我最近参加了2场沙龙分享，尽管都是面向AI开发者、从业人员的分享，但是这场分享在模速空间里引起的共鸣和讨论热度，很高，我猜测可能是模速空间的听众有很多也来自互联网公司，有过类似的痛和领悟。

受限于沙龙的有限时长，以及我脆弱的语言表达，在沙龙中，一些观点并没有被清晰传递或者组织，所以我想用文章来重新表述我的一些思考和观点。

先同步下上下文背景。

我的分享主题是：当营销遇见内容工程：AI 如何让创意变成规模化生产力；我希望从内容工程的视角，讨论今天的营销内容工作流程变革。考虑到很多听众自己也才创业，所以slides的最后一part，我从工作流搭建、落地实践的视角，分享了自己的一些经验教训——我把他们称为工作流落地的七宗罪。

第一宗罪：建设单点工具，而不是一套完整的工作流，解决一个业务问题

很多产品研发会有一种思维惯性：看到先进能力，第一反应是做一个提效/生产力工具。

但是，我的朋友们，一旦你做出来一个生产力工具，就会面临一个灵魂拷问：谁来用你的工具？

我刚去前司那会，公司内部已经有了一个套模板生成图片素材的工具。但是这个工具在内部一直推动不起来，除了工具产出的图片确实有问题，还有一个悬而待决的卡点：广告优化师和屏幕设计师，都不认为自己该用这个工具。

过去，广告优化师只需在系统里创建任务，由设计师接单即可完成；而在引入新工具后，虽然操作步骤并不复杂，但仍需要额外投入时间，这在本质上反而增加了优化师的负担。

在设计师看来，这个工具的操作流程已经足够直观和智能，更适合优化师使用；若要让设计师来操作，还不如直接用他们最熟悉的Photoshop。

将能力封装为单点工具的另一风险在于，使用者能力差异过大，会导致工具的产出质量不稳定。

按照归因谬误理论，如果工具的最终产出不理想，用户通常不会认为是自己能力不足，而是直接抱怨“工具不好用”。这往往与产品经理的水平关系不大。哪怕是像 ChatGPT、Claude 这样门槛极低的“大杀器”，很多人也只发挥出了其中 1% 的潜力——毕竟连自己想要什么都描述不清的人比比皆是。

以前司的图片模板工具为例：如果做成高度自定义的模式，让优化师自行选择模板和商品图，有经验的优化师会根据品类、地域做出合理组合，效果尚可；但大部分优化师只能凭感觉选择，最终产出的视觉质量和投放表现自然难以保证。

因此，自动化工作流的一个显著优势在于：通过预设规则消弭个人差异，让整体产出保持在一个稳定水准上——或许不是顶尖，但至少可控，不会太差。

第二宗罪：新建工作流，而不是融入已有工作流

自动化工作流落地最大的阻碍在于“人”。因为人都有思维和工作惯性，这很正常——习惯一旦形成，就像肌肉记忆一样，这才能真正提升效率，公司里的各个角色无一例外。

然而，新的工作流往往意味着改变既有习惯。短期内，整体协同效率不升反降：学习成本、适应成本、工具边界探索成本……都会消耗大量时间和精力。与此同时，员工的任务量却并没有减少，他们依旧要完成 50 条视频剪辑、30 张图片设计。

虽然你坚信，只要大家熬过适应期，效率终将提升，但问题是——这段适应期要多久？ 没有人能说清楚，也没有人愿意冒险去等待。毕竟加班时间延长是实实在在的。

因此，更务实的落地策略是：不要推翻重建，而是从已有的大工作流中切出一部分环节，用自动化替代原本的人工操作，从而最大程度减少 SOP调整带来的摩擦和抵触。

还是以前面提到的图片自动化素材为例。我们后来把它嵌入“新品测试”的场景中，实现了自动选品 → 按规则选模板 → 按规则选择输入图片 → 自动生成素材。优化师依然像过去一样，直接在素材系统里就能看到产出的图片。等我离开时，自动化生成的图片素材已经占到最终投放的 80%以上。

第三宗罪：没有端到端，需要人工干预

除了首尾两端，中间环节要尽量避免人工参与。

第一，若某些节点需要人工操作或决策，就会引入等待、沟通和返工流程，整体效率往往不增反降。

第二，一旦有人介入，评价和输入难免带有主观因素，流程的可复制性降低，结果也更不可控。而可控、可复制，恰恰是工作流的核心价值。

第三，关键节点的人为上限，决定了系统的上限。这既体现在数量上，也体现在质量上。数量上的限制很好理解，比如很多时候我们希望把图片或视频的处理任务放到半夜执行，这显然无法依赖人工。质量上的问题同样突出，尤其当一些核心策略需要人工选择时，系统的整体表现就会被人为水平所限制。

