赵亮对这件事的判断不太一样。

"很多公司觉得做AI是为了提升效率，我们认为提升效率只是‘结果’。如果一款产品最后失败了，哪怕你提升了100人的效率也是没有价值的。"

赵亮是科沃斯集团创新模式研究院院长、科沃斯的AI战略应用专家，在与AI原生Lab进行深度交流时，他提出了一个更根本的问题：企业做AI，到底要的是什么？

值得一提的是，在具体落地智能体时，很多企业会选择以“商店式”在系统内上架成千上万个智能体，而科沃斯只做了18个。赵亮认为，智能体的价值不在数量。"每个人思考的不再是'我是哪个部门的'，而是'我在主价值流上处于什么位置'。"

这家制造业大厂，正在围绕AI智能体，重建组织。

1.AI转型是绝对的“一把手工程”，必须长在主价值流上。千万别把AI转型丢给IT部门去搞。科沃斯的变革由董事长亲自牵头，反向要求业务部门主导。他们没有搞市场上那种上万个孤立的AI小工具，而是只建设了18个端到端打通的智能体集群，彻底打通了数据孤岛。

2.重塑核心业务流：让AI接管定价权，替高管“吵架”。在最易滋生贪腐的采购环节，定厂、定价权全面交由AI完成，“人不能修改结果，只能修改规则”；在新产品定义（MRD）早期，不再依赖高管线下开会扯皮，而是让代表不同利益的智能体协同“吵架”，提前穷尽排雷，兜住正确率的下限。

3.重构“算力账本”：Token消耗暴增千倍也划算。企业在AI时代必须算一笔新账。虽然让智能体去干活会导致Token消耗量呈十倍、百倍甚至千倍级暴增，但相比省下的跨部门沟通和试错成本，这笔投入极其划算，跑通一个项目的ROI（投资回报率）仅需3到4个月。

4.切断海外大模型避险，90%算力转向国产。出于地缘政治避险考量，科沃斯果断停用了曾备受内部青睐的海外大模型Claude，将90%以上的需求转向国内大模型。这不仅守住了企业信息安全的基线，更让AI使用成本狂降至海外的二十分之一。

5.硬承诺“不因AI裁员”，用内部活水做大业务盘子。AI带来的最大变量是对组织架构的重塑。为了打消员工顾虑，科沃斯给出承诺：省下来的人力不裁，而是通过内部“活水计划”投入新业务，等于在不增加核心人力成本的前提下，把公司的盘子做大了。

6.人才估值逻辑生变：复合型“通才”无情碾压专才。职场人才画像已被改写。单拼专业很难拼过AI，单项前1%的“顶尖专才”正在贬值；相反，能在三个不同领域达到前10%、能驾驭AI拆解任务的复合型“通才”，将成为真正的稀缺资源。

7.走向“碳硅基协同”终局，让人只做人的事。科沃斯的最终目标是实现组织架构的极致扁平化。日常琐事交给机器，让管理者一天只做极少数的高质量决策，把人类的精力彻底解放出来。

18套智能体，0个部门墙

科沃斯的AI变革分三步走。

2023年初，大模型尚未成熟。科沃斯的扫地机器人一直在与AI协同进化，但AI在企业经营管理层面还是空白。董事长钱东奇牵头，各业务域的骨干加入，做了一批单点尝试。这些成果今天看或许不值一提，但它让整个组织"进去了，有了感觉"。赵亮回忆时用了一个词：探索。不是方法论，不是路线图，就是先让人进去。

第二步是标杆验证。Agent（智能体）概念出来后，科沃斯挑选了对AI感受较好的团队，花半年多时间在供应链和前端广告投流两个领域各打造了一个标杆智能体。两个项目都超出最初的预期，起到了极好的示范作用。赵亮说，这一步解决的是"先看到才会相信"的问题。不少原本观望的员工，在看到标杆成果后受到了正向激励。

第三步是全域打通。标杆验证的结果确认后，董事长亲自牵头成立了"效率变革委员会"，所有业务域的一把手和骨干全部参与。 但赵亮强调，这一步最重要的决定，是明确了智能体的编排逻辑。

"我们没有以部门为单位去做上万个智能体。"赵亮见过不少企业大面积铺设智能体，但各自为战、彼此割裂，等于把传统的"部门墙"换了个形态重建了一遍。科沃斯的选择是少做、做通。每个智能体不归属于某一个部门，而是对应价值流上的某一个节点。

