文 / STEM Career 编辑部
AI 实施或咨询类面试里，客户说“我们想上一个 Agent”，并不代表问题已经定义。你需要先找到值得改善的流程，比较可用方案，再说明怎样证明试点有价值。
下面用原创资料核对场景做一轮商业案例。数字全部是教学假设，目的是练习口径、计算和决策，不是某家企业的实际降本成果，也不构成服务效果承诺。
先把流程画到人能理解
假设一个团队每月收到一千份供应商资料，需要检查必填字段是否完整、是否与已知记录一致，再交给工作人员处理。当前平均每份用四分钟，存在资料不全后反复询问的情况。
先区分读取信息、规则核对、处理含糊内容和作出批准。每一步的输入、负责人、输出与例外都写下来。哪些步骤很稳定，哪些需要判断，哪些动作影响真实业务，不能全部交给一句“自动化处理”。
本题只讨论产生核对建议与待补资料草稿，保留人工决定，不连接付款或实际财务审批。
比较人工 规则与 Agent
如果字段结构固定、条件清楚，规则校验可能已经解决主要问题。文本变化较大、需要解释或整理信息时，模型可以辅助部分步骤。更长的自主操作只有在确有需要时再考虑。
Anthropic 的 Agent 工作流资料可用于理解复杂度取舍。用于面试时，你仍要根据本题流程作决定，不能因为介绍 Agent 就预设它是正确答案。
| 方案 | 适用条件 | 需要检查的代价 |
|---|---|---|
| 保留人工并改表单 | 主要问题是输入缺失 | 用户填写与内部核对 |
| 规则自动化 | 条件明确且结构稳定 | 维护规则与处理例外 |
| AI 辅助核对 | 非结构化资料较多 | 结果验证和人工复核 |
| 更自主的 Agent | 多步决策确有必要 | 权限、恢复与总体可靠性 |
建立同一口径的成本模型
假设工作人员时间按每小时三十个教学货币单位折算。每月一千份、每份四分钟，总计四千分钟，约六十六点七小时，折算成本为两千单位。
AI 辅助方案假设每份人工复核一分半，调用成本每份 0.2 单位；另需每月十小时维护，以及一百五十单位固定运行费用。暂不计一次性开发投入，先比较月度流程。
| 项目 | 算式 | 月度教学单位 |
|---|---|---|
| 现有人工 | 1000 × 4 ÷ 60 × 30 | 2000 |
| 新方案人工复核 | 1000 × 1.5 ÷ 60 × 30 | 750 |
| 模型等调用 | 1000 × 0.2 | 200 |
| 维护时间 | 10 × 30 | 300 |
| 固定运行 | 明示假设 | 150 |
| 新方案合计 | 上述四项之和 | 1400 |
两种方案的折算差额是六百单位。先说明数字来自假设，再讨论哪些假设最值得验证。
工时释放与现金节省分别解释
工作人员少花一些时间，不一定让企业当月支出减少。可能的价值是处理更多任务、减少积压或让人员承担其他工作。你需要问负责人打算怎样使用释放的时间。
因此，面试报告可以称为工时与运行成本的假设比较，不应直接写“每月净利润增加六百”。如果计划减少外包支出或避免新增成本，还要核对实际合同、处理量和执行条件。
这一步能体现商业判断：你理解计算结果的含义，也知道它与财务收益之间还有需要确认的事实。
加入失败处理再算一次
假设其他条件不变，其中八十份资料需要额外五分钟处理，总计四百分钟，折算两百单位。新方案成本就增加到一千六百单位，月度差额变为四百。
这里的八十份只是一项敏感性假设。试点要观察异常比例、额外处理时间和出错类型，不能凭演示时的顺畅输入选一个最有利数字。
如果一次性开发投入为三千单位，用六百或四百去除，分别得到五个月或七点五个月的简化回收期。这个模型还没有考虑资金时间、上线延迟等因素，仅用于解释假设变化，不能当作投资承诺。
试点必须回答最不确定的问题
优先验证复核时间是否真的缩短、异常是否被识别、资料是否遗漏，以及用户是否愿意采用建议。选择与实际任务相似且获准使用的样本，不只挑容易处理的一类。
把通过条件、暂停条件和负责人先写清楚。例如发现某类关键字段会被错误补全，就暂停该类自动建议，转人工并补验证。具体门槛需要由业务确认，不能从其他案例随意搬来。
交付策略类岗位可以帮助理解流程和用户责任，但本题的方案与数字均由教学场景独立构造。
一页建议书怎样组织
开头直接写建议：先在限定类型上试点 AI 辅助核对，保留人工决定。接着给出当前问题、方案比较、主要假设和最需要验证的两项条件。
最后安排试点对象、观察窗口、负责人和下一个决策点。写明结果怎样影响继续、调整或停止。不要用一张技术架构图代替负责人真正需要的决定依据。
如果数据不足，可以提出先测量当前流程。承认还不能给出可靠收益，比用想象的准确率填满模型更适合客户讨论。
面试追问如何处理
“如果量翻倍会怎样？”先区分随量变化与固定成本，再检查复核和维护是否仍按原假设。“如果规则系统已经能做大半？”重新比较剩余问题是否值得引入模型。
“如果员工不采用？”查看建议是否可信、流程是否增加步骤、反馈是否被处理，再调整方案。不要把采用问题全部归因于培训，也不默认更强模型能够解决所有阻碍。
这些追问要求你保留模型结构，而不是只背一个最终答案。可配合咨询 Case 基础练习训练澄清、计算与建议。
客户要求立刻给收益数字时
可以先给有条件的区间或几种明示情境，说明最影响结果的是复核时间、异常比例与实际处理量。再建议用小范围观察替换这些假设。这样既推进了讨论，也没有把未知数据包装成确定收益。
如果客户只能提供月度总人数，不能直接推算每份资料的处理时间。需要抽取具体任务、区分等待与实际操作，并确认哪些工作会被新流程替代。仅把总人数乘工资，会高估可归于本项目的成本。
试点结束后，把原先每项假设与观测值并排，解释结论怎样改变。即使最后选择不扩大，也可以是一项有价值的交付：你帮助团队避免在不适合的流程上持续投入。求职表达应描述这个判断，而不是为了显得成功，只保留最初乐观数字。
把计算表交给同伴，让他只根据输入重新算一遍，再核对单位、时间范围与重复计入。发现差别时先修模型，不用口头解释覆盖错误。面试里的商业判断也需要这种可复算基础，才方便讨论更重要的假设。
从案例回到你的求职定位
商业分析、咨询、产品与 FDE 都可能讨论 AI 价值，但要求的实现责任不同。你应说明自己擅长哪段工作，再补目标 JD 真正需要的证据。
如果知道很多工具，却不会形成有依据的业务建议，可以加微信说一下目标岗位和熟悉的行业流程。通过案例与求职辅导先确定训练深度，再安排项目、材料或模拟面试。还可以结合Commercial Awareness把行业信息转成可讨论的问题。
常见问题（FAQ）
客户说要Agent就应该直接设计吗？
先确认流程问题，并比较人工、规则和AI方案。
节省工时就是减少现金支出吗？
不一定，需要核对释放时间如何被使用和实际成本变化。
案例里的回收期是效果承诺吗？
只是显式假设下的简化教学计算，不代表实际收益。
- Anthropic 的 Agent 工作流资料· Anthropic
- 交付策略类岗位· Palantir
知道很多 AI 工具，但不会把它们变成业务建议，可以加微信说明目标岗位和熟悉的行业流程，先讨论怎样准备一个有依据的案例。