业务系统与流程负责人

中国大陆。按《生成式人工智能服务管理暂行办法》,服务在国家网信办备案,而通过 API 调用已备案模型能力的应用或功能由地方网信办登记;已上线的应用要在显著位置或产品详情页公示所用服务的模型名称与备案号或上线编号。对一个业务系统的负责人来说,这意味着「打开一个生成式功能」不再是一次配置改动,而是一个有名有号、可被核对的前置条件。这些数字统计的是备案量,不是使用量:它说明有多少服务过了这道门,不说明有多少公司真的用了、用得怎么样,也不说明有没有人去核对那条公示。它也不涉及中国境外的系统。

失败、撤回、监管或成本正在抑制采用。可以下调评估,或扩大不确定区间。

全美企业,具全国代表性;参照期 2025 年 11 月至 2026 年 1 月。16% 的分母是「已使用 AI 的企业」,不是全部企业。问卷问的是企业替换了什么,不识别是哪套系统、哪个厂商、由谁管理,所以这里没有任何一句话说的是某个 CRM 或订单系统被换掉了。要和同一份调查的劳动力数字放在一起读,而不是拿它代替:在已用 AI 的企业里,95% 报告没有任何与 AI 相关的雇佣变化,增加 2.3%、减少 2.0%(按企业计);同时在用 AI 替代任务的企业中,报告「被替代的任务数量很多」的比例从首次专项的 2.5% 升到 7% —— 作者提醒,这个上升可能有一部分来自周边题目的修改,不过任务替代这道题本身的措辞没有变。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

这是司法部为其数据链接团队自建的匹配模型发布的透明度记录。它说:模型在监狱、缓刑和法院的案件管理系统内部和之间比对人员记录,给出两条记录属于同一人的概率;曾考虑确定性的、基于规则的链接,认为它无法捕捉细微差别、漏配率高、规则多了难以管理,因此不合适;模型随新数据持续运行,每个系统有数百万条记录;在模型向人给出候选匹配清单的场合,由人作最终决定,负责合并与拆分记录的员工有相应培训。它没有公布准确率,并说人工标注不能当作标准答案。这是政府的司法系统,不是企业的 CRM。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

这是该部委自己的监测评估团队的报告:2024 年 10 月至 12 月,向英国境内员工发放 1,000 个 Microsoft 365 Copilot 许可,约 70% 是自愿报名。报告发现:同事的态度有鼓励也有劝阻,个人所在团队和直属上级的态度看来影响此人用得多少、怎么用;培训是满意度的重要因素,自学比部门组织的正式培训更有效;试点以外的同事不了解它的能力、局限和安全问题;在观察任务中,使用者做 Excel 数据分析比不用的人更慢、更不准确。这是办公 AI 助手,不是 CRM 或订单系统,这些发现也不是对使用率的对照测量。

真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。

领英工程师介绍一个公司不对外销售的内部工具 SQL Bot。他们说:数据专家要花大量时间帮同事找数据,业务伙伴因此要等;SQL Bot 现在被领英各业务线的数百名员工使用,接入公司的数据科学笔记本平台后使用量持续;它能用起来,前提是各领域的专家先标出本领域的关键数据表,并写好必填的表说明;调查中约 95% 的人认为它的查询准确度「合格」或以上,约 40% 认为「很好」或「优秀」。使用情况和准确度都是自报;用户既有分析师也有业务人员。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

这是财政部内部评估单位的报告:2024 年 5 月 20 日至 8 月 23 日,218 名员工试用 Microsoft 365 Copilot,属于澳大利亚政府整体试验的一部分。报告说:产品用得比原先预期少,到试验结束时约四分之一的人经常使用;用得少的原因可能是起初期望很高、实际用过后落空,技术局限,以及缺少怎样使用的教育和培训;42 名参与者自荐担任试验推广人,负责帮助各自团队使用。结论基于问卷(试验后 136 份回复)和焦点小组。这是政策部门里的办公 AI 助手,不是 CRM 或订单系统。

真实场景里的小规模试验。说明落地条件正在被检验,不代表条件已经成立 —— 所以单独一次试点永远不够,两次互不相干的才够。

欧盟,仅适用于高风险 AI 系统的部署方。它建立的是:在这些系统的输入侧,「数据干净」从一件内部治理上的好习惯,变成了一项法定义务 —— 而在多数公司里,掌控输入数据的正是拥有这套系统的那个岗位。同条第 1 款还要求部署方按随附的使用说明使用系统。2026/1744 号条例(《AI 数字综合法》,2026 年 7 月 24 日刊登)把这些义务的适用日期从 2026 年 8 月 2 日推迟到:附件三所列高风险系统 2027 年 12 月 2 日,第 6 条第 1 款与附件一所列高风险系统 2028 年 8 月 2 日;所以这是一条已经成文、但尚未适用的规则。法律没有点名任何岗位,也没有要求设专职的数据负责人,把这项义务挂到这个职业上是我们的推断;它只覆盖被列为高风险的系统。

