AI｜为何你的AI没人味？全球顶尖科技公司都在做一件事：为AI注入品味
1108
AI设计/3D打印/欧洲市场实战拆解，点击报名
“Taste is how your team keeps editing the workflow.
Intro
AI 闹推出了新栏目 AI 实践派（AI Practitioners）
我们关注在 AI 领域使用新认知、新范式解决真问题的 AI builder。我们认为，在技术极速变化的阶段，经验和观点一样重要。
这是第二期。
这半年，AI 闹接触的 AI 创始人会频繁提一个词 ：品味。大家普遍认为，品味决定一款 Agent 产品的竞争力。
但什么是 AI 的品味？如何为 AI 注入品味？
本期实践派我们编辑节选了知名视频播客《认知革命（Cognitive Revolution）》对 Atlassian 公司的 AI 负责人 Sherif Mansour的采访。
Sherif Mansour
《认知革命》是一档定位探索未来十年人工智能将如何改变社会的栏目，主持人 Nathan Labenz 曾是 Waymark 的创始人兼 CEO，这家公司被 OpenAI 收录作为「生成式 AI 内容创作平台」的案例。
《认知革命》的访谈对象和《AI 实践派》很像，一线实践者，聚焦如何做，而不是模型或理论的讨论。
本期分享案例来自 Atlassian，一个全球知名的软件公司，核心产品 Jira 是一款企业级的任务跟踪、项目管理工具。公司在2022年成立，总部在澳大利亚，拥有30万客户。
Atlassian 的 AI 负责人 Sherif Mansour（以下简称 sherif）不是一个典型的 AI工程师，而是一个在 Atlassian 工作15年的产品人，他从2024年开始负责公司的 AI 战略转型，旗下的 AI 新品已经被数百万用户使用。
Atlassian 的产品两个非常鲜明的特点：
第一，产品使用者中有大量非技术用户（例如 HR、营销、运营等团队）。
第二，同时也有非常多的技术用户（如软件工程师）。
也因此 Sherif 有非常广阔的视角：如何让 AI 与组织的最深层工作流深度结合？与此同时，他也面对世界上最难的 AI 场景之一：多团队、多角色、多人协作、非结构化的知识，以及不停变化的工作流。
要在这么复杂的环境让 AI 发挥作用，Sherif 认为，现阶段最大的问题不是模型会「犯错」或者「经常出现幻觉」，而是 AI 输出的结果整体表现「平庸」。
他形容结果是 AI Slop ，翻译过来就是产出「很普通、很廉价、没有灵魂、像学生作业一样的废料。」
比如用户让 AI 写一段内容，它永远「正常得过分」，让它写 PRD，它根本写不出团队想要的风格。其核心原因是：
大模型是生成「平均值」，但人类所谓的风格本质是偏好。
由此，他提出现在 Agent 产品的关键指标：Taste（品味）。「让它真正成为你身边和你品味相似的同事，而不是一个工具。」Sherif 说，为 AI 注入品味这件事「绝对不是靠数据，而是要从使用者而来。」
这篇分享是基于《How Atlassian Gives AI Teammates Taste, Knowledge, & Workflows》整理，原视频约100分钟，我们重点选取了 Sherif 谈及「 品味」的部分，拆解成一个更易读、普适的版本。
方法 1：学习用户「选择」
大多数 AI 产品会让用户写示例、提供范文、上传文件，让模型学习写作风格。
但 sherif 发现：用户写的内容不一定是自己想要的、但用户的选择永远是真实的。
我们需要注意的是：哪一段被用户保留，哪一段被用户删掉，哪一段被改得最多，哪句话加了一个数据，哪个部分被认为不重要——这些是用户最真实的偏好。
Sherif 举个简单但非常有用的例子：
为什么 PM 总删掉 AI 写的背景介绍？
用户在 Atlassian 旗下的核心产品 Confluence 上写 PRD 时：
AI 自动生成的第一段背景有介绍，有 80% 的概率被用户直接删掉。但指标拆解这些内容会被保留。这意味着用户根本不需要 AI 帮忙写背景，而是需要它帮 PM 把问题拆解清楚。
这是一个极其细致但非常有用的洞察。
Sherif 说，自此以后，他们设计一个「保留率」的指标，用这个指标训练模型。
这就是 AI 的第一层品味来源。
方法 2：学习团队「共识」
AI 的第二层品味来源来自，团队的习惯，每个团队都有自己的习惯，但它们往往不会写在文档里。比如：
法务团队写任何内容开头都要加一句「此内容不构成法律建议」；
市场团队喜欢在文案里加 CTA 小结；
工程团队写技术 RFC 时一定会放一个架构图；
产品团队会先列「用户问题」，再列「解决方案；」
这些模型猜不出来。
Sherif 建议团队把所有的协作过程做成 AI 默认的风格。
举个例子，你让 AI 写一个品牌文案，传统的做法是让 AI 学一堆我们觉得合格的文案，但是最后输出的结果很商业味、像没有灵魂的 copy。
Sherif 建议。使用者要让把如何一遍遍修改文案，删掉了哪些词？基于文案的开会记录。品牌负责人最终为什么坚持换掉这些词，保留那些词…… 全部都注入 AI 。
