流程都固定了，为什么还要 AI？

前两天，同事转述一个客户提的问题，问得很直接。

客户说，我们每天在软件里干的活，基本是固定的：打开数据文件、导入，点几个菜单，选几个选项，出一份分析报告。就算有变化，也就是小修小补。那我为什么要买你们的 AI？

按照这一年的感受，我冲口而出的答案肯定是：把你从枯燥的千篇一律（bullshit工作）中解脱出来，还不好？但最近听到越来越多的声音——千篇一律的工作，也是工作啊，比失业强。好吧，就把AI替代人类的纠葛先放下。

当时我当着同事的面，答了些冠冕堂皇的 “提效”“降本”“智能化” 之类的话，说完自己都觉得虚。这两天上下班的路上一直在琢磨：如果流程真的已经固定了，AI 到底还能干什么？

客户的业务我不去细说。我换一个自己最熟的场景，把这个问题重新想一遍。

一张做了无数遍的地形图

用 QGIS 做一张省级地形图，带山体阴影。干 GIS 的人对这个活熟到不能再熟，一共 8 步：

1. 1. 建工程，确认 DEM 和省界都是 EPSG:4326，把无数据值设为-9999
2. 2. 自定义一个以米为单位的 Albers 投影
3. 3. 省界重投影，再外扩 2 km
4. 4. 把 DEM 只变形一次，重采样到 30 米
5. 5. 在外扩后的 DEM 上做山体阴影，Z 因子必须是 1
6. 6. 用省界把 DEM 和阴影裁回来
7. 7. 设色、叠加，山影放上面、正片叠底
8. 8. 排版出图，导出 PNG

手顺的话，15分钟。

这样的图我做过太多遍了。整个过程里唯一还让我觉得“有聊”的，大概就是换换色带。

如果让AI来实现，全套过程不用我解释，就说：用我文件夹下的文件做好看的地形图。让任何当前主流大模型把同样的活跑了一遍。1 分半就出下图（色带就看大模型的审美了）。

和 AI 比写程序快，那想都不要想。快，但还不是这篇文章要说的事。

好一点的模型会更体贴，Ta还能顺手留下了一个脚本：

python3 qgis_vs_ai_terrain.py --province 福建省

换个省，改一个参数就行。人工那 15 分钟，每做一次就要重新付一次时间成本；AI 写的脚本呢？只付一次。当然你也可以自己写脚本，AI能帮你的，主要是你不必懂Python。你拿来当命令行操作。

如果回到一年前，看到这儿，大部分人大概已经准备鼓掌了。2026年末，我们的脑子不该就这么简单。

快，现在站不住脚了

这个流程本来就是标准的。步骤固定，参数固定，这种活写个 Python 脚本、搭个 QGIS 模型、整理一份像样的 SOP，都能搞定。稍微有点工程意识的人，花半天就能把它自动化，用不着 AI。

所以如果我对客户说“AI 能让你们更快”，他完全可以回一句：那我找个实习生写个脚本（或者极海替我们写好）不就行了？

他说得没错。在这件事上，AI 做的只是把“写脚本”的成本从半天压到了几分钟。这当然有用：新人不用先啃半个月投影和重采样就能出图；原来没空做的事，比如把全国 34 个省级行政区都出一遍，变成了一条命令。可宏、插件、教程，多少也能做到这些。这一层价值是真的，只是不稀缺。

只讲快，这个问题答的不好。得换个角度，再看一遍那 8 步。

固定的是点击，不是判断

仔细读，会发现有几句话不太像“操作”：

• • Z 因子必须是 1。把经纬度校正系数 0.00001 填进来，山会被压平。这是整个流程最容易翻车的地方。
• • 先外扩 2 km 做阴影，再裁回来。不这么做，省界边缘会多出一圈假亮边。
• • DEM 只变形一次。多重采样一次，精度就丢一次。
• • 投影的中央经线和标准纬线，是照着浙江的范围挑的。

