发帖
雷达卡
前阵子，一个做行政的朋友聊起她同事搭AI工作流的经历。
各部门交来的周报格式不同、重点也不同，过去得逐份阅读、提炼，再合并成一版。后来，她把收集、摘要、分类和格式整理串成流程，自己只负责最后审核。做完后，她感叹：“有点像当年刚学会VLOOKUP，突然觉得自己可以飞了。”
这个比喻很准。很多职场人都记得第一次用公式替代手工核对的瞬间：原来重复劳动不必靠耐心硬扛，更重要的是，不用等技术部门排期，自己也能解决问题。
Excel真正改变了什么
Excel没有发明数据处理，它真正改变的，是把门槛降到了普通业务人员可以触达的位置。财务不用成为程序员，也能搭预算表、做经营分析；HR不必每次找IT，也能整理招聘数据。公式和透视表让“我想从数据里找答案”变成了“我可以先自己试试”。
现在，类似的变化正在文字、图片、合同和会议纪要中发生。生成式AI擅长处理过去难以被表格覆盖的非结构化信息，而AI工作流又把一次对话变成了可重复执行的任务链。
这也是理解CAIE人工智能工程师认证 的一个角度。它的 Level I 覆盖AI基础认知、Prompt提示词设计、多模态工具、AI工作流与智能体入门，重点不是让非技术岗位去写代码，而是学习怎样拆解业务问题、控制输出，并把AI真正用进工作。
Prompt是公式，工作流是整张表
Prompt很像Excel公式：给出输入，规定要求，得到结果。 但只会在聊天框里问一句，就像只会在一个单元格里写“=A1+B1”——能解决眼前问题，却没有把整张表运行起来。
工作流连接的是输入、判断、处理和输出。比如财务对账，可以读取银行流水和发票信息，按规则比对，再生成差异清单；采购面对多份报价单，也可以先提取价格、交期和付款条件，再横向整理，交给负责人复核。
真正重要的不是一条“神奇指令”，而是回答几个朴素的问题：数据从哪里来？每一步做什么？什么情况需要分支？结果由谁检查？CAIE认证 在 Level I 强调工作流与业务落地，正是在训练这种可迁移的方法。它不要求编程基础，但仍需要任务拆解、提示词设计和结果判断能力。
从官方公开的学习内容看，Level I偏向通用AI工具和办公提效，Level II则进一步走向大语言模型、智能工作流、RAG、Agent及企业级工程实践。
（图片来源：CAIE官方公开页面）
AI工作流不能照搬Excel
这个类比也有边界。Excel公式通常是确定的，相同数据和公式会得到相同答案；大模型输出却带有概率性，可能遗漏信息、误解上下文，甚至生成看似合理的错误内容。因此，流程不仅要设计“怎么自动跑”，还要明确“在哪里检查”“出错怎么办”。
前程无忧《2025职场AI应用趋势报告》显示，61.3%的受访者把数据隐私保护列为人机协作中最重要的伦理原则；其后是结果责任归属明确（31.3%）、人类监督权（30.9%）、决策透明性（27.5%）和算法公平性（24.8%）。
例如AI可以整理简历，却不适合在缺少透明标准和人工复核时直接决定录用；它可以标记合同疑点，却不能把专业责任一并“自动化”。成熟的工作流，不是把人移出去，而是让人把注意力留给真正需要判断的地方。
当流程开始自己选择下一步
普通工作流沿着预设路线执行；更复杂的任务则需要根据中间结果选择下一步，调用搜索、数据库或邮件等工具，并连续完成多个动作。这时，就进入了Agent的应用范围。
麦肯锡2025年全球人工智能现状调研显示，35%的AI高绩效企业受访者表示，企业把超过20%的数字化预算投入AI；其他受访企业中，这一比例为7%，相差4.9倍。（数据来源：麦肯锡《2025年人工智能现状报告》）这不能证明投入越多就一定越成功，却说明真正把AI做深，往往还要持续投入流程、数据、人才和治理。
CAIE认证 的 Level II 也从个人提效延伸到企业应用，包括大语言模型与智能工作流设计、RAG、Agent和企业级工程实践，更适合已有基础、希望理解AI产品或数字化转型的人。
真正拉开差距的，或许不是收藏了多少Prompt，而是能否挑一个日常任务，把它拆开、跑通、检查并持续调整。可以先从会议纪要、材料整理等低风险工作开始，越接近人事决策、合同责任和财务支付，越要保留人工确认。
从这个角度看，赛一认证 从 Level I 到 Level II，呈现的是从会使用工具到能设计可靠应用的进阶路径。它不是唯一选择，也不一定适合每个人；是否报考，仍要看自己的岗位、目标和学习方式。
Excel让业务人员拥有了处理数据的能力。AI工作流正在把这种能力扩展到语言、知识和决策辅助。未来真正稀缺的，可能不是“用过AI”的人，而是能把业务讲清楚、把流程搭起来，也知道什么时候必须由人负责的人。
京公网安备 11010802022788号
