跳转至

P1-16.2 工作自动化(work automation)与搜索(search)

Section ID: P1-16.2 Version: v2026.07.20

在 P1-16.1 中，我们把 AI 再学习文档化项目当作个人学习与文档化的案例。现在把视野扩大到工作场景。

当 AI 被用于真实工作时，人们最先想到的，往往就是 工作自动化(work automation) 与 搜索(search)。但更有用的问题不是“AI 会全部自动帮我做完”，而是：

人类工作流(workflow)中的哪些部分可以委托给 AI，
哪些部分仍应保留在人类责任之下？

本节会围绕 工作自动化、搜索、摘要(summary)、审查(review)、生产力(productivity) 来整理：AI 在工作流程里究竟能做到多大程度的辅助。

这里讨论在重复性工作与文档搜索中，AI 如何作为辅助工具使用。项目级验证放到 P1-16.3。

主题 本节要看的问题
自动化(automation) 哪些重复步骤可以委托出去？
搜索(search) 在大量文档中，应怎样找到需要的依据？
摘要(summary) 长材料被压缩后，会丢掉什么？
审查(review) AI 结果应当怎样被人检查？

把自动化与搜索接入工作流的基准

  • 说明工作自动化应从“步骤拆分”来理解，而不是“整份工作被替代”。
  • 说明为什么搜索结果应被当作 依据候选(evidence candidate)，而不是最终答案。
  • 说明为什么生产力判断必须把审查成本算进去。

三个基准

基准 为什么重要 本节所需的理解水平
自动化意味着把工作流拆成阶段，而不是替代整份工作 这能让 AI 的真实适用范围更清楚。 只要理解成分类、起草、检索可以分别判断是否适合委托即可。
搜索结果是依据候选，而不是答案本身 这能防止对 RAG 和向量检索过度自信。 只要理解成人仍需核对原始资料即可。
生产力必须把审查成本一起算进去 这能把“速度快”和“真的好用”区分开。 只要理解成初稿再快，如果修改成本很高，总体生产力也会下降即可。

自动化意味着把工作流拆成阶段

在工作自动化里，最重要的第一步，是先把工作拆成更小的阶段。

收集资料
-> 分类
-> 写初稿
-> 检查依据
-> 修改
-> 审批
-> 发布

AI 并不会对所有阶段都同样擅长。它可能很适合找候选、写初稿，但法律判断、安全审批与最终责任，仍应留在人与组织流程中。

工作阶段 AI 可能有帮助的地方 注意点
文档分类 如果标准重复清晰，会很有帮助 标签标准仍需由人定义
摘要 适合快速扫读长文档 重要例外与依据可能消失
初稿撰写 适合重复格式文档 事实错误与夸张语言仍需审查
检索辅助 适合找相关文档 检索结果不是最终答案
最终批准 不应委托给 AI 责任应留在人身上

搜索是在缩小依据候选，而不是找到答案

学过 RAG(retrieval-augmented generation) 与向量搜索(vector search)之后，很容易觉得 AI 已经可以“在文档里直接找到答案”。但在真实工作里，检索输出应当被视为 依据候选，而不是答案本身。

弱的使用方式：
AI 已经总结了，所以内容一定是真的。

更好的使用方式：
AI 先找到了候选文档，
然后由人打开原文核对实际主张是否一致。

基于搜索的 AI 在文档越多时越有用，但它仍然有明显风险：

风险 说明
过期文档 结果可能与当前政策或价格不同
权限问题 本不该给用户看的文档可能被检索出来
上下文丢失 只取到文档片段，限制条件被截断
来源混淆 回答可能混合多份文档中的主张

生产力必须把审查成本算进去

AI 工具可以很快生成初稿。但初稿快，并不自动意味着整份工作就更快。

节省的时间：
写初稿的时间

额外增加的时间：
核对依据
做安全审查
修改措辞
负责人审批
修正错误

因此，AI 使用的 生产力(productivity) 不能只看生成速度。它还必须同时考虑 审查成本(review cost)、失败成本(failure cost) 与 运营成本(operation cost)。

检查清单

  • 能把工作自动化解释为“拆解工作流”，而不是“整体替代”。
  • 能说明为什么搜索与 RAG 结果应被视为依据候选。
  • 能说明为什么摘要不能替代核对原文。
  • 能同时用初稿速度与审查成本来判断 AI 生产力。
  • 能把 工作流阶段拆分、依据候选检索、原文核对、审查成本 分开来说明实务中的 AI 应用。

来源与参考资料