自序

一个系统如果输出不稳定、不可验证，或无法在组织中持续、可靠地运行，它对企业的实际价值就需要重新评估。反过来，某个 AI 工具即使在单次演示中表现出色，若不能融入日常流程、经受变更并在异常时安全降级，其价值也不应只用演示效果衡量。

近年的企业 AI 实践呈现出一个常见张力：模型与工具能力持续变化，个人层面的写作、整理、分析与编程辅助更加容易获得；但要把这些局部改进转化为可复现、可验证、可治理的组织结果，仍需要补齐流程、数据、责任、评测和运营机制。不同企业的起点、数据条件、业务风险和技术环境并不相同，因此本书不以单一成功率、统一工具清单或“最佳模型”给出结论，而是提供一套可以在本组织中验证和调整的方法。

本书的核心问题是：在明确业务边界、人工责任和风险控制的前提下，如何让 AI 参与的工作产生可复核、可维护的结果。 它关注的不是调用次数，也不是单次输出是否显得聪明，而是一个用例能否被定义、测试、发布、观察、变更、回退、移交和退出。

本书的定位

这不是一本 Prompt 合集，也不是对技术趋势的预测。本书是一份面向企业实践者的工作手册：从能力边界和工作流设计开始，逐步覆盖数据与知识、场景试点、组织协同、价值评估、风险治理、运营韧性与能力移交。各章尽量提供可复用的框架、清单和模板，并将动态模型、工具和服务条件与相对稳定的方法原则分开管理。

本书适合以下读者：

• 在业务、运营、销售、产品、工程或支持岗位中实际使用 AI 的人员；
• 需要定义场景、配置资源、承担业务结果或治理责任的管理者；
• 负责知识、技术、风险、安全、交付或 AI COE 工作的实践者；
• 希望将个人提效转化为组织能力，并愿意用真实证据检验结果的团队。

建议的阅读方式

建议先阅读第 1 至第 6 章，建立从问题诊断、能力边界到最小闭环的共同语言。时间有限时，可按实际任务选择路径：需要校准预期时阅读第 1、2、3 章；需要设计并验证工作流时阅读第 4、5、6 章；需要推动团队协同、治理与交付时阅读第 7 至第 15 章；需要直接开始实践时，配合附录 A、B、C、D 与 evidence/ 目录中的资产使用。

附录中的模板应按组织的业务、数据、行业、合同和监管环境调整。它们用于帮助团队提出必要的问题、留下可复核证据，而不是替代法律、信息安全、隐私、采购、财务或行业专业判断。

关于证据、案例与局限

本书明确区分四类内容：相对稳定的方法原则、需要定期复核的外部动态事实、组织内部运行证据，以及经过去标识化处理的案例。模型、端点、功能、价格、数据处理和服务条件等信息应进入动态事实卡，并附来源、适用范围与核验日期；用例是否有效，应以本组织的 Golden Set、回归、发布、健康、事件和移交记录判断。

书中的模板、已填写示例和案例用于说明方法，不应自动视为任何组织已经实现的生产结论。尤其是 evidence/ 中的 P2 试点证据包，已经明确标出待现场验证项目；在没有受控样本、审核记录、配置证据和业务 Owner 确认前，不应据此扩大范围或宣布验收。

本书仍可能存在未覆盖的行业要求、语境差异和需要更新的内容。欢迎读者依据具体证据提出修订建议；任何动态信息、外部案例或重要数值都应回到附录 D 与事实卡登记册中复核。

版本说明

当前工作版本：v2.0.0。

后续版本将根据已验证的实践记录、读者反馈与动态事实复核结果迭代。

---

Jace

2026 年 8 月