为什么需要一个能力边界的框架 #
过去三年，关于 AI 的讨论常常陷入两个极端：要么“AI 什么都能做”，要么“AI 只是工具”。两种态度背后是同一个缺口——缺少一个对 AI 能力边界的清晰分层。
没有这个分层，就很难判断什么该交给 AI、什么该留给人、哪里是机会、哪里是陷阱。我们用一个简单的框架来组织自己的判断，称为 ABC 模型：按 AI 的参与方式，把知识工作分成三类。
C 类：商品化工作 #
对任何用户都一样有用的通用能力，不依赖使用者的专业背景，也不依赖某家企业的内部 know-how。
- 基础层：问答、翻译、摘要、搜索、推荐。
- 进阶层：通用办公操作——写通用邮件、整理文件、执行基础流程、做通用信息收集，随着通用 Computer Use 的成熟而出现。
它的知识来源是公开的，AI 接近完全自动化，人几乎不需要介入。需要澄清的是：C 类不是“只有简单任务”的类别，它的共性是通用，而不是简单。这一层由大厂和开源生态主导、走向商品化，创业空间很小。
A 类：顾问型工作 #
需要深度专业能力的工作，AI 的角色是放大专业人士。资深开发者配合 AI 编程、分析师配合 AI 做研究、科学家配合 AI 做发现，效率成倍提升。
但这类工作有一个天然的天花板：AI 再强，它的价值上限也取决于使用者本身的专业能力。同样的工具，普通人写不出好代码，因为他不知道自己想要什么。AI 在这里是放大器，不是替代者。
B 类：业务运营工作 #
既不需要顶级专业能力，也不能用通用知识完成——它依赖的是企业特定的 know-how。订单处理、财务审核、报价核算、合规检查、发版测试、内容审核、运营质检，都属于这一类。
B 类工作的典型特征是：流程复杂、规则多、存在大量例外、需要判断，但每一次判断本身并不需要深度专业能力。一个资深审核员判断“这笔订单是否异常”不需要博士学位，但需要他对这个业务、这个流程、这个特定客户的要求有深入了解——而这些了解是他用数月甚至数年积累起来的。
三层的差异，本质是知识结构 #
三类工作的区别不只是难度，更是知识从哪里来、以什么形式存在、适用范围多大。
- C 类：知识公开、显性、通用——到处适用。
- A 类：知识公开但有深度、可学习、领域内通用。
- B 类：知识私有、隐性、局部——只对特定企业有效。
关键在最后一类。再聪明的通用 AI，也无法预先知道某家企业处理某个场景时“通常要特别留意的几个判断点”，无法知道它对“合格与不合格”的内部标准与通用标准之间的细微差异——因为这些知识不在它的预训练数据里，只存在于资深员工的记忆和口口相传的交接中。
这意味着 B 类工作不是“模型变强就自动解决”的问题。它需要有人在企业真实场景中，把隐性知识提取出来、注入到 AI 系统里、让 AI 在真实业务环境中执行——这是一个结构性的工作。
为什么 B 类在今天刚刚可行 #
要做成 B 类，需要 AI 同时具备两种能力。
- 判断能力：B 类不是按固定规则执行（那是 RPA），它每天都遇到规则没覆盖的情况，需要模型理解情境、权衡因素、做出判断。
- 在真实环境完成长程任务的能力：能自主规划并推进多步骤任务、能在真实软件界面中操作并处理异常、能在长时间任务中保持上下文与目标一致。
这两种能力的交集，恰好在 2024 到 2025 年间成熟。早一年，模型能力不足，尝试会在真实场景里碎裂；晚一年，赛道被挤满，先发优势消失。这也是我们说 B 类“刚刚可行”的原因。
一个被“看不见”掩盖的大机会 #
B 类一直被忽略，并不是因为它小。恰恰相反——它常常是企业运营中最大的成本黑洞：占据大部分人力，却只贡献有限的差异化价值。
它被忽略，有三个原因：过去没有真正能用的解法（C 类缺企业知识、A 类是放大逻辑、RPA 只能处理固定流程）；它“不够性感”，是涉及大量具体业务细节的脏活累活；它的知识需要“潜入企业内部”才能获得，无法从公开资源或 API 学到。
我们关注的方向 #
AI 的机会不是“能或不能”的问题，而是“在哪个层面发挥作用”的问题。C 类已是红海，A 类的天花板是人，B 类恰好在能力边界上——需要判断（AI 刚刚具备），需要私有知识（需要深入企业才能获取），而且几乎被忽略。
把 B 类工作做成可被企业培养、调用和拥有的运营能力，是我们理解的可编程劳动力的起点。