AI 应该学习你的工作方式

我们最初设计 Snappy PM 的时候，有一个很自然的想法：

既然有 AI，为什么不让 AI 阅读一家公司的历史项目，然后自动生成一套属于这家公司的 Workflow？

听起来很合理。

而且很 AI-native。

但继续做下去以后，我们反而改变了这个想法。

因为 AI 很容易把一件简单的事情变得看起来很聪明。

它看到一家企业过去的项目，可以总结出很多 Stage、Rule、Role 和 Exception。

但问题是：

过去发生过，不代表未来应该这样发生。

企业自己的历史流程里，本来就可能存在很多偶然、低效甚至错误的做法。

AI 如果非常认真地学习这些历史，最后可能只是：

Automating yesterday.

所以新版 Snappy PM 做了一个很重要的简化。

我们不再让 AI 为每家公司发明一套 State Machine。

项目的基本骨架就是五个 Phase：

Requirement Capturing

Scoping & Design

Implementation or Manufacturing

Deployment or Installation

Closing

这部分保持稳定。

AI 真正应该学习的，是企业之间那些有意义的差异。

比如：

哪些 Phase 对你适用？

你通常使用什么样的 Quotation？

你的 Payment Terms 是什么？

哪些 Document 是你自己的标准模板？

你有没有 Inventory？

客户面对的是这家公司，还是集团里的另一家 Sales Company？

这些才是：

How you work.

所以 Snappy 可以读取一个过去的项目，理解企业的工作习惯和文档，并提出建议。

但我们给它另外一个原则：

Evidence or default.

如果 AI 认为企业存在某种工作方式，它应该能够告诉我们：

我是从哪些真实文件里看到的。

如果没有证据，就使用简单、稳定的平台默认值，而不是让 AI 猜。

我越来越觉得，这是 AI 产品设计中一个很重要的边界。

AI 最有价值的地方，不一定是：

让所有东西都由 AI 决定。

而是知道：

什么应该稳定，什么应该学习。

Accounting rules 应该稳定。

核心 Project Flow 应该稳定。

权限边界应该稳定。

而企业的文档、习惯、模板和具体工作方式，可以学习。

所以我们现在更喜欢这样描述 Snappy PM：

AI learns how you work.

It doesn't invent how you should work.

AI 应该减少企业适应软件的成本。

而不是创造一套新的复杂性，再要求企业去适应 AI。

SnapLedger, your life easier.