每一句后面都藏着一个“为什么”。这些为什么平时只待在老手脑子里，写进文档，顶多是一行“注意事项”。新人照着做，但不知道哪一步做错会出什么事。

再看那行 --province 福建省。换省，看上去只是换个参数。可浙江的投影参数是给浙江定的，到了福建、到了新疆，中央经线和标准纬线要不要动、怎么动，这是判断，不是参数。脚本会忠实地重复，但它不知道自己为什么这么做。

想到这里，我才回过头真正听懂了客户那句话。他说“就算有变化，也就是小微调”。可恰恰是这些小微调，才是他同事真正在干活的地方。点哪个按钮谁都会，什么时候该改一个数、改成多少，才是这个人值钱的部分。

从外面看，流程是固定的。从里面看，每天都有判断在发生，只是太熟练了，熟练到连做的人自己都意识不到。

还有一件更现实的事：人会走。流程写在 SOP 里，走不掉；判断在人脑子里，人一走就跟着走了。新来的人照着 SOP 点完，图出来了，边缘发黑，Ta不知道为什么。

让软件记住“为什么”

软件用了几十年，记得住的一直是“做了什么”：操作日志、历史记录、撤销步骤。它从来记不住“为什么这么做”。

操作日志记的是点了什么，判断上下文记的是为什么这么点。

这两样东西，差得很远。而 AI 第一次让后一样有了被记住的可能。

这也是为什么我们做的东西不只是一个“助手”。拆开看，它其实是三件事：

• • 技能（Skill）：把老手的判断写下来，比如“经纬度栅格上 Z 因子必须是 1，否则山会变平”，让 AI 每次干活前先读一遍。
• • 连接（MCP）：让 AI 能真正伸手进你们已经在用的软件（数据库）里去操作，而不是只在对话框里给建议。
• • 运行框架（Harness）：规定它按什么顺序干、哪一步必须停下来等人确认、出了错能不能查回去。

单拎出哪一样都不稀奇。合在一起，软件就不必每次从零开始了。每一次选投影、每一次发现边缘发黑、每一次改色带，都可以留下来，变成下一次的起点。

而且留下来的不只是一个人的经验。一个组、一个单位、一个行业的判断叠在一起，就是书本和 SOP 都写不进去的那部分东西。

当试错几乎不要钱

讲个老故事。1979 年，第一款电子表格软件 VisiCalc 问世。在那之前，财务做预算靠纸和计算器，改一个假设，整张表就得从头重算，所以没人愿意多问几句“如果……会怎样”。

VisiCalc 当然让算账变快了。但它真正改变的，是人们开始随口问：增长率要是 8% 呢？12% 呢？因为问一次，几乎不花钱。

我觉得 AI 之于专业软件，可能也会走这条路。快只是开头，敢多问问题，才是后面的事。

下面几个是设想，还没真正跑过，但离现实不远：

• • 山体阴影的方位角 315°、高度角 45°，是教科书上的默认值。东南丘陵和西北高原，最合适的光照真的一样吗？以前没人有空一个省一个省去试。有了 34 个省、上百次人工调整的记录，AI 可以自己去试，再把结果摆出来让人挑。
• • 出图异常，比如边缘发黑、整幅偏绿，现在靠人眼看、凭经验猜。有了历史上出过的问题和当时的处理办法，AI 可以先自己排查一轮，再告诉人它怀疑是哪一步。
• • 把老手的习惯变成软件自带的检查。比如阴影算完，自动看一眼最小值是不是还是 -9999。

这些事，每个工程师都知道“应该做”，但都没空做。也许还有一些，是我们压根没想到要问的。

按钮和对话框，不用二选一

写到这儿，可能有人以为我在劝大家把手里的软件扔了。正好相反。

还是拿那张地形图，把两种做法摆在一起看：

看完这张表，结论其实很清楚：这两样东西干的不是同一种活。

固定流程，是一个组织已经想明白的事。它要稳、要准、要能追责，这些恰恰是按钮和菜单最擅长的。AI 适合拿来想还没想明白的事：换个省投影怎么调，光照能不能更好，这次出图为什么发黑。等这些想明白了、验证过了，再把它固化回软件里，变成一个新按钮、一项新检查、一条新 SOP。

