去年还有人问企业要不要拥抱AI，今年已经没人问了。问题变成了：怎么落地？谁来干？
很多企业的第一反应是招人------找一个既懂技术又懂业务的AI落地专家。想法没错，但这样的人才市场上很少，而且不是圈子里的人又很难甄别。
我的建议是：先别急着外招，从内部培养一个懂业务的人。
而且有了这样一个人，后续就算要招人，你也知道企业需要什么样的人，面试的时候也知道问什么样的问题。
为什么可行？
技术门槛在快速降低。
现在国内已有1亿人在用豆包，写文案、做PPT已成基本技能。单纯会用AI毫无优势，真正有价值的是用AI深入业务、解决实际痛点。
换句话说：技术在进步，懂业务的人价值被放大了。
以前需要懂代码才能开发，现在模型API已足够强大，很多程序已经可以通过文本沟通就能开发出来。这意味着，业务人员可以以很低的门槛上手做出自己专用的程序。
哪些人适合培养？
第一类：公司里最爱用AI的人
每天都在用AI的人，和每月用一次的人，对工具的理解完全不同。主动性和手感，是培训不出来的。
第二类：产品经理、项目经理
这类人本就在梳理业务流程，清楚哪里卡顿、哪里低效、哪里重复劳动多。让他们带着问题学AI，效率最高。
第三类：愿意折腾的一线员工
让员工主动用AI解决手头问题。谁解决了，就让他做分享，给资源让他用AI解决更多问题。
怎么判断一个人行不行？
很简单：看产出。
让他做个东西出来，能解决问题就行，不能就换人。
不用搞复杂的评估体系。现在工具这么强，一试便知。
从哪里开始？
AI落地不要一上来就搞大项目。先找那些高频重复、耗时、易出错的工作，这类任务最适合用AI解决，见效快、阻力小。
设计原则：能一个按钮解决的，就不要操作两次。
举几个真实案例：
财务对账 以前运营做一遍，财务再核对一遍。现在用对账工具，上传表格自动核算金额、去重、过滤状态变更订单，一键导出。两个部门都省力。
退单统计 客服每天手动整理微信群退单信息到Excel，1-2人做一下午，易出错。用小工具自动识别快递单号、汇总到表格，支持撤回和导出，彻底解放人力。
发票整理 自动按主体、进销项、普票专票分类并命名。人工整理半天，现在几秒搞定。
这些需求看似不起眼，但每天都在消耗人力。用AI做小工具，成本低、见效快，还能让团队感受到AI的实际价值。
如果要外招，怎么甄别？
有些业务确实需要比较丰富的技术基础，需要外招AI落地负责人。但市场鱼龙混杂，如何甄别？
1. 有没有真实落地案例？追问细节
不要只听"我做过AI客服"。要追问：用什么模型？怎么处理并发？知识库如何构建？遇到什么坑？怎么解决的？真做过的人细节张口就来，包装的人一问就露馅。
2. 有没有跨部门落地经验？
给自己提效只是初级。能给财务、客服、运营、人事等不同部门都落地过，才证明此人有快速理解业务的能力。AI落地的难点不在技术，在业务逻辑的解构。
3. 有没有总结复盘的习惯？
写公众号、做分享、在社群输出过的人，说明他不只是执行，还复盘过、提炼过。这种人学习能力和表达能力都不会差。
4. 沟通逻辑是否清晰？
AI落地需要跟各部门打交道------需求沟通、方案讲解、问题排查，都需要清晰逻辑。面试时如果对方表达混乱，落地时大概率也一团糟。
5. 使用AI的时长和频率
越早用、用得越频繁越好。2023年就深度使用的人，和2025年才入门的人，体感和经验天差地别。可以问：用过哪些模型？不同模型区别是什么？踩过哪些坑？
6. 有没有成本意识？
AI落地追求的是业务最优，不是技术最优。真正有经验的人不会一上来就提买卡训练模型，那是大厂玩法。同时要明白，token价格会越来越便宜，应优先保证程序稳定性和可用性，而非过度计较单次成本。
7. 有没有数据思维？
落地后效果如何，不能靠感觉。要用数据说话：接待多少咨询？回复多少次？转化率多少？省了多少人力？数据会给出真实反馈，指引前进方向。
最后
AI落地有快有慢，有做得好的和不好的，关键还是技术和业务的结合。外招一个大牛当然好，但等不到、看不准的时候，不如先从内部找一个愿意干、懂业务的人，让他边学边干。
以用为学，是最快的学习方式。
关于作者：石云升｜AI博主 & AI企业落地师，专注企业AI落地与业务流程重构。
