从农业化到智能化
用能力载体迁移判断组织如何从经验、工具、流程、数据走向算法
① 是什么
一句话定义
从农业化到智能化，是企业能力载体的进化模型：能力先装在人的脑子里，再被工具放大，被流程复制，被数据看见，最后被算法辅助判断和自动优化。
它解决什么问题
很多企业做数字化和智能化失败，不是因为技术不够先进，而是跳级了。
经验还没清单化，就急着上系统；流程还没标准化，就急着做数据看板；数据还没形成稳定因果，就急着让 AI 决策。
这个模型提醒你：
不要为了显得智能化而智能化。真正高级的是，复杂问题先探索，稳定问题再沉淀，重复问题才交给算法。
五个阶段
| 阶段 | 核心能力 | 解决的问题 | 典型表现 | 主要风险 |
|---|---|---|---|---|
| 农业化 | 靠经验 | 我会不会做？ | 老板拍脑袋、老师傅带徒弟、老员工救火、靠感觉判断 | 换人就崩，经验不可复制 |
| 机械化 | 靠工具 | 能不能更省力？ | 用工具放大人力，减少重复劳动，提高执行效率 | 工具各自为政，能力没有沉淀 |
| 工业化 | 靠流程 | 能不能复制？ | 分工协作、SOP、标准动作、换人也能做 | 流程僵化，把复杂问题硬标准化 |
| 数字化 | 靠数据 | 能不能看见过程？ | 过程在线、行为留痕、数据看板、可追踪可量化 | 只记录不归因，数据多但判断少 |
| 智能化 | 靠算法 | 能不能自动优化？ | 预测、推荐、预警、自动决策、AI 辅助判断 | 数据垃圾进垃圾出，AI 黑箱误判 |
能力迁移路径
人的经验 -> 机器动作 -> 组织流程 -> 数据资产 -> 算法决策
农业化阶段，能力主要装在人的脑子里。
机械化阶段，能力被工具放大。
工业化阶段，能力沉淀成流程。
数字化阶段，流程变成可观察、可追踪、可分析的数据。
智能化阶段，数据和规则进一步进入算法，辅助预测、推荐、预警和决策。
与 Cynefin 的关系
这个模型不能脱离 Cynefin 使用。
先判断问题情境，再判断能力升级方向。
| Cynefin 情境 | 问题状态 | 能力进化策略 |
|---|---|---|
| 清晰 | 因果明确，最佳实践存在 | 直接流程化、标准化、自动化，适合工业化和数字化 |
| 繁杂 | 因果可分析，需要专家判断 | 先专家建模，再工具化、流程化、数据化，适合 CCPM 和流程再造 |
| 复杂 | 因果行动后才浮现 | 先保留人的判断和小实验，用 E4V、刻意试错找规律，不要过早算法化 |
| 混乱 | 局面失控，因果暂不可辨 | 先行动止血、恢复秩序，再重新分类 |
| 无序 | 还不知道属于哪类问题 | 先用 MECE、5W、系统边界定义拆问题 |
一句话：
先清情境，再谈标准化、数据化、智能化。
交付物
- Cynefin 情境判断。
- 能力层级诊断表。
- 经验清单化表。
- 工具化机会清单。
- SOP 流程图。
- 数据指标与标签表。
- AI 决策辅助场景清单。
第十一板块：战略地形与自制外包模型
这一板块解决的是“战略没地形感”的问题。
很多企业把精力投在看起来重要、但已经商品化的模块上，却逃避真正靠近用户、难以标准化、能形成差异化的刀刃。
② 适用范围
适合解决的问题
AI 转型与组织能力升级
什么时候适合用
- AI 转型与组织能力升级
- 能力进化与 AI 转型系统
不适用时
- 如果问题更适合 智能复利假说，不要只因关键词相似调用本模型。边界：从农业化到智能化判断能力主要承载在经验、工具、流程、数据还是算法；智能复利假说判断进入智能化后，真实反馈能否写回、迁移并换来更高阶任务。
易混淆模型区别
智能复利假说 × 从农业化到智能化
从农业化到智能化判断能力主要承载在经验、工具、流程、数据还是算法；智能复利假说判断进入智能化后，真实反馈能否写回、迁移并换来更高阶任务。
经验尚未完成工具化、流程化、数据化或算法化时选从农业化到智能化；已经有 AI / Agent 工作流但能力不积累时选智能复利假说。
诊断问题
- 这个问题属于清晰、繁杂、复杂、混乱，还是无序？
- 当前能力主要装在谁的脑子里？
- 哪些经验可以清单化？
- 哪些动作已经稳定到可以做 SOP？
- 哪些流程节点需要数据化？
- 哪些判断可以交给算法辅助，哪些必须保留人的判断？
- 现在最危险的是跳级智能化，还是长期停留在经验化？
常见误区
- 经验没有清单化，就急着做智能化。
- 流程没有标准化，就急着做数据看板。
- 数据没有因果口径，就急着让 AI 决策。
- 把复杂问题过早流程化，导致组织失去探索能力。
- 清晰问题还靠老板拍脑袋，导致组织长期长不大。
- 只买工具，不沉淀组织能力。
③ 怎么用
标准使用流程
第一步，用 Cynefin 判断情境。 这是清晰、繁杂、复杂、混乱，还是无序问题？
第二步，盘点当前能力装在哪里。 是在老板脑子里、员工经验里、工具里、流程里、数据里，还是算法里？
第三步，决定升级一级，还是先保留判断。 复杂问题不要急着标准化，清晰问题也不要继续靠人拍脑袋。
第四步，把经验清单化。 把高手的判断动作、关键提问、常见错误、成功案例写出来。
第五步，把重复动作工具化和流程化。 能用工具放大的用工具，能被多人稳定复制的沉淀成 SOP。
第六步，把流程节点数据化。 让过程在线、行为留痕、指标可见、异常可追踪。
第七步，把稳定判断算法化。 只有当数据稳定、因果相对清楚、反馈闭环存在时，才让 AI 做预测、推荐、预警或辅助决策。
企业咨询怎么用
企业咨询的核心，不只是现场帮客户解决一次问题，而是让客户留下可复用资产。
这个模型可以把咨询交付从“实现现场大脑”升级为“经营决策系统”。
| 能力层级 | 咨询交付要留下什么 |
|---|---|
| 经验 | 关键判断清单、专家经验提炼、案例复盘 |
| 工具 | 模板、表单、检查清单、计算器 |
| 流程 | SOP、角色分工、交付流程、质检节点 |
| 数据 | 指标口径、数据看板、过程留痕、问题标签 |
| 算法 | AI 提示词、推荐规则、预警模型、辅助决策系统 |
每次咨询结束后，都要问一句：
我们到底留下了什么可复用资产？
＋1 秒懂案例
一家咨询公司想做 AI 转型。
如果它连“如何诊断客户问题”的经验清单都没有，直接训练 AI Agent，就会把混乱经验放大成混乱输出。
更合理的顺序是：
高手访谈 -> 判断清单 -> 诊断模板 -> 咨询 SOP -> 数据标签 -> AI 辅助诊断
秒懂点： 智能化不是第一个动作，而是能力沉淀到足够稳定之后的结果。
直接用法： 每次想上 AI 前，先问：经验清单、流程 SOP、数据资产准备好了吗？