由此带来一个根本性的变化：当所有人都在同一条价值流上工作，跨部门协作的障碍在结构上被消解了。

先解决人的问题

技术路径确定之后，最大的阻力来自人。

赵亮说，过去几次工业革命增强的都是体力，这一次变成了脑力的替代，"这就很要命了"。资深员工最深的担忧不只是被裁员，而是自己多年积累的经验一旦被AI吸收，人就不再被需要了。

对于一家近万人的制造企业，这种恐惧如果不正面回应，任何方案都推不动。

科沃斯做了三件事。

第一，承诺"不因AI裁员"。赵亮说，只要你愿意上车、一起走，公司绝不会因为AI提效了就把人裁掉。这让员工吃下了定心丸，放下了抵触心态。

第二，推行"只出不进"与"活水计划"。面对每年自然流失的员工，公司大幅减少招聘、不再补位。AI节省下来的人员，通过内部的"活水计划"转移到新产品、新业务线上，是增大盘子，不是缩小盘子。

第三，激发职场想象力。赵亮的说法很直接：不要把思维局限在一家公司内部。今天跟公司站在一起学到AI技能，无论将来在不在科沃斯，在整个社会的职场竞争力都会更大。

恐惧解除之后，科沃斯做了一个与多数企业相反的动作。

过去企业做数字化，最常见的败局是把事情全丢给IT部门，业务部门袖手旁观。科沃斯反过来：让业务人员学AI技能，基于自己的业务常识打造智能体。赵亮说，今天AI让技术门槛大幅下降，一个不懂代码的业务骨干也能搭建智能体。科沃斯把这些骨干发动起来，组建了一支"民兵组织"，全部参与到智能体的建设中。

与之配套的是岗位体系的重构。每个智能体单元中，最高负责人叫"AgentOwner"，是决策者。日常工作主要由智能体完成，但AI难免犯错，需要人来"守门"，资深管理者担任SeniorCopilot，普通员工担任Copilot。

绩效考评也跟着变了。"与AI协同"成为重要的考察项。但在早期探索阶段，即使做得不好也不惩罚。赵亮认为，在探索期使用负向激励适得其反。

他把科沃斯追求的状态概括为"碳硅一体"：碳基的人和硅基的智能体融合工作，形成一种新的协作方式。具体到日常习惯，就是"万事先问AI"。

人不能改结果，只能改规则

组织结构理顺之后，AI开始重写一些运行多年的业务流程。有些变化，过去想都不敢想。

最典型的是采购。在传统模式下，采购环节的定厂、定价是一个既耗时又敏感的流程。供应商选择牵涉利益博弈，腐败风险长期困扰着制造业。

科沃斯的做法是：定价结果完全由AI决定，人不能修改结果，只能修改规则。

人仍然是规则的制定者，决定评估逻辑、权重参数、底线约束。但一旦规则确定，执行层面完全交给AI。赵亮说，过去采购环节最头疼的人为干预空间，现在从一开始就不存在了。这就是"碳硅基协同"的新思维。

产品定义流程同样被深度改造。

赵亮介绍，科沃斯在AI时代做流程梳理，不只问过去分几步，更要问一个关键问题：这个流程里，让事情顺利推进的"核心判断"究竟是什么？他们会去找骨干员工：你的判断标准是什么？什么是GoodCase？什么是BadCase？这些都是组织经验资产的沉淀。

以MRD（市场需求文档）为例。过去一份MRD从0.1迭代到1.0，需要产品、研发、供应链、品控几个团队线下开会讨论，争吵在所难免，遗漏也常有发生。现在，协同和"吵架"由智能体之间完成。AI的优势在于事无巨细、事无遗漏，每次都能保住下限。 "我们既要做正确的事，也要正确地做事。"赵亮说。他不追求一次性突破到非常高，但看重"可累积的进步"。

招聘流程也被改写。过去一个候选人需要经过HR一面、业务主管二面、高管三面，流程省不掉。但如果这三拨人的经验被沉淀到知识库里，一个面试官借助AI辅助，就能一次性完成三个维度的考察。赵亮说，过去不可能存在的"超级多面手"，今天成为了可能。

