书接前文，我们继续介绍另外两个可助力AI企业落地的定式：检查清单和情景对策。
04
第三类：检查清单定式——给AI一个“防呆卡”，确保底线不出错。
如果说我个人对哪一类“定式”最有偏爱，那一定是“检查清单”。
企业里有一种让人特别恼火的现象：同样的错误反复犯！ 比如：
类似的错误，犯一次，大家可能还能忍；一而再、再而三地犯，老板估计就要抓狂了，“你们就不能长点心吗？细心点行不行？” 但说实话，员工日常工作头绪那么多，要关注的细节实在太多了，“细心”这东西太玄乎，靠不住。
这时候，就轮到“检查清单”这个简单又强大的“定式”出场了。 它可以把那些在高频或高风险工作环节中，容易遗漏、必须执行的关键步骤或检查点，一条条罗列出来，变成一个操作“防呆卡”。
我接触过的企业家，在了解“检查清单”这个工具后，几乎没有不喜欢的。“咱们的员工要是干活能‘事事有清单’，那专业性还愁啥？”一位老板曾这样感叹。这话总体上没错，检查清单确实是提升规范性、防范低级错误的利器。但我们也得清醒地认识到它的边界和特征，用对了才能事半功倍，用错了反而可能适得其反。首先，千万不能滥用检查清单，搞“大而全主义”。 不能试图把所有能想到的风险点、所有可能的步骤，都一股脑塞进一张清单里。比如前文反复提到的那个《供应商淘汰风险检查清单》，真要完整罗列，写个三十多条都打不住。但你真拿这么一份超长清单给采购经理，要求每次淘汰供应商都逐一核对打勾，结果会怎样？大概率是，要么他根本没时间没精力认真执行，清单变成一纸空文；要么就是敷衍了事，打勾变成机械动作，反而可能遗漏真正重要的风险。所以，开发检查清单，一定要懂得“抓大放小”和“因地制宜”：- 要做“二八分类”，合理裁剪： 聚焦那些高频发生、影响重大的关键风险点和核心步骤，大胆砍掉那些细枝末节、发生概率低或影响不大的项目。清单要精干，才能被真正执行。
- 要“分类分级”，根据情境应用： 对保留下来的条目，最好能区分出不同的重要性等级（比如强制项、建议项），或者明确在什么特定情境下才需要执行某些检查。就像前面那个《谈判准备检查清单》，它把谈判分成“基础”和“重大/复杂”两种类型。一家几百亿销售额的大公司，谈个几万块的小采购单，自然没必要把所有复杂谈判的准备项都过一遍；但要是跟核心战略伙伴谈年度合作框架，那该做的功课一项都不能少。
其次，千万别用“静态”的眼光看检查清单。 清单不是刻在石头上的法典，它是“活”的，是需要持续迭代优化的。今天的最佳实践，明天可能就过时了；今天没遇到的坑，明天可能就踩到了。所以，检查清单的内容应该随时根据实际工作的反馈进行增减和修订。这给了我们一个重要的管理启示：当员工犯下一个低级错误时，公司先别急着追究个人责任、想着怎么处罚，更应该反思的是：我们的“检查清单”是不是有缺失？ 是不是应该把这个错误及其对应的检查点，补充到相关的清单里去？让每一次错误都成为组织学习和改进的机会，沉淀到“定式”中去，坏事变好事。 这样，通过检查清单的持续迭代，企业的“免疫力”才能不断增强，这难道不比简单处罚员工更有价值吗？
“检查清单”这种定式，与AI简直是“天生绝配”：
清晰的执行脚本： 检查清单提供了极其明确、结构化的任务列表和检查标准。AI可以非常高效、准确地执行其中良构部分，比如自动扫描文档、核对数据、验证流程节点是否完成等等。
自动化与预警： AI可以嵌入到业务流程中，在关键节点自动触发相应的检查清单，并对发现的遗漏或异常进行实时预警，提醒相关人员注意，大大降低了人为疏漏的风险。
保证合规与底线： 对于那些涉及合规、安全、质量底线的要求，通过AI强制执行检查清单，可以确保最基本的规范得到遵守，防止“低级错误”反复发生。
释放人力关注更高价值环节： AI负责执行繁琐、重复的检查核对工作，人类员工可以从这些事务性工作中解放出来，将精力投入到更需要判断、沟通和创新的环节。
可以说，“检查清单定式”为AI提供了一个完美的“执行框架”，让AI能在保证规范、规避常见错误方面发挥巨大价值。
05
第四类：情景对策定式——给AI一部“案例库”，应对复杂变化
最后一类定式，叫“情景对策”。
我们前面说过，“定式”是要把劣构问题中相对良构的部分固化下来。但有时候，问题实在“太劣构”了：约束条件、可能出现的情景分支、能采取的应对措施实在太多、太复杂，很难用一个简单的表格、算法或者清单说清楚。
这时候，只能退而求其次，采用一种更接近“讲故事”、“传经验”的方式来承载智慧，这就是“情景对策”。比如，我所在的北大纵横管理咨询公司有个传统，就是定期收集和分享员工的“价值观小故事”。像“诚信、合作、敬业、创新、专长”这些文化价值观，都比较“软”，怎么让咨询师们真正理解并在行动中体现？光靠文件宣导肯定不够。这时候，一个个生动的“小故事”或“案例”，就能很好地传递这些价值观在具体情境下的含义和要求。