第四宗罪：没有闭环优化

很多人在做工作流时，思路仍停留在“从输入到输出”的线性逻辑，仿佛只要产出完成就算结束。但问题在于，策略从来不是一成不变的。一个真正有效的系统，需要不断通过数据反馈进行迭代，而不是永远停留在最初设计的状态。

比如，我们当时在公司内部搭建了一个视频翻译工作流，用来将英语素材翻译成德语、西班牙语和法语。起初，翻译的准确率只有 80% 左右，德语甚至更低。后来我们增加了一条规则：每次广告优化师验收通过视频时，都会将其中的 <英语，小语种> 翻译对照写入 system prompt，这样，翻译数据库就能持续动态更新，准确率也随之不断提升。

规则类策略同样如此。图片素材一旦投放，曝光、点击、CTR、CVR 等数据，完全可以再反向用于优化——帮助筛选更合适的图片与模板，从而形成一个自我迭代的闭环。

第五宗罪：用人的经验限制AI的充分探索

在用 AI 生成文本（比如文章或视频脚本）时，人们常常有一种惯性：把自己认为好的案例交给 AI，让它提炼结构，再产出新的脚本。

这种方法没错，但远远不够好。它让 AI 围着人的经验打转，却剥夺了它最有价值的能力——发散与探索。

事实上，AIGC 的最大优势在于生成力：快速、多样、成本低。与其让 AI 模仿过去的成功，不如在可控的范围内释放它的创造力，去探索未知方向。很多团队已经用这种方式试水：一次生成十几种脚本，小流量测试后，往往能发现意想不到的高效方案。

问题是，人对未知和不确定性有着天然的抗拒。相比让 AI 写出“完全不同”的内容，大家更愿意让它复制已有的套路，因为这样更安全。但这种“安全”，恰恰筑起了一道看不见的天花板。

我相信，AI 的水平可能已经超过了近一半的人。如果一开始就让它学习过去的成功案例，这在本质上就是人为给它设限。更何况，探索失败的代价也已经大大降低——AI 的试错成本远低于人力。

所以，正确的方式不是控制 AI，而是给它足够的上下文和边界条件：渠道、受众、预算、核心卖点……然后放手让它生成，交给数据去筛选。context，而不是 control。

garbage in，garbage out。如果人自己先画了一道框，AI 的产出就永远只能在这个框里打转。

第六宗罪： 没有追求极致

在公司内部开发工作流，与做 C 端产品完全不同。它的完成状态只有两种：要么能用，要么不能用。直白点说，如果不能做到 80 分以上，用户往往会直接判为 0 分。

原因在于，工作流一旦出错，就会直接触碰用户的信任底线。哪怕只是一次低级错误，用户也会觉得“不靠谱”，后续再想让他们重新使用的成本极高。更何况，业务场景下的小失误往往会被放大：一条文案的错误可能带来投放预算的浪费，一次翻译的偏差甚至会影响整个市场的品牌形象。

此外，在组织内部，口碑传播的速度极快。如果某个工具被贴上“鸡肋”标签，就很难再翻身。即便后来产品经理修复了问题，大家也往往懒得再尝试。

这就是为什么，在推出工作流时，必须追求“极致可用”。与其急着交付半成品，不如先在产研内部灰度测试，把 bug 消化掉，把成功率稳定在 85% 以上，再交付给真实用户。只有这样，才能降低他们的抵触和质疑，让工作流真正进入日常使用。

第七宗罪：让产研自己推动落地

很多公司都会掉进一个误区：认为工作流既然是“工具+流程”的问题，那就交给产研团队去推动落地。但现实是，如果没有 C-level 老板亲自下场，这事几乎不可能真正推成。

原因很简单。只要涉及跨团队，部门墙就必然存在。不同角色的工作习惯根深蒂固，需要新增的节点动作、调整 SOP，这些变化都会遭遇本能的抵触。而普通员工既没有足够的影响力去说服同事，也没有权限作出跨部门的决策。换句话说，他们面对的“三座大山”——部门壁垒、习惯惯性、责任归属——根本无法单靠自己搬开。

更现实的问题是，很多时候员工也“不敢背锅”。尤其当新工作流的策略和以往的人工交付不一致时，一旦数据表现不佳，谁都不愿意拍板承担后果。只有老板们愿意试一试，问题才可能被解决。

我当时就遇到过类似的情况：想通过删除视频翻译中的某个短句来优化策略。但广告优化师不敢点头，因为担心影响广告效果，尽管视频平均播放时长只有 10 秒，绝大部分用户根本还没看到那个短句。无奈之下，我只能在周会上把这个问题抛给 COO。结果 COO 轻描淡写地说了一句：“那就删吧。”这句话立刻结束了所有争论。事实证明，删掉这个卖点对投放效果没有任何影响。

跨部门工作流的落地，永远需要高层拍板。老板的一句话，往往比产研团队几个月的推动更有分量。

本文来自：简写2019，作者：余子申