监管、补贴或公共采购正在要求或出资推动采用 —— 与「限制或撤回」互为镜像。它说明采用正在被要求,不说明采用已经发生,所以单独一条永远不够,两条互不相干的才够。

这是该机构在联邦 AI 清单里的条目,状态为已部署,投入使用日期 2023 年 2 月 1 日。它说:模型以很高的把握判断哪些案件管理记录属于同一个人,数据来自七个表格处理系统;机器学习对模糊匹配和字段填充率不一更稳健,与基于规则的系统相比改进了实体识别;可能性评分超过 0.98 才把记录归到某人名下;误配和漏配进入人工处理队列,由获授权、受过培训的人员处理。它没有给出准确率或数量,而且这是政府的移民业务系统,不是企业的 CRM。

企业已正式投入使用。可以改变基线,但要结合规模与场景相似度加权。

这一直是没有技术学历也能进入商业职能的可靠路径之一:把系统学会,成为那个知道东西都在哪儿的人,再转去运营或分析。而「把系统学会」恰恰是助手现在做得很好的部分,所以这级台阶变薄了。仍然稀缺、而且仍然只能靠待在里面学到的,是知道流程为什么被配成现在这样 —— 包括那些因为三年前一场争论才存在的部分。

你是唯一知道「哪些数字是承重的、哪些是装饰」的人,而这份知识不在你管理的那套系统里。风险是:从外面看,你的价值很像维护 —— 数据干净、报表正常跑的时候,这份工作是隐形的,而隐形的工作正是会被外包给厂商支持计划的那种。

保住并强化

为一个结果负责,而不是为一个实例

管一套系统是一条成本;让一个业务数字变化不是。留下来的系统负责人,职责是按「这套系统存在是为了让哪个数字变化」来写的 —— 配置是手段,不是工作本身。

调整职责

把自动化被允许做什么写下来

系统从「记录」变成「行动」之后,总得有人划定并守住那条边界。你是唯一同时看得见配置与业务后果的人 —— 而在多数公司,这件事是被默认决定的,不是被决定的。

相邻转岗

转到你一直在服务的那个职能

你对某个职能流程的了解,已经超过里面大多数人 —— 因为是你把它编码进去的。销售、财务、运营现在都需要一个既懂业务、又懂它跑在什么系统里的人。

跨行业转型

跨到数据治理

谁的记录是权威的、一个字段被允许表示什么、谁可以改它、什么被记录下来 —— 随着越来越多的决定由这些数据自动作出,这些问题正在变成一个独立职能,而你已经非正式地回答了很多年。

属于「取」和「清」的那些部分 —— 清理重复记录、写报表背后的查询 —— 正在自动化,而配置系统是在被辅助,而不是被拿走。不属于的是:知道流程为什么被配成这样,以及哪些数字是承重的。预期这类岗位会变少、并且由更贴近业务的人来做;也预期第一个被砍的是只做管理维护的那个人。

去数需求。拿你们上个季度收到的变更与取数需求,和去年同期比。如果数量下降而业务没有萎缩,说明自助工具正在吸走你的队列 —— 而这件事会在任何人重新考虑编制之前就显现出来。它没告诉你的是:需求是消失了,还是只是不再流到你这里;所以在把下降读成任何一种结论之前,先查清它们去了哪儿。

它拿走了排队,留下了责任。现在更多人会引用一个自己从没见过附注的数字,而你仍然是唯一知道哪些数字靠一个假设撑着的人。这同时是更有价值、也更不可见的工作 —— 所以实际的做法是:把附注做进报表里,而不是留在你的记忆里。

排序可以;凡是会关掉一条记录或把东西发出去的,要小心;而且在没有写下「它不确定时会怎样」之前,一律不要。这份工作里昂贵的失败不是打分打错,是无声的状态变更:一条记录被关掉、一个归属被改掉、一条消息被发出去 —— 事后每一条看起来都像一行正常记录。在还没出事的时候把边界写下来,因为出事之后,这件事会由别人替你决定。