再说一个特别“劣构”的场景：谈判现场。谈判桌上风云变幻，对手可能出各种怪招，情况太复杂了！这时候想总结经验，比较好的方式是：
1.罗列出最常见的几种“典型困难情景” （比如，“对方就是不松口怎么办？”“对方突然搬出个更高层领导来压我怎么办？”）。
2.针对每种情景，提炼出一些核心的“应对策略框架” （比如，面对强硬对手，可以先尝试“搁置争议，求同存异”，再寻找“创造性解决方案”）。
3.最好再配上一两个成功“故事”或“案例”，讲讲当时具体是怎么运用这些策略化解危机的。
这种“情景对策”定式，看起来没那么“结构化”，但对AI赋能同样意义重大：
为AI提供“场景理解”框架： 通过定义典型的困难情景，告诉AI需要关注和识别哪些关键的“局势信号”。AI可以学习在复杂的交互或数据中，判断当前可能属于哪种预设情景。
提供“策略选项库”： 针对每种情景给出的应对策略框架，为AI提供了在该情境下推荐合理行动选项的基础。AI可以根据当前情景，向用户建议几种可能的应对策略及其优劣。
结合案例进行“类比推理”： 附带的故事和案例，为AI提供了丰富的情境化数据。AI可以通过学习这些案例，进行简单的类比推理，为当前面临的相似问题提供更具体的、更具启发性的建议。
赋能“AI教练”角色： 基于情景对策库，可以开发出AI模拟教练。AI扮演对手或客户，模拟出各种典型情景，让员工在安全环境中练习应对策略，AI则根据“定式”提供反馈和指导。
“情景对策定式”虽然不如前三类结构化程度高，但它恰恰是处理那些最复杂、最需要经验和应变能力的“劣构”问题的关键。它为AI提供了理解复杂场景、推荐应对策略、甚至模拟实战的“剧本”，使得AI能够在更高层次上辅助人类进行判断和行动。
以上就是企业里常见的四类“定式”——信息收集、决策标准、检查清单、情景对策，以及它们各自的开发要点和如何让AI“看懂”并参与进来的思考。
06
最后，想聊聊我对“定式”开发与AI时代就业关系的思考，以及近年辅导企业开发这些“定式”的一些感受，
很多人焦虑AI会抢走饭碗，讨论“哪些岗位会被替代”。但我觉得，这个“替代”的视角太窄了。科技进步对工作的影响，从来不只是替代，更多是“增强”和“创造”。 AI确实会覆盖掉一些重复性的、良构化的任务，但它更强大的力量在于赋能我们处理那些过去做得不够好、甚至被长期忽视的“半结构化”工作。
想想看，我们前面聊的那些“半结构化”工作场景：采购淘汰供应商前做系统风险排查、销售做订单预测、重要谈判前做细化准备……这些事重要不重要？当然重要！但扪心自问，我们公司里真的都认真做了吗？恐怕很多时候是“简单做做”、“没空做”，甚至“凭感觉瞎做”吧？
为什么会这样？一方面，这些事确实繁琐，耗时耗力；另一方面，传统的制度流程往往只管“硬规矩”（良构），对这些需要权衡判断的“软任务”（半结构化）很难做出细致规定，最多提个笼统要求。结果就是，“略做、不做、胡做”成了常态。
但现在不一样了。 如果企业能以“定式”为抓手，系统性地把这些半结构化工作的核心逻辑、关键步骤、判断依据梳理清楚，再结合AI这尊“神器”来赋能——比如让AI自动收集信息、初步评估风险、生成预测草案、核对准备清单——那么，这些原本被“选择性忽视”的高价值工作，就有可能真正落地，甚至成为工作“标配”。
这恰恰不是减少了工作，而是“增强/创造”了更有价值的工作内容！ 这些“新工作”中，AI负责处理相对良构的部分，而其中那些需要人情洞察、复杂权衡、最终拍板的“劣构”部分，恰恰需要更多、更高质量的人力投入。职场人怎么会没事可做呢？
而且，我们也不必担心沦为AI的“工具人”。因为AI行动的规则（定式），是我们定义的；AI给出的建议，最终决定权还在我们手里。只要工作的本质还包含着需要人类智慧去应对的“劣构”成分，人就永远是工作的主人，AI只是我们手中更强大的“锤子”和“罗盘”。
我另外一个突出的感觉是，“定式”这种工具，它的“务实”程度，往往比那些看起来高大上的传统制度流程要高得多。为啥？因为传统制度流程，往往是“良构知识”的沉淀，追求大而全、标准化，很多企业在搞ISO贯标或者对标最佳实践时，容易“傻抄”标杆，不太考虑自己公司的实际情况和灵活性需求。结果就是制度很完美，现实很骨感，最后变成“说一套做一套”，“两张皮”现象屡见不鲜。
但“定式”不一样，它天生就是为了解决“半结构化”问题的，不追求一步到位的完美。检查清单多一条少一条？决策模型硬一点还是软一点？这些都允许开发者（也就是企业自己）根据实际情况去斟酌、去定义。
当管理者和员工意识到，这东西是真的要拿来用的，是给自己赋能而不是限制自己的时候，他们参与开发和应用的积极性，会比应付那些厚厚的制度文件高得多！我做管理咨询这么多年，过去长期跟传统制度流程打交道，如今看到客户发自内心地喜爱“定式”这个新型管理思路，真是感觉非常愉快！
粤ICP备14082021号
免费POC，
零成本试错