也就是让 AI 看到的不是一份静态的结果，而是团队的工作路径。
它最终会总结出学习方向（direction），而不只是固定模式。
Sherif 在接受采访时的原话:「Taste is not a workflow. Taste is how your team keeps editing the workflow.」
这就像一个实习生刚加入团队，你让他天天看文档，他是无法对齐团队的风格，但是让他多参加几次会，看看同事如何争吵，如何讨论，如何达成共识，他就会很快明白：团队的品味是什么。
方法 3：让 AI 尽早参与
Sherif 在视频里谈到一个非常大胆的观点：随着模型技术的提升，AI 一定会把人的角色从执行者变成流程建构者。
也就是说，现阶段行业总在提及的「交付结果」并不是 AI 的价值，它最大的价值应该是推动决策。
基于服务过全球200个国家，近30万客户后，Sherif 认为，让 AI 帮你写一个 Jira 工单，或者生成一段内容，它并没有真正帮人节省时间。因为阻碍企业效率提升的，并不是一个人写不好文书或做不好一件具体的事情。而是：多部门，多角色协同时，流程推进出现太多的摩擦。
这才是最消耗时间的卡点。
他认为， 未来 AI 最大的价值应该是做决策。
理想态是，一个 Agent 应该能自动识别这个任务应该分配给谁（基于历史记录），且说明依赖哪个任务分配的，自动生成 deadline（基于项目节奏），自动链接相关知识文档，然后再发 Slack 通知相关的人，提醒谁要 review，谁要审批。
而做到以上这些，绝对需要一个 Agent 具备品味，能完全理解团队偏好、组织的运转方式，规则和边界，然后作出专业判断，推动流程。
基于以上，sherif 的建议，使用者要尽早从源头开始用 AI。现阶段把任务分拆给 AI，一点点做，比如要写一个 PRD，要让 AI 先整理用户访谈，再归纳用户需求，再列 edge case，再写解决方案，最后再补充结构。运营、设计、品牌不同部门的工作都要如此
最终，AI 的「品味」培养是从使用者开启任务后就一直展开学习：这个团队看重什么，怎么提问题？
「AI 不应该通过看结果来反推企业的工作流。它应该被直接注入操作源头数据：知识图谱、事件流、对话记录。」sherif 说，「把任务拆解得越细致，它给出的结果就越有质感。」
最后 Sherif 展望
随着模型越来越便宜，知识图谱和 workflow 也会被复制， AI的品味将成为不可替代的护城河。它是否真的理解用户的工作方式乃至生活方式，一切取决于你如何使用它。
“Taste is how your team keeps editing the workflow.
Intro
AI 闹推出了新栏目 AI 实践派（AI Practitioners）
我们关注在 AI 领域使用新认知、新范式解决真问题的 AI builder。我们认为，在技术极速变化的阶段，经验和观点一样重要。
这是第二期。
这半年，AI 闹接触的 AI 创始人会频繁提一个词 ：品味。大家普遍认为，品味决定一款 Agent 产品的竞争力。
但什么是 AI 的品味？如何为 AI 注入品味？
本期实践派我们编辑节选了知名视频播客《认知革命（Cognitive Revolution）》对 Atlassian 公司的 AI 负责人 Sherif Mansour的采访。
Sherif Mansour
《认知革命》是一档定位探索未来十年人工智能将如何改变社会的栏目，主持人 Nathan Labenz 曾是 Waymark 的创始人兼 CEO，这家公司被 OpenAI 收录作为「生成式 AI 内容创作平台」的案例。
《认知革命》的访谈对象和《AI 实践派》很像，一线实践者，聚焦如何做，而不是模型或理论的讨论。
本期分享案例来自 Atlassian，一个全球知名的软件公司，核心产品 Jira 是一款企业级的任务跟踪、项目管理工具。公司在2022年成立，总部在澳大利亚，拥有30万客户。
Atlassian 的 AI 负责人 Sherif Mansour（以下简称 sherif）不是一个典型的 AI工程师，而是一个在 Atlassian 工作15年的产品人，他从2024年开始负责公司的 AI 战略转型，旗下的 AI 新品已经被数百万用户使用。
Atlassian 的产品两个非常鲜明的特点：
第一，产品使用者中有大量非技术用户（例如 HR、营销、运营等团队）。
第二，同时也有非常多的技术用户（如软件工程师）。
也因此 Sherif 有非常广阔的视角：如何让 AI 与组织的最深层工作流深度结合？与此同时，他也面对世界上最难的 AI 场景之一：多团队、多角色、多人协作、非结构化的知识，以及不停变化的工作流。
要在这么复杂的环境让 AI 发挥作用，Sherif 认为，现阶段最大的问题不是模型会「犯错」或者「经常出现幻觉」，而是 AI 输出的结果整体表现「平庸」。
他形容结果是 AI Slop ，翻译过来就是产出「很普通、很廉价、没有灵魂、像学生作业一样的废料。」
