精彩回顾
2026创新实效大赛
时光见证成长 努力点亮未来
???
2025
07
前言
首届双枪创新实效大赛虽已圆满落幕,但一众参赛选手立足业务实操的真诚分享、饱含热忱的创新思考,依旧在每一位聆听者心中久久回荡。
本次大赛以实效为核心标尺,所有创新方案皆扎根岗位痛点、重在落地变现,每一篇演讲都沉淀着解决实际问题的思路与经验。为让未能抵达现场的伙伴不错过这份宝贵的思想硕果,我们整理汇总全部参赛演讲稿全文。愿大家细读文字之时,汲取可复用的实战方法,让赛场迸发的创新灵感,转化为日常工作提质增效的切实力量。
众多优秀参赛队伍同台竞技,海外事业部徐悦立足日常业务场景,分享 AI 赋能提效的实践思考。她倡议大家从工作各个细微环节大胆尝试、持续探索,最终实现规模化效率提升。这份生动务实、紧贴业务的分享,助力她斩获本次大赛第二名。
演讲视频
现场直击!
从数据搬砖人到 AI 包工头
海外事业部:徐悦
双枪的家人们大家好!
先分享一个数字:500小时。
这是我给自己算过的一笔账——录订单、做合同、做标贴、传文件,这些“把A文件的数据搬到B文件”的工作,我每天要花大约2小时。一年250个工作日,就是500小时,相当于62.5个完整工作日——整整两个半月!
两个半月,够考个驾照、学个冲浪了。但我在干嘛?我在搬砖,搬的是电子砖。
今天我想分享的,不是我怎么变厉害了,而是这500小时是怎么被我一步步“收回来”的。这三年,我的自动化实践走过了三个阶段:单点工具化、流程自动化、能力产品化。每个阶段的方法,今天都会讲清楚——而且,人人可复制。
第一阶段,单点工具化。
起点是Tesco的订单录入:一个订单一个PDF,人工录一个要2分钟,一百个订单连录带查,三个小时就没了。而且“人形OCR”会累、会眼花、会敲错——订单是生产的源头数据,错一个数字,后面整条链路都要跟着乱。
2024年的一个晚上,面对第二天要来的140多个订单,我第一次尝试让AI替我写代码,凌晨两点跑通了人生中第一个小程序。第二天,同样的工作,不到一分钟完成,而且零差错。这种“我提需求、AI写代码”的协作模式,在2025年有了一个大家熟知的名字——Vibe Coding。
尝到甜头后,我用同样的思路迭代了外箱设计稿:从纯人工改稿,到模板网站半自动生成,再到第三版——一个傻瓜式网页程序,内嵌全部客户模板,只要上传订单信息,程序自动匹配模板、批量生成设计稿、打包下载。三轮迭代下来,这项工作的出错率大大降低。
这个阶段我的方法论是:不要想着一口气改造整个流程,先挑那个最重复、最容易出错的单点,用一个小工具打透它。单点见效快,团队看得见,自己也有信心继续往下走。
单点打完,我开始啃硬骨头——客户的质量系统TQC。这个系统光是说起来,我的血压就开始上升。
它的痛点不是难,是繁琐:每个产品要按不同模板生成十几份文件,很多文件填的是同样的数据,用的却是不同的模板和命名规则,人工要来回粘贴同一个数据好几次;系统上传还极慢,一个产品光传文件就要七八分钟,几十个产品,就是一整个下午。这种工作最消耗人的地方在于——它不需要智慧,却大量消耗专注力,而专注力恰恰是业务员最贵的资源。
我把它拆成了两步:
第一步,把产品信息集中填进一张总表,让这张表成为唯一的数据源头——程序根据总表自动生成所有文件、自动命名、分类归档。数据只录一次,就不存在“粘错版本”的可能;
第二步,另一个程序接管浏览器,自动执行上传——不用再点“选择文件”,不用再盯着进度条挨个提交,人只需要打开网页、启动程序,就可以去做别的事了。
原来一下午的活,现在变成了“启动程序,然后离开”。
方法一旦跑通,复用的成本会指数级下降。
后来鸿儒给我提了一个需求:客户回款文件。流程是把A文件的信息填进B模板,再和C文件合并成最终文件,按合同号命名,上传客户系统。人工做一份要复制粘贴几十次,一不小心看错一行,后面可能全错。
因为前面几个工具已经沉淀出了完整的方法链,鸿儒讲完需求,我脑子里就有了实现路径。最终我只用两个小时就落地了一个网站:上传数据文件,程序自动“拼”好成品文件,打包等你下载。
从第一个工具熬了半宿,到这个工具两小时交付——这就是方法沉淀带来的复利。工具会过时,但“拆解流程、定位数据、交给程序”这套方法,可以无限复用到新的场景里。
今年,我的用法又升级了:从“哪里重复,就写个程序替代”,变成“能不能让AI承接一整段流程”。
先解释一下什么是Skill:
如果说以前我写的程序是一台台“专用机器”,那Skill更像一份交给AI的“标准作业手册”——把一件事的流程、标准、输出格式写清楚,AI照着手册,就能独立完成一整段工作。
程序替代的是双手,Skill承接的是流程。
案例一:市场调研Skill。
做一个大类目调研,最痛苦的不是分析,是收集——打开无数网页、复制数据、整理打标,少说一两天。就像做一桌大餐,得先跑10个菜市场买菜,买菜、备菜比做菜还累。于是,我就把调研的完整流程写成了Skill:
AI自动上网抓数据、整理成表、按属性打标、分类统计,最终直接输出一份可供决策参考的调研报告,每个数据都附上来源,随时可以回查验证。原本一两天的收集工作,现在10分钟出报告。更重要的是,这份能力不再依赖“我”这个人——任何同事拿到这个Skill,都能跑出同样质量的调研。
案例二:跨境数据采集插件。
这是娇飞给我提的需求:
运营要的数据是固定的,但分散在不同网页和浏览器插件里,每天要人工打开、复制、粘贴、再计算。这个需求真把我难住过——Python程序抓不到网页插件里的数据;直接写Skill又太耗钱,而且AI每次理解有偏差,抓取结果不稳定。前两版方案都不可行,我一度想,这下不会真做不了吧?