在数据治理上，科沃斯走了一条务实的路。赵亮明确反对"必须把数据做到尽善尽美才开始做AI"的观点。他们的逻辑叫"以用促治"：哪个环节要上智能体了，就针对性地做数据治理。抓手很清晰，就看智能体最后能不能发挥作用。如果不能，反查下来往往就是数据出了问题。

他还指出一个容易被忽略的变化：过去的数据是"给人看"的，符合人的阅读习惯就行。但今天的数据首先要"给AI看"，需要做结构化处理，把颗粒度做到AI可以理解的程度。数据治理和AI落地，必须并行推进。

知识库的维护也有明确分工。"建设者"负责从0到1搭建，"守门员"负责日常把关，"管理者"负责制定迭代大方向。赵亮特别提到一个观念："做事就等于学习。"每一次业务流跑完，产生的新经验会以工作流、知识库或数据库的形式反哺到智能体的建设中。知识不是一次性录入的，而是在使用中不断生长。

知行合一

组织变了，流程变了，管理者的角色也跟着变了。

科沃斯内部有一个"经营分析体"，每周一自动抓取公司需要关注的问题，拆解任务并分派给相关员工。管理者不再是那个直接下指令的人，而是在背后做判断：AI分派得对不对？有没有改进空间？

赵亮认为，管理者的最佳状态，绝不是一天做100个低质量的日常决定。他宁可管理者一天只做极少的决策，但每个都高质量。日常琐事交给AI，管理者把真正的精力放在对公司发展、对产品面世真正关键的决策上。不同层级的管理者看到的AI数据不一定更多，但一定更贴切。

管理扁平化是自然的结果。中间层级越来越少，判断力成为管理者最核心的能力。

对年轻人，赵亮给了一个不太传统的建议。过去的主流思路是在一个细分领域做到前1%的顶尖专家。但他认为，在AI时代单拼专业很难拼得过AI。他建议年轻人成为"通才"：如果在三个不同领域都能达到前10%，相乘起来同样极度稀缺。科沃斯的校招项目"科蓝生"仍在招聘应届毕业生，赵亮说年轻人对AI的体感更好，是生力军。

模型选择上，科沃斯做了一个务实的风险决策。赵亮透露，公司早期有不少工程师习惯使用海外大模型，但此后部分海外厂商对中国区实施了服务限制，"公司承受不了这种风险"，果断停用、全面切换到国产。结果不仅能力够用，成本还降到了海外的十分之一到二十分之一，科沃斯90%以上使用国内模型。

当然，让智能体去"做事"而非简单问答，Token消耗量是过去的十倍百倍千倍，总支出有所增加。但相比节省的人力成本，赵亮说，这笔账算得过来。

赵亮还透露，科沃斯如今也在为外部企业提供智能体整体落地服务。他们对外服务时看的第一件事，就是企业"一号位"的态度。科沃斯董事长钱东奇一年开几百场会推进AI变革。

赵亮说，前半年遇到的困难极大，如果老板犹疑或不重视，不如不开始。没有最高层的坚定支持，稍有迟疑就推不下去。

这场变革最终指向赵亮在整场对话中反复提到的一个概念：知行合一。

400多年前王阳明提出知行合一，在传统语境里始终是一个哲学理想。今天有了AI，企业第一次有机会逼近这个理想。AI能提升判断准确率，兜住下限，减少人为操作中不可避免的错误概率。"知道"和"做到"之间的鸿沟，正在被技术填平。

科沃斯的实践提供了一个值得观察的样本：企业AI的竞争，或许不在模型的先进性，不在算力的充裕度，而在于谁能更快地把一个碳基组织，改造成碳硅一体的新物种。

以下是对访谈中精彩部分的整理：

Q1：有了AI之后，科沃斯在企业经营和工厂管理上，有没有发生一些“实质性的改变”？

赵亮：整体上来说，改变是非常大的，而且这种改变不光是在一个层面。我们公司从2022年底、2023年初就开始尝试整个公司的企业AI变革。到现在3年多的时间，我们把整个过程分成了几个阶段：

• 第一个阶段是“探索”。2023年初大模型还不是很成熟，虽然我们的扫地机器人一直在跟AI协同进化，但过去的AI只是用在产品上，还没用在企业全面经营管理上。当时老板牵头，很多业务域的小伙伴加入做了一些单点尝试。这些成果今天看可能不值一提，但它至少使大家能够进去了，有了这种感觉。

