训最后没有落在“企业要不要 AI”这个问题上。这个问题已经不难回答。
更实际的问题是：素芸应该先从哪里开始。
现场交流到最后，方向变得很清楚：不需要一开始就做完整体系，也不需要马上重构所有流程。更稳妥的方式，是先找一个具体、耗人、频繁、可验证的业务场景。
这个场景可以是选品数据整理，可以是素材生成，可以是库存或表格处理，也可以是某个团队反复消耗人力、但 IT 又很难及时覆盖的小流程。关键不在于它是不是最宏大，而在于它能不能让团队很快看到结果。
这也是我们认为这次素芸培训效果好的地方。
好的企业内训，不是讲完后大家觉得“AI 很厉害”，而是现场问题开始变得具体：我们的流程在哪里卡住？人的经验怎么沉淀？数据怎么校验？IT 怎么配合？先拿哪个场景试？
素芸在这场交流里的反馈，正是沿着这条线往下走的。
从工具，到 Agent；从演示，到流程；从概念，到一个可以先做起来的业务点。这场培训真正完成的，是把 AI 从一个外部话题，推进到了素芸自己的业务讨论里。
