LLM不是默认执行引擎

每一代人都有关于捷径的警示故事。对于Z世代来说，最新的实例之一是电影《Obsession》。表面上它是一部心理恐怖片，讲述音乐店员工Bear Bailey发现了一棵可以许愿的魔法柳树，希望让暗恋对象爱上他。愿望实现了，但方式出乎意料，最终演变为占有。这棵柳树并不邪恶，只是确切地实现了他所要求的，而不问这是否是他真正需要的。AI的采用与之惊人相似。

作为一名Z世代，我喜欢看到流行文化超越娱乐，解释我们思考技术的方式。这正是《Obsession》给我的启示。它让我意识到，我们可能正在对AI做同样的事情——不是因为AI危险，而是因为我们有时过于专注于得到想要的结果，而停止了质疑我们所走的道路。

每一个AI计划都始于良好的意图。比如自动化文档、总结会议、构建支持代理——这些想法本身没有错。问题在于AI悄悄地从手段变成了目标本身。团队开始问“我们还能在哪里使用AI？”而不是“这创造价值吗？”。这就是许下另一个愿望的版本。

AI成熟度不在于构建更多AI。Bear并没有因为一个决定而迷失，而是因为每个后续决定都更容易合理化。团队也会经历同样的漂移。不成熟的团队用采用率来衡量成功：多少AI功能上线？多少代理在运行？多少工作流使用了LLM？而成熟的团队衡量的是完全不同的事情：哪些工作流实际改善了结果？哪些降低了运营成本？哪些被客户真正使用？哪些根本就不该构建？AI成熟度是由引入AI的审慎程度以及团队在AI不增加价值时自信地选择不使用的程度来衡量的。

治理的存在是为了打断惯性。在《Obsession》中，最安静的一课不是愿望本身，而是Bear不再质疑他所追求的结果是否还有意义。他专注于维持愿望，而不是理解其后果。AI治理正是为此而生。它的职责是保护决策质量。治理创造了空间，让团队不断提问：为什么在这里使用AI？这解决了客户问题吗？AI真的是最佳方法吗？更简单的工作流能否达到同样效果？如果完全移除AI会发生什么？

最昂贵的提示词是根本不需要存在的提示词。像词元优化、缓存、工作流编排和生产级AI系统等工程实践非常有价值，但它们都假设工作流本身值得存在。工作流只有创造价值时才值得存在。在优化提示词之前，团队应该先优化引入提示词的决策。明智地使用AI并不是对每个机会都说“是”，而是知道什么时候说“不”比另一个工作流能创造更多价值。

在《Obsession》中，悲剧不在于Bear许了愿，而在于一旦愿望生效，他停止了质疑它是否仍引导他走向真正想要的东西。AI也是如此——它可以生成、总结、分类、自动化，但它不会问这些是否创造有意义的价值。这个责任仍然属于我们。AI非常擅长实现愿望，而治理的存在是为了确保我们许下正确的愿望。

构建你可以合理证明的AI工作流。Unmeshed让你在同一个工作流中结合模型调用与确定性规则、决策表和人工审批，使每一步AI都是刻意的选择，而非反射。尝试Unmeshed，联系我们。