AI4Leader训练营实录：在实战中重构AI工作流

距离AI4Leader训练营首期开班，至今已过去一个多月。

从最初对“大模型”“智能体”感到陌生，到如今着手构建个人工作流及业务系统，众多同学已不再局限于“听课”，而是迈入了实际动手操作项目的阶段。

随着项目深入，众人首次真切体会到：AI的实际应用远比“产出几个结果”要艰难。数据能否对接、流程是否顺畅、业务逻辑是否严谨、系统是否稳定……这些过往鲜少被提及的难题，逐渐浮出水面。

过去这一个月，来自一级市场投资、上市公司、私行、财富管理及信托等不同行业的学员，针对各自的真实业务痛点，尝试运用智能体（Agent）来重塑工作流程。

近期，我们与几个项目小组进行了深入交流。

他们正经历怎样的过程？又是怎样逐步深化对AI认知的？

第一组｜我们初次意识到，AI真正的难点在于厘清业务逻辑

第一组的课题方向，主要聚焦于一级股权投资建议书及尽调文档的自动化处理。

组长张利英深耕一级股权投资领域，起初旨在解决尽调流程中的繁琐重复工作。“企业往往直接扔来一整叠材料。”然而在实务中，从项目筛选、尽职调查，到撰写立项报告、生成投决材料，需处理大量非标资料。财务、法务及行业材料格式不一，诸多内容仍需人工整理。

因此，训练营初期，第一组便尝试利用AI处理尽调中的资料整理、风险提取及报告生成，甚至一度设想将尽调全流程自动化。

然而真正着手后，众人迅速发觉现实远比预想棘手。

数据格式不一、PDF难以解析、外部数据库无法直接调用、机构间信息口径各异……许多过往依赖经验的工作，在尝试交给AI时才发觉背后隐藏着大量需重构的流程。

“后来我们没有推倒重来，而是不断调整边界。”张利英表示，这门课最大的帮助不在于某个技术工具，而是首次系统地梳理了业务逻辑。

课堂上，老师多次强调“工作流拆解”与“任务结构化”，助教团队协助梳理：哪些步骤可标准化、哪些环节需人工判定、何处须增设验证机制。“过往工作多由经验驱动，知其然不知其所以然。真正接触AI后，我们才意识到：流程拆解得越清晰，AI越能发挥作用。”

组员张娜也提到，项目推进中，众人逐渐明白：AI真正的难点不在于模型，而在于业务本身。

组员背景各异，涉及一级市场、合规、投顾及研究。大家最终发现都在解决同一问题：如何用AI实现资料搜集、高效整理、风险管控及辅助决策。

目前，小组已逐步打通客户尽调、市场热点提取、历史回测等环节，但首次真切认识到数据才是AI落地的核心难点。为验证系统可行性，小组甚至自行采购了数据源。

对多数组员而言，最大变化在于重新审视工作方式。“过去是人适应流程，现在开始思考：哪些流程其实应被重新设计。”

第四组｜我们开始意识到，一句

Prompt解决不了真实世界的问题

第四组聚焦于复杂金融衍生品合同解析及量化分析系统的构建。

组长娄腾飞起初关注的不在于模型性能，而是AI能否理解金融衍生品场景的复杂规则。在他看来，该业务涉及大量非标合同、复杂条款与动态数据，AI落地与否关键在于规则拆解。因此，第四组从一开始就不是单纯“做工具”，而是尝试重塑整个业务流程。

组员李晓坤具备互联网研发背景，常充当“翻译官”。他发现，许多同学最初对AI抱有理想化预期，认为一句Prompt即可让AI自动完成诸多任务。然而进入项目后，大家迅速发现现实业务远非如此简单。

“实际工作中，根本不存在一句话能描述清楚的需求。”例如有人希望AI自动完成数据汇总与PPT生成，但深入后发现，这背后其实需先完成SOP梳理、数据