最后我换了个思路:既然要抓插件的数据,那就给这个插件再写一个插件——用魔法打败魔法。结果真行。
现在这个插件可以自动监测、自动提取、自动汇总进表格,抓到的数据由公式自动计算。不管要查几个产品,运营同事只需要把产品链接打开,剩下的交给这个“数字小精灵”,人就可以去做更有价值的事了。
依托这两个实践案例,我梳理形成一套工具选型判断准则:
·数据存储于本地文件,优先选用 Python 程序,高效且稳定;
·面向多用户、追求简易上手的使用场景,采用网页形式;
·业务链路较长,涉及多重逻辑判断与数据分析,依托 Skill 实现;
·数据来源于浏览器及插件环境,则开发浏览器插件。
先找准数据在哪里、给谁使用,再确定开发形态。形态选择得当,落地事半功倍。
讲到这里,大家发现规律了吗?
我做的所有事,本质上只做了一件事:让数据自己流动起来。
以前,数据散落在各个系统、各个文件、各个网页里,像一座座孤岛,而我就是那个划着小船、一趟趟运货的摆渡人。现在我造了桥、挖了隧道、修了高速公路——数据自己跑,我只需要站在旁边,看着它们流向该去的地方。
以前,我是数据的搬砖人;现在,我是AI的包工头。
复制路径:0元投入、三步流程、人人可用
大家最关心的一定是:这套东西,我怎么复制?
先说一个反直觉的结论:
做这些工具,最难的不是写代码、不是配环境、不是改bug,而是梳理需求。
如果直接对AI说“帮我做一个生成合同的程序”,然后就没了,AI只能靠自己的理解发挥,做出来的一定不是你想要的——因为它不知道你的合同模板长什么样、你的数据在哪、哪个字段要填到哪个位置。这些信息只存在于每个业务员自己的脑子里,而把脑子里的隐性经验讲清楚,恰恰是大多数人卡住的地方。我前面每一个工具,真正花时间的都是这一步。
所以我把这三年的经验,沉淀成了一个需求梳理Skill。用上它,AI会变身你的流程指挥官——不急着写代码,而是先反过来问你问题。整个流程只有三步:
第一步,梳理需求。AI提问、你回答,最后输出一份清晰的需求文档;
第二步,给出方案。网站、小程序还是插件?每个方案优缺点列清楚,你来选;
第三步,落地执行。方案确认后,AI才开始动手做程序。
不需要会编程,只需要会对话。
今天站在这里,我不是想炫耀写了多少工具。这些小东西拿给真正的程序员看,评价可能会是“能跑就行”。
但这三年下来,这些“能跑就行”的小工具,实实在在地消灭了订单录入、外箱设计、TQC上传、回款文件、市场调研、运营取数六段重复劳动,把我和同事们每年数百小时的时间还给了更有价值的事,而且投入是0元——没买服务器,没请开发,只有下班后跟AI的一轮轮对话。
我想说的是:我们不需要成为技术专家,才能用技术解放自己。AI不是来替代我们的,它是来把那些不需要人类智慧的工作接过去,让我们有时间去做真正需要思考、需要创造、需要温度的事情。
真正改变我的,不是工具越来越多,而是我开始重新思考:哪些工作,必须由我完成?哪些工作,可以交给AI?当我开始这样思考,我的身份也随之改变——我不再是数据搬砖人,而是变成了AI 包工头
我不再只是工作的执行者,而是成为了工作的设计者。
一个人的效率是加法,一群人的效率是乘法。
让AI搬砖,让我们发光!
让努力被看见
股票
板块
用户
资讯
评论 (0)