又到了一年两次的半年考核时间。
最近两天，我一直在思考组内团队成员的考核排序和评语，根据每个人的工作内容总结他们的表现，做一些综合叙述，然后分别指出每个人的优点和不足，最后给出一些建议。每个人都做了这样一个四个模块的论述。
AI 并不是今年才流行起来的。从 2022 年11月 GPT-3.5 出现的开始，AI 就已经开始慢慢卷入到我们的工作和生活了。但是前面那几年，每年两次考核，我其实都没怎么用 AI 帮我总结团队成员的考评综合叙述这块。但这次，也就是昨天，我基本上就用 AI 做了这个事情。
我用 AI 做这个事情，也不是完全让 AI 去总结。其实相比以前，以前我就是自己手打字，一个字一个字地敲。针对每个人的综合表现、优点、缺点以及建议，我都会针对这个人想一遍，然后一个字一个字地敲出来。因为以前上级挑战过，说我写的评语跟前面的，就是过往的半年度总结评述有点重复。所以我也不太好直接复制前面的综述，每次我都要一个字一个字地敲，就当每次都要从零开始，从0打1手打。只有这样，我才能保证每次写的东西跟以前就算是说同一个事情，也能做到尽量不重复。所以前几年就算 AI 已经发展到一定阶段了，我也没有借助 AI 帮我把文字描述做润色优化。
但是这一次，包括昨天，我使用的模式也发生了变化。我基本上就是全用语音，将我对组内成员的评价口述出来。就是我把这个人这半年可能做了什么事情，有什么亮点，过程中有哪些表现欠缺或不足的地方，最后我给了什么建议，都通过语音的方式使用 Typeless 转成文字保存。保存完以后，我口述完每个人的这四个方面，然后我再用 AI 帮我按照半年度考核的格式去做了一个精简总结。
整体下来，基本上两三个小时就完成了。以前的话，可能得四五个小时、五六个小时。每个人如果我手打的话，可能都要四五十分钟。但是这个过程体验是不一样的。以前四十分钟这样写下来、敲下来，整个人是非常累的。但就比如说昨天，我真正口述下来，可能每个人就十分钟不到，因为 Typeless 这个语音口述的时间就在十分钟之内。所以基本上每个人十分钟都不到，我就口述完了。剩下的时间就是 AI 整理。包括因为 AI 可能有些地方整理得不行，我可能要手动再润色一下，把一些错别字再调整一下，或者把一些口述过程中太口语化、太偏负面，或者不适合在职场里面叙述的，我可能也要做一些调整，然后再让 AI 帮我去重新整理梳理。最后可能又让 AI 做了不同版本的一个输出等等。整体下来可能两三个小时，但实际上你真正让 AI 做这个事情，总结下来可能一个小时就搞定了。所以这个对比以往的提升确实非常大。而且我觉得 AI 整理完以后，整体调理性比我自己口述打字会更好一点。最重要的是，这个模式下来人也轻松很多，以前每次总结都心很累。
我现在还不知道上级会不会认同这种方式，反正我觉得你不认同可能也要慢慢转变了。这就回到了我写这篇文章的主题，就是我们现在的工作模式的转变。因为 AI 的出现，工作模式必须得有所变化了。前面我提到的半年度考评的撰写就是一个非常明显的变化。
另外一点，另外第二大 Part 的变化，就是我觉得我们现在工作里面的交付模式产生了很多变化。我觉得因为我们这个岗位以前说得好听就是商业分析，BI 是吧？说得不好听可能就是做看板的、做报表的。在 AI 出现以前，其实做看板、做 BI、做 ETL 都没有问题。如果你从用户使用的角度看，其实就是用户去你的看板这里消费数据的问题，内容消费嘛，只不过这个内容是数据。所以你从一个用户看数据的角度，你觉得他是主动还是被动呢？我现在回想，它应该是一个被动的消费行为，并不是主动的消费行为。你觉得主动是因为用户的行为上，比如说我选择日期时间可能有些主动，但实际上这只是被迫下的主动动作。只是这个动作是主动，但是他的主观上他是被动在做这个事情。就是我来这里这样去操作，我才能拿到某个数据，并且全程是没法跟开发者进行交互的。他也无法去表达他的问题。他唯一表达这个问题的途径就是把这个信息反馈给跟他对接的人，或者反馈给客服。除此之外，他没有其他的方式。
现在进入 AI 时代，我发现数据交付模式发生了一个非常大的变化。特别是最近这半年 AI Agent 蓬勃发展，完全改变了我们原有的数据交付逻辑。
如果说以前是集中式、被动消费的模式，那现在则转向了主动式、点对点的消费模式。无论是年初出现的 openclaw 这种产品，还是像 Hermes 这样的 Agent，本质上都是在往"点对点服务"和"数据主动消费"的方向演进。
结合我们目前正在做的几款 AI 获取数据的产品，我认为这种新模式与传统看板相比，最核心的区别在于从"被动"到"主动"的转变：
-
主动消费的过程在 AI 产品中（无论是集中式的门户入口，还是点对点的 Agent 服务），只有当用户主动提问时，AI 才会输出对应的数据。如果用户发现数据不符合预期，他会通过自然语言重新表达需求，进入多轮对话。这种"一问一答"的过程本身就是一种主动消费。用户的提问中已经包含了其当下的想法、想要解决的具体问题、预期的结果格式以及边界条件。
-
及时捕获用户状态传统的纯看板模式下，用户点击下拉框时在想什么，或者发现数据不对时如何纠正，开发者是无从获知的。但在 AI 产品下，用户的即时状态信息都能从对话过程中提炼出来。
-
优质的需求收集来源以前用户如果觉得需求没满足，通常只能找接口人或客服反馈。如果流程太麻烦，用户可能就放弃反馈了，导致需求流失。现在，我们可以通过模型对过往的对话记录进行二次分析，定期提取实际的使用场景，并直接反馈到产品迭代上。这成了我们收集用户需求的一个非常高效的渠道。
此外，关于落地的形态，目前行业内虽然也在推点对点的 Agent 服务，但我认为这种模式目前还不算特别成熟。特别是涉及到服务部署在用户本地时，可能会存在很多未知的风险。
因此，我认为目前比较理想的落地形态，依然是偏向于集中式的 AI 服务，即通过一个统一的平台为用户提供 Agent 能力。