> For the complete documentation index, see [llms.txt](https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/di-ba-bu-fen-chang-jing-pian/40-tong-yong-zhi-neng-chang-jing.md).
# 第 40 章 · 通用职能中的 AI 应用
前面用了大量篇幅讲原理，这一章把它落到具体职能上。但落法不是罗列"某职能能用 AI 做一百件事"——那种清单既过期快、又多半编造。更有用的，是先看清一条规律：AI 在各职能里被采用的先后和深浅，并不随机，而是遵循第 5 章那几条边界——越是文本密集、容错较高、结果好验证的活，越先被 AI 接手；越是要担责、要临场、要现场常识的活，越留在人手里。看懂这条，就能自己判断任一职能里"哪些先交、哪些后交、哪些不交"。
**客服**是被 AI 改造得最早、最深的职能之一，因为它文本密集、大量重复。典型用法是一二线的问答、工单分类、知识库检索。Klarna 的 AI 客服上线首月就处理了约两百多万次对话，相当于约七百名全职客服。\[1] 但它也留下了最重要的一课：激进地用 AI 替代人、只按成本逻辑推进，会把服务质量做低，以致后来不得不回头补人。\[2] 落地难点在容错——客服直接面对客户，错一次就是一次流失。避坑要点：留住人工核对与升级通道，高情绪、高责任的对话别全交给机器。
**知识型与顾问型工作**（研究、分析、咨询）是另一个见效快的领域，因为它的核心是"在大量资料里找、理、写"。摩根士丹利给财富顾问部署的 AI 助手，索引了超过三十五万份专有研报，把过去要三十多分钟的人工检索压缩到几秒，文档的可及率从两成升到八成，顾问团队的采用率超过九成；它还能在客户会议后自动生成纪要与待办。\[3] 难点在于事实准确与合规；避坑要点：把 AI 定位成"出草稿、做检索"，最终判断与对外内容仍由顾问把关。
**人力资源**里，简历初筛、职位描述撰写、面试纪要都是常见用法，但这一职能藏着一个格外要警惕的坑：偏见。亚马逊曾开发一套 AI 招聘工具，用十年的简历训练，而这些简历以男性为主，结果系统学会了歧视女性——会给含"women's"字样的简历降分，最终因无法确保公平而被彻底放弃。\[4] 这条教训直接对应第 39 章：凡是影响人的 AI，必须查偏见、必须有人在环。避坑要点：用人决定绝不脱离人，AI 只做辅助筛选，且要持续检查公平性。
**供应链与运营**适合让 AI 做调度、预测、异常筛查这类有明确数据、结果可量化的活。General Mills 用 AI 优化每日五千多批次的发货调度，自 2024 财年起累计节省超过两千万美元——它务实在于场景窄、绑在"运输成本"这个可审计的科目上。\[5] 避坑要点：选窄而可量化的场景，绑住既有财务指标，别一上来做"无所不能的智能供应链"。
**研发与软件开发**见效很快，因为写代码有编译器和测试可以即时验证对错。典型用法是写样板代码、补测试、查文档、排错。一项受控实验能说明它的量级：招募来的开发者用 AI 编程助手完成同一个编程任务，比不用的快了约 55%（平均一小时十一分，对不用的两小时四十一分），完成率也更高，差异具统计显著性。\[6] 难点在于生成的代码需要审核（可能引入错误或安全隐患）；避坑要点：把 AI 当"结对的实习生"，代码仍要人审、用测试来兜，架构与技术选型的判断留给人。
**法务**里，合同初审、条款比对、判例检索是典型用法。国际律所 Allen & Overy（现 A\&O Shearman）是较早规模化的例子：它从 2022 年底开始试用法律 AI 工具 Harvey，试用期内约有三千五百名律师、覆盖四十三个办公室，累计提出了约四万次查询用于日常工作。\[7] 难点在于法律容错低、要担责；避坑要点：AI 做检索与初稿，风险定性、法律意见与对外担责由律师负责，且结果要能核回原文。
**市场营销**适合内容初稿、素材批量生成、活动创意，容错较高、见效快。可口可乐的"Create Real Magic"是个例子：它联合 OpenAI 与贝恩，基于 GPT-4 和图像模型，让全球创作者用其品牌资产生成作品，数周内产生了十二万多件用户创作；其节日 AI 营销在三周内于四十三个市场触达上百万用户。\[8] 可口可乐也强调，AI 是用来拓展创意、而非取代人来主导品牌叙事。难点在品牌调性与真实性；避坑要点：AI 出量、人定调，别用它批量产同质化内容而稀释品牌（接第 53 章）。
其余职能——**销售、财务、采购**——的用法可以照同一条规律推演：销售适合线索初筛、话术辅助，但关键谈判靠人；财务适合单据处理、对账、异常筛查，但预算判断和对外签字靠人；采购适合供应商信息整理与比价，但谈判取舍靠人。它们共享同一个避坑原则：把 AI 用在"产出可被检验的中间结果"上，把"为最终结果负责并下注"的那一步留给人。
【本章缺口（待补一手案例）：销售、财务、采购三个职能，目前只给了框架与避坑，尚缺各自可核实、带公开数字的落地案例（已做检索，公开硬数据稀薄）。后续按出处铁律补入，不以印象充数。】
## 要点速查
* AI 落各职能的先后遵循边界规律：文本密集、容错高、可验证的先被吃（客服、知识工作、内容、代码）；要担责/临场/现场常识的留给人。
* 已核实锚点：客服（Klarna，质量教训）、知识工作（摩根士丹利，检索+纪要）、研发（GitHub Copilot，受控实验快约 55%）、营销（可口可乐，数周 12 万+创作）、HR（亚马逊，偏见教训）、法务（A\&O + Harvey，3500 律师规模化）、供应链（General Mills，窄场景务实）。
* 通用避坑：AI 用在"可被检验的中间结果"，把"为最终结果负责并下注"留给人；影响人的场景（HR）必查偏见、必有人在环。
## 给管理者的三步
* 现在：用边界规律给本职能的活排序——哪些容错高、可验证，先交给 AI；哪些要担责、临场，留给人。
* 三个月：从排在最前的那类活起步，建"AI 出草稿 / 初筛 + 人把关"的流程，拿确定回报。
* 一年：凡影响人的应用（招聘、考评）建立偏见检查与人在环机制，别让效率盖过公平。
## 来源
1. Klarna 官方新闻稿：
2. CX Dive《Klarna credits AI for slashing customer service costs》：
3. OpenAI《Morgan Stanley》案例 与 摩根士丹利官方新闻： ；
4. Reuters（Jeffrey Dastin， 2018）《Amazon scraps secret AI recruiting tool that showed bias against women》；另见 MIT Technology Review 报道：
5. CIO Dive《General Mills attributes millions in cost savings to AI》：
6. GitHub Blog / arXiv《The Impact of AI on Developer Productivity： Evidence from GitHub Copilot》（arXiv：2302.06590）： ；
7. A\&O 官方《A\&O announces exclusive launch partnership with Harvey》；另见 Legal IT Insider 报道：
8. 可口可乐官方《Coca-Cola Invites Digital Artists to 'Create Real Magic' Using New AI Platform》；Marketing Dive 报道： ；
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://doras-dreamland-adventure.gitbook.io/enterprise-ai-transformation/di-ba-bu-fen-chang-jing-pian/40-tong-yong-zhi-neng-chang-jing.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.