• 第二个阶段是“标杆验证”。随着Agent（智能体）概念出来，我们觉得大模型不光能回答问题，还能具体做事情。我们组织了对AI感受较好的团队，花了半年多时间打造了两个标杆智能体（供应链领域和前端广告投流领域）。它们超出了最初的期望，起到了极好的示范效果，让很多需要“先看到才会相信”的员工受到了正向激励。

• 第三个阶段是“全域打通”。明确结果出来后，我们组织了由老板亲自牵头的“效率变革委员会”，所有业务域一把手和骨干全部参与。我们认为最重要的一点是：一定要激发业务部门自身的动力。过去企业做数字化铩羽而归，最大问题是把事情全丢给IT部门。今天AI让技术门槛大幅下降，我们反向操作：让业务人员学习AI技能，基于业务常识打造智能体。

如果问科沃斯的AI跟其他企业有什么区别？市场上有很多漂亮的“单点AI工具”，但我们的最大优势不在于单点，而在于：我们的智能体是全部打通的，它是非常贴合我们公司的价值流，沿着主价值流串联到一起的。

Q2：我们跟很多企业交流时，他们反馈了一个痛点：真正把AI落地到行业，会发现最有价值的业务经验存在资深员工脑子里，但他们怕被“蒸馏”而不愿分享。科沃斯是如何解决这个阻力，取得如此令人印象深刻的成果的？

赵亮：这个问题蛮好的。回望过去几次工业革命，都是对人“体力”的增强，但这次变成了“脑力”的替代，这就很要命了。

员工难免会想：“到了一定程度，你是不是直接就把我干掉了？”所以这不光是技术落地，更是整个组织的变革。

作为一家接近万人的大型制造企业，我们在这个地方会向员工承诺并引导几件事：

• 承诺“不因AI裁员”。只要你愿意上车、一起走，我们绝不会因为AI提效了就把这个人裁掉。这让员工吃下定心丸，放下抵触心态。

• 实行“只出不进”与“活水计划”。公司始终要提效，面对每年自然流失的员工，我们大幅减少招聘，不再补位。对于AI节省下来的人员，我们通过内部的“活水计划”去开拓新产品、新业务线，增加公司的盘子，而不是缩小盘子。

• 激发职场想象力。我们告诉员工，不要把思维局限在一家公司内部。现在很少有人一辈子只待一家公司，你要思考自己在整个社会的职场竞争力。如果你今天能跟公司站在一起学到AI技能，无论将来在不在公司，你的发展空间都会更大。

Q3：在这样的变革下，科沃斯内部的组织架构和激励机制发生了哪些新的变化？

赵亮：一定会有变化，但我们不是一次性推翻。我们承认过去那一套“科层制”（HierarchicalSystem）的管理方式在今天有很大弊端，但传统制造业历史包袱重，所以我们是逐步迁移。

在实现“碳硅一体”业务链条拉通后，我们开始“以智能体为中心”来运营公司。同时，在绩效考评和日常激励中，我们将“与AI协同”作为重要的考察项，用正向激励引导大家朝这个方向走；早期探索阶段，即使有人暂未做好，也不会给予惩罚，以免负向激励在探索期适得其反。

改变了很多岗位称呼：

• 这个单元最大的负责人叫“智能体的Owner”，他是决策者；

• 往下，主要事情由智能体来做，但AI难免犯错，所以需要人来“守门”，我们叫Copilot。其中，资深管理者是SeniorCopilot，普通员工是普通的Copilot；

• 此外，我们还发动业务骨干成立了“民兵组织”，全部参与到智能体的建设中。

最终，我们希望整个组织有一天能完全变成一个“AI原生”的组织。

Q4：当各个业务部门都参与设计Agent时，Agent数量会越来越多。站在公司管理层角度，如何进行协同管理，避免形成新的“智能体部门墙”？

赵亮：我们有一个“顶层设计”——严格沿着公司的主价值流来运行。

我们没有以部门为单位去做上万个智能体，智能体的价值不在于数量，而在于是否端到端打通。到去年年底，我们创造了18个智能体的集群，全部贯穿在主价值流之上。这样每个人思考的就不再是“我是哪个部门的”，而是“我在主价值流上处于什么位置”，这就避免了部门墙。

