我幾乎試過所有能讓 AI 在工作中真正派上用場的方法:新模型、路由器、代理框架、試算表外掛、Telegram 機器人、iPhone 捷徑、電子郵件工作流程。讓「一個人」用 AI 提升生產力其實很簡單;但讓「整個團隊」每天都用,則是另一回事,而且真正擋路的通常不是模型本身。
真正需要的是思維轉變,以及能貼合團隊既有工作方式的工具。
更好的模型和更多算力,是引擎;它們不會自己變成工廠。
在軟體領域,我們早就知道工廠是圍繞程式碼的協調、審查、測試,以及 CI/CD。知識工作也需要同樣的東西,而你要追求的是 可用的生產力:
可用的生產力 =
f(可見性, 協作, 透明度, 判斷力, 槓桿)
一個對單人很驚豔、但對其他人都不可見的工具,在這些面向上的分數通常都不高。
公開地做。 採用 AI 是一項團隊運動,人們是透過看別人怎麼用,來學會 AI 的。如果工作都發生在私人聊天和個人終端機裡,其他人什麼都學不到;但當它發生在共享頻道和討論串裡,大家就能看到提示詞、結果和修正方式,然後加入並重複使用。這篇文章的原始宣言,就是用 Slack 語音口述,並在公開的討論串中即時建立起來的。
https://x.com/PeterKimFrank/status/2106054021362413960
把瑣事交出去,把判斷力留下來。 讓 AI 去處理可重複的雜務:抓數字、檢查測試郵件、重新建立同一份試算表。人則在真正重要的時刻做決策。限制不再是人力數量,而是我們的創意、企圖心與判斷力。
現在做實驗很便宜。 一個概念驗證只要幾分鐘,所以要提更高的要求。一位同事曾要求代理重生一天的電子郵件來做比較,接著又補了一句:「另外,如果能有差異檢視會非常有幫助。」 這是很「貪心」的要求,但在最好的意義上都是如此。把它做出來,從中學習,如果不行就丟掉。
把有效的東西變成規則。 當某個實驗證明可行,就把它變成可確定執行的東西:腳本、檢查、排程工作。這就是 AI 生成的「垃圾內容」變成團隊可以信賴的穩健程式碼的方式。
把 AI 想成類人機器人。 類人機器人並不是任何單一工作的最佳機器人。專用機械手臂焊接更好,Roomba 掃地機器人吸塵更好;但它是最好的「通用型」機器人,因為我們生活在一個為人類打造的世界:樓梯、門把、以及為手部大小設計的工具。
我們的工作世界也是由聊天頻道、討論串和文件組成。能被採用的 AI 工具,應該要貼合那個世界,並在大家原本工作的地方就能使用,而不是逼所有人再多開一個視窗。
讓工作有結構。 一個無止盡的聊天串無法擴展到整個團隊。專案、工作流和討論串,讓每項任務都有自己的位置,這樣人們才能找到它、接手它,並跨團隊邊界在其上延伸發展。
讓整合真正可用。 如果連接一個工具代表每個人都要走一次 MCP 驗證流程,那大多數團隊成員根本還沒開始就被卡住了。原生整合——包括 Google 文件——讓整個團隊只需連一次,就能讓 AI 在工程之外也真正有用。
讓安全性不用人人自己學。 現在,把 AI 推到團隊裡,往往意味著要請不那麼技術型的人自己管理祕密資訊。這種做法很容易出錯,也無法擴展。
通常會是這樣:
.env 檔理想上應該是這樣:
這樣脆弱性低很多,也更容易被採用。不過,雖然不該讓團隊忽視對安全性的理解,也不能對大規模下的人類行為太過天真。
不要硬逼取捨。 好的團隊工具應該同時兼顧兩邊:
對我們團隊來說,Capy 是最接近那種類人機器人的工具:它就在 Slack 裡運作,整合功能(包含 Google 文件)確實可用,工作會以專案和討論串來組織,安全設定也集中處理。我們現在有好幾個重複性工作流程都是透過它在跑。它不是唯一的做法,但如果你在替團隊挑選 AI 工具,這些面向至少應該和 benchmark 分數一樣重要。
你們團隊平常怎麼使用 AI?是只有少數重度使用者,還是每個人都會用?我特別想聽聽非工程團隊的經驗。
原文出處:https://dev.to/peter/what-team-wide-ai-adoption-actually-takes-1gbh