所以在一个单位里，它们更像是这样并存的：前台还是那套熟悉的软件，日常出图、出报告照旧；旁边多了一层 agent，通过 MCP 调用同一套软件、同一份数据，老手的判断写进 Skill，Harness 管着它哪些事能自己做、哪些事必须等人点头。

固定、积累、探索、再固定。这是一个圈，不是一道选择题。

如果我是 CIO

我不会去砍掉现有系统，它是地基。但新的预算，我会从“再买一套功能更多的软件”里挪一部分出来，放到三件事上：

第一，把现有系统的门打开。软件和数据能不能被 agent 安全地调用，比它界面上多几个功能重要得多。

第二，把判断当资产来养。Skill 库（或者是 plugin ）要有人负责，像维护代码一样维护：谁写的、谁审的、哪条过时了。

第三，先把护栏立好。权限、审计、本地部署，这些不是锦上添花，是能不能上线的前提。

衡量效果也得换把尺子。省了多少工时当然要看，但更该看的是：这一年沉淀了多少条判断，有多少次探索最后变成了新的标准。

起步也别挑最乱的业务。挑一个流程最固定、老手最多的。那里判断最密，也最容易被说清楚。

如果我是一线的同事

会 QGIS 的老手，最该放心。你的价值从来不在会点按钮，而在知道为什么这么点。把这些“为什么”说出来、写下来，你就成了 AI 的老师，也是最后那个签字的人。

只会跟 AI 唠嗑的年轻人，出结果会很快，但不一定分得清对错。边缘发黑，你得知道去问谁。

这两种人放在一起，刚好互补：老手出判断，新人出问题和速度，AI 把两边接起来。一个人把“Z 因子必须是 1”写进 Skill，另一个人用它一口气跑完十个省，再一起坐下来看哪几张不对劲。

谁也替代不了谁。

几盆冷水

我不想把这件事讲得太美。

错误的经验也会被记住。个人的偏见、某一次的误判，一旦被当成上下文留下来，就可能被一遍遍复用、放大。得有人审。

不是所有判断都说得出口。老手很多时候就是“看着不对劲”，这种感觉很难写成一行字。

结果得有人认。测绘、地图这类成果有精度要求，也有责任主体。AI 探索出来的结论，最后得有人签字。

数据能不能出门，也是个问题。判断上下文里常常有敏感数据，对很多单位来说，这件事能不能落地，取决于能不能在本地、离线跑。我这次实验特意用了本地模型，原因就在这里。

还要说明一点，我这里谈的是 QGIS、ArcGIS 这类专业工程软件，以及和它们相似、靠人做判断的业务软件。是不是所有软件都适用，我不下结论。

结论：回到那个问题

如果客户再问我一次：“流程都固定了，为什么还要买 AI？”

我大概会这么回答：AI 帮你同事省下的那 15 分钟，其实不算什么。值钱的，是Ta这些年在那些“小微调”里攒下的判断。今天它们只存在Ta一个人的脑子里，哪天Ta请假、调岗、离职，就一起带走了。

标准流程，是人一步一步走出来的路。路修好了，可走路的人一路上做过的那些判断，从来没被软件记住过。

我想做的，是让软件第一次学会记住它们。

所以我的回答很直接：不用二选一。你们的软件不用换，同事的活照常干。区别在于，从今天起，Ta每做一次，判断就留下一次；留得够多，AI 就能替Ta去试那些Ta没空试的事；试出来的好办法，再变回软件里的一个按钮。

固定的工作照常做，知识同步攒，探索同步开。这三件事，可以同时发生。

到那时候，软件就不只是一件工具了，更像一个跟你们一起干了很多年的老同事：知道该怎么做，也知道为什么。