很多公司觉得做AI是为了提升效率，我们认为提升效率只是“结果”。如果一款产品最后失败了，哪怕你提升了100人的效率也是没有价值的。智能体带来的真正价值是“知行合一”。400多年前王阳明就在说知行合一，今天有了AI，企业真的有机会做到“知道就几乎等于做到”。它能提升判断准确率，兜住下限，避免人为操作时无法避免的错误概率，这才是核心价值。

Q5：能否结合具体的场景案例，说明一下这种“沿着主架构编排”的思想是如何落地的？

赵亮：以最前端的“产品定义”为例。我们在AI时代做流程梳理，不只问过去分几步，更要问：这个流程里，让事情顺利推进的“核心判断”究竟是什么？

我们会去问骨干员工：“你的判断标准是什么？什么是GoodCase？什么是BadCase？”这些都是组织经验资产的沉淀。比如寻找破局方向，我们可能有自己的传统工具，但重要的是，你找到破局方向的核心判断是什么？我们一定要把这个沉淀下来。

再往后推进到MRD（市场需求文档）0.1到1.0阶段，过去需要产品、研发、供应链、品控线下开会吵架，容易遗漏；现在是智能体之间进行协同“吵架”，早期就把问题解决了。它能做到事无巨细、事无遗漏。这样既提升了效率，也提升了正确率——我们既要做正确的事，也要正确地做事。我们不追求一次性突破到非常高，但它每次都能保住下限，实现“可累积的进步”。

Q6：在AI时代，管理层对数据的发掘和沉淀，是不是比之前有了不一样的洞察？

赵亮：是的，但我们极不赞同“必须把数据做到尽善尽美才开始做AI”。数据治理永无止境，追求尽善尽美容易反复返工。 在AI时代，我们的逻辑叫“以用促治”。哪个业务环节要上智能体了，我们就针对性地开始数据治理。抓手非常清晰：就看这个智能体最后能不能发挥作用。如果不能，反查下来往往就是数据治理出了问题。

另外，过去的数据是“给人看”的，符合人的习惯就行；但今天，第一波数据是“给AI看”的。AI接受数据的形式和逻辑跟人不同，所以我们需要做结构化，或者以宽表、并表、拆分的形式，把颗粒度做到AI可以理解的程度。AI的落地与数据治理必须并行不悖。

Q7：如果把优秀产品经理的经验沉淀成了知识库，这个数据库是动态更新的吗？更新的标准由谁来定义？

赵亮：在AI建设早期，我们追求的不是数据量有多大，而是追求“极高质量”的数据（GoodCase），在精不在多。

这个知识库必须持续不断地迭代，并且要做精细的分类（按产品线、客户定位、产品款型等）。在我们的体系里：

1.“建设者”负责从0到1的搭建；

2.“守门员”负责日常把关；

3.“管理者”负责制定迭代大方向。

在智能体时代，我们认为“做事”和“学习”是完全不能分开的——做事就等于学习。每一次业务流跑完，一定会产生新的经验，只要是有价值的部分，就会以工作流、知识库或数据库的形式反哺到智能体的建设中。

Q8：今年大模型迭代速度极快，从企业实际使用的角度来看，发生了哪些具体变化？

赵亮：第一，能力已经足够强了。23年我们还会抱怨模型达不到预期，但今天只要你用合适的提示语、数据架构、工作流或者Harness把它管控住，它就一定能达到你想要的结果。所以我们并不盲目追求海外的“御三家”模型，今天我们90%以上使用的都是国内比较好的模型。

他强调，这里的前提是企业自己的业务流程要先梳理清楚。如果业务逻辑本身没想明白，那不是AI能解决的问题，AI可以协助，但企业必须把自身的业务洞察和认知做到位。

第二，使用成本疯狂下降。过去用顶尖模型很贵，今天国内模型的成本只有国外的1/10甚至1/20。还有一个原因，老外对中国非常不友好，我们过去很多工程师特别喜欢用Claude的模型，后来该模型对中国区实施了服务限制，我们立刻就把它掐断了，公司承受不了这种风险。所以国内模型不仅争气，也更安全。

当然，因为现在是让智能体去“做事情”，Token的消耗量是过去的十倍百倍千倍，总支出可能反而增加了一点。但相比于节省下来的人力成本，这点Token成本确实不值一提。