比如用户让 AI 写一段内容，它永远「正常得过分」，让它写 PRD，它根本写不出团队想要的风格。其核心原因是：
大模型是生成「平均值」，但人类所谓的风格本质是偏好。
由此，他提出现在 Agent 产品的关键指标：Taste（品味）。「让它真正成为你身边和你品味相似的同事，而不是一个工具。」Sherif 说，为 AI 注入品味这件事「绝对不是靠数据，而是要从使用者而来。」
这篇分享是基于《How Atlassian Gives AI Teammates Taste, Knowledge, & Workflows》整理，原视频约100分钟，我们重点选取了 Sherif 谈及「 品味」的部分，拆解成一个更易读、普适的版本。
方法 1：学习用户「选择」
大多数 AI 产品会让用户写示例、提供范文、上传文件，让模型学习写作风格。
但 sherif 发现：用户写的内容不一定是自己想要的、但用户的选择永远是真实的。
我们需要注意的是：哪一段被用户保留，哪一段被用户删掉，哪一段被改得最多，哪句话加了一个数据，哪个部分被认为不重要——这些是用户最真实的偏好。
Sherif 举个简单但非常有用的例子：
为什么 PM 总删掉 AI 写的背景介绍？
用户在 Atlassian 旗下的核心产品 Confluence 上写 PRD 时：
AI 自动生成的第一段背景有介绍，有 80% 的概率被用户直接删掉。但指标拆解这些内容会被保留。这意味着用户根本不需要 AI 帮忙写背景，而是需要它帮 PM 把问题拆解清楚。
这是一个极其细致但非常有用的洞察。
Sherif 说，自此以后，他们设计一个「保留率」的指标，用这个指标训练模型。
这就是 AI 的第一层品味来源。
方法 2：学习团队「共识」
AI 的第二层品味来源来自，团队的习惯，每个团队都有自己的习惯，但它们往往不会写在文档里。比如：
法务团队写任何内容开头都要加一句「此内容不构成法律建议」；
市场团队喜欢在文案里加 CTA 小结；
工程团队写技术 RFC 时一定会放一个架构图；
产品团队会先列「用户问题」，再列「解决方案；」
这些模型猜不出来。
Sherif 建议团队把所有的协作过程做成 AI 默认的风格。
举个例子，你让 AI 写一个品牌文案，传统的做法是让 AI 学一堆我们觉得合格的文案，但是最后输出的结果很商业味、像没有灵魂的 copy。
Sherif 建议。使用者要让把如何一遍遍修改文案，删掉了哪些词？基于文案的开会记录。品牌负责人最终为什么坚持换掉这些词，保留那些词…… 全部都注入 AI 。
也就是让 AI 看到的不是一份静态的结果，而是团队的工作路径。
它最终会总结出学习方向（direction），而不只是固定模式。
Sherif 在接受采访时的原话:「Taste is not a workflow. Taste is how your team keeps editing the workflow.」
这就像一个实习生刚加入团队，你让他天天看文档，他是无法对齐团队的风格，但是让他多参加几次会，看看同事如何争吵，如何讨论，如何达成共识，他就会很快明白：团队的品味是什么。
方法 3：让 AI 尽早参与
Sherif 在视频里谈到一个非常大胆的观点：随着模型技术的提升，AI 一定会把人的角色从执行者变成流程建构者。
也就是说，现阶段行业总在提及的「交付结果」并不是 AI 的价值，它最大的价值应该是推动决策。
基于服务过全球200个国家，近30万客户后，Sherif 认为，让 AI 帮你写一个 Jira 工单，或者生成一段内容，它并没有真正帮人节省时间。因为阻碍企业效率提升的，并不是一个人写不好文书或做不好一件具体的事情。而是：多部门，多角色协同时，流程推进出现太多的摩擦。
这才是最消耗时间的卡点。
他认为， 未来 AI 最大的价值应该是做决策。
理想态是，一个 Agent 应该能自动识别这个任务应该分配给谁（基于历史记录），且说明依赖哪个任务分配的，自动生成 deadline（基于项目节奏），自动链接相关知识文档，然后再发 Slack 通知相关的人，提醒谁要 review，谁要审批。
而做到以上这些，绝对需要一个 Agent 具备品味，能完全理解团队偏好、组织的运转方式，规则和边界，然后作出专业判断，推动流程。
基于以上，sherif 的建议，使用者要尽早从源头开始用 AI。现阶段把任务分拆给 AI，一点点做，比如要写一个 PRD，要让 AI 先整理用户访谈，再归纳用户需求，再列 edge case，再写解决方案，最后再补充结构。运营、设计、品牌不同部门的工作都要如此
最终，AI 的「品味」培养是从使用者开启任务后就一直展开学习：这个团队看重什么，怎么提问题？
「AI 不应该通过看结果来反推企业的工作流。它应该被直接注入操作源头数据：知识图谱、事件流、对话记录。」sherif 说，「把任务拆解得越细致，它给出的结果就越有质感。」
最后 Sherif 展望
随着模型越来越便宜，知识图谱和 workflow 也会被复制， AI的品味将成为不可替代的护城河。它是否真的理解用户的工作方式乃至生活方式，一切取决于你如何使用它。
热门活动 
其他
04-09 周四
热门报告 