Q9：很多企业会对不同层级的员工设置AI权限，科沃斯会存在这种情况吗？算力是云端还是本地部署？

赵亮：我们不是用“职级高低”来划分权限的，员工在内网可以使用提供给他的几乎所有模型方式。但我们会做“业务域”的区隔，不同业务领域的人操纵自己领域的智能体，这是出于组织信息安全保障。

为此，科沃斯不仅按业务域做区隔，还专门引入了“安全智能体”来管控信息访问，确保不脱离公司整体的信息安全基线。 算力方面，绝大多数使用的是云端外部API调用。只有极少数私有化训练的小模型会动用本地算力。国内大模型企业的商业协议写得很清楚，付费调用的API数据不会用于他们的私有化训练，安全基本是有保障的。

Q10：对于100到500人规模的中小型公司，如果想进行AI改造，您建议用什么样的路径去推进？如何激励员工（比如AI时代的自驱文化）？

赵亮：我不同意说是研究院来推动这件事，一定是由业务部门自己来发动的。

值得一提的是，科沃斯今天也在为外部许多企业提供智能体整体落地服务。赵亮表示，他们对外服务时首先看的就是企业“一号位”和核心业务管理者的态度——如果老板犹疑或不重视，这件事不如不开始，因为前半年遇到的困难极其巨大，稍有迟疑就推不下去。

最核心的关键点是：公司的“一号位”（老板）必须真正重视。我们的钱总（钱东奇董事长）极其重视，一年开几百场会就是为了拉通这件事。前半年遇到的困难非常巨大，如果没有管理层的深度支持，稍微迟疑一下就推不下去了。

在激励机制上，我们有丰厚的专项物质激励；精神鼓励也毫不吝啬，比如评选“AI标兵”、“AI红旗手”。但这只是其一，更重要的是激发员工的“内驱力”，培养员工“碳硅一体”的习惯——万事先问AI。赵亮将这种氛围概括为“AI时代的自驱文化”——不是传统的命令式管理，而是让员工发自内心地觉得，这件事对他个人的成长和公司的发展都至关重要，从而全身心投入。把业务人员的热情激发出来才是第一位的。

Q11：在AI智能体流程化改造后，有没有哪个重要的工作流被彻底替代或重塑了？

赵亮：有很多。由AI来做流程时，很多过去觉得理所当然的流程，现在天然就不存在了。

比如招聘，过去纯“碳基”模式下，需要一面（HR）、二面（业务主管）、三面（高管），流程省不掉。但在AI时代，如果这三拨人的经验被沉淀到知识库里，一个普通面试官借助AI辅助，就能一次性完成三个维度的考察。过去不可能存在的“超级多面手”，今天成为了可能。

再比如采购。今天我们的“定厂、定价”都是由AI来完成的。过去采购环节难免面临供应商选择甚至贪腐等头痛问题，但现在定价结果由AI决定，人不能修改结果，只能修改规则。过去无法解决的痛点，现在从一开始就不存在了。这就是“碳硅基协同”的新思维。

Q12：AI时代招聘量减少了，对于刚毕业想加入科沃斯的年轻人，您觉得他们应该具备什么样的特质？

赵亮：我们依然会招聘应届毕业生，比如我们的“科蓝生”又进来了，年轻人对AI的体感更好，是生力军。

过去的思维是“在一个细分领域成为前1%的顶尖专家”，但在AI时代，单拼专业你很难拼得过AI。今天我们更建议年轻人成为“通才”。如果你在三个不同领域都能达到前10%，相乘起来你也是极度稀缺的人才。一个懂产品、懂客户需求、沟通能力又极强的人，在驾驭AI、拆解任务时，会比单一的专才更加游刃有余。只要能跟公司一起“上车”，借助AI横向扩展能力边界，发展一定会更好。

Q13：随着员工能力边界的拓宽，以前的管理架构是不是变得更扁平化了？这对领导层提出了什么新要求？

赵亮：一定会。我们做AI的目标之一就是“管理扁平化”，中间层级越来越少。

对领导者来说，今天最重要的是“判断力”。我们现在有“经营分析体”，它每周一会自动抓取公司需要关注的问题、拆解任务并分派给员工。管理者不再是那个直接下指令的人，而是要在背后做判断：AI分派得对不对？有没有改进空间？