自动化工具从未像今天这样丰富。AI 智能体能读取你的收件箱、总结会议内容、起草回复、编写代码、规划你的一周。每个月都有新一波工具涌现。
然而，我们接触的大多数人，依然在做两年前那些重复、枯燥、消耗精力的手动工作。
为什么？
过去几个月，我们一直在寻找这个问题的答案。我们与22位来自不同岗位、不同行业、不同技术背景的人进行了深度访谈。其中约四分之三有技术背景，其余没有。大约一半在科技行业工作，另一半不是。
我们问他们的工作是什么样的，哪些事情让他们感到困难，以及他们希望改变什么。
我们发现了四个反复出现的障碍，无论受访者从事什么职业、技术水平如何，这些障碍都普遍存在。其中三个是个人层面的，第四个是结构性的。它们共同解释了一个现象：自动化作为软件领域被承诺了二十年的最热门方向，对大多数人来说依然停留在愿景阶段。
以下就是这四个障碍。
障碍一：你看不见问题所在
第一个让我们感到意外的发现是：当我们问人们工作中有什么困难或令人沮丧的地方时，大多数人给出的都是模糊的笼统抱怨。"要同时应对很多优先事项。""沟通问题。""我就是太忙了。"没有具体内容，没有可操作的方向。
于是我们换了一个问题："如果你能挥动魔法棒，改变当前工作流程中的一件事，你会改变什么？"
这一次，鲜活的痛点涌现出来。具体的任务。他们深恶痛绝的事情。那些五分钟前还在耸肩的人，现在每人都能说出三个答案。
一位受访者告诉我们：
"是的，我和大家都对齐了，也开了很多讨论。但让所有人随时了解进展，真的是工作中最繁琐的部分。"
另一位描述了一个季度性流程：
"我最想消除的就是这种手动追踪。它占用了我们太多时间。几乎每个季度都要做一次。每次做的那一周，所有人都叫苦不迭。"
第三位受访者描述了一项周期性任务：
"有时候我会收到门店发来的请求，要求我把线上库存和门店对齐。这些请求格式很不规范。有时候他们提供了正确的门店 ID，有时候门店 ID 应该是大写，但他们给的是小写。格式不对，我就得手动把所有格式校正一遍，确认无误后再输入系统，点击按钮。"
这些人在我们提出正确的问题之前，从未想过这些任务是可以自动化的。他们已经这样做了几个月甚至几年，这对他们来说就是工作本身。
这不是个人的失职，而是注意力的运作方式。重复性任务会逐渐淡入背景。你的大脑会停止将它们标记为值得关注的事情，因为它们是可预期的。做这些事情的不适感，最终变成了"又是周一"。
你无法自动化你说不清楚的事情。而大多数人在没有外力帮助的情况下，说不清楚自己工作中哪里出了问题。
这就是第一个障碍。
障碍二：你不知道从哪里开始
假设你已经看清了问题所在。你清楚地知道哪项任务在消耗你的时间。你甚至能用上可能处理这项任务的 AI 工具。
大多数人还是会陷入僵局。
问题在于：可能性太多，却没有具体的切入点。这是自动化领域的决策瘫痪。当你什么都可以自动化时，你往往什么都不会去做。
一位受访者告诉我们：
"你怎么让 AI 去做这件事？你怎么给 AI 写指令让它去做？我觉得需要花时间学习如何把需求说得更具体。"
他们知道 AI 有这个能力，只是不知道如何把它引导到自己的工作上。
另一位受访者说得更直接：
"从界面上根本看不出还能做什么。因为当你只是输入一个提示词时，我就想，'哦，我得想想我需要什么。'但我其实没有选项，我不知道它还能做什么。那我能想象到的问题范围有多大呢？在我们之前的对话中，我才意识到我可以让它帮我整理邮件里的站会报告，或者创建一个 Linear 任务之类的。所以我觉得这些可能性根本不清晰。"
他们进一步解释道：
"也许如果有一个下拉菜单，或者一些示例提示词、模板可以参考，我觉得会有帮助，而不是让我完全从零开始想。"
另一位受访者希望得到更具体的指引：
"现在的技术栈太庞大了，可能性太多了。如果有人能告诉我，针对我正在做的每项任务，应该用哪个工具、哪个工具对我来说更高效，就好了。比如，能不能看看我的 Linear，然后告诉我，嘿，这个任务你应该用这个工具，而不是 Claude Code 之类的。那就太好了。"
人们需要的不是更多功能，而是一个具体的起点。一个真实的案例。一个和他们处境相似的人搭建的、端到端可运行的工作流，让他们可以直接复制和调整。
这也是为什么同样的五种工作流在各处被反复自动化：晨间简报、周报、收件箱分类、站会记录、客户摘要。这些并不是最好的自动化场景，只是有公开模板、有明确起点的那些。
其他一切依然靠手动完成。不是因为无法自动化，而是因为没有人展示过"如何开始"。
这就是第二个障碍。
障碍三：开始的成本高于不开始的成本
好，你已经识别出了问题，也有了具体的切入点。现在你真的要动手搭建了。
大多数人在这一步放弃了。
一位受访者谈到了同事们常用的一款 AI 工具：
"我知道 OpenClaw，但我自己从来没试过。我知道同事在用，但我从来没试过。"
当我们问为什么时，他们说配置太复杂、太耗时。他们甚至从未尝试过。尽管同事们已经在成功使用，但这还不够。感知到的启动成本足够高，让他们就这样……放弃了。
另一位受访者更直接地描述了那个放弃的节点：
"我觉得对新用户来说尤其如此。因为会有很多人看到这些东西，想要试试。但当他们去执行 NPM install，然后又被告知还需要安装 Claude……我觉得很多人就在那里放弃了，根本不会继续下去。"
这两段话背后是同一个理性的计算。另一位受访者直接说出了这个逻辑：
"我们想要自动化工作流，就是为了节省时间、提高效率。我们不想在那些本该提升效率的工具上花太多时间。"
这不是懒惰，这是数学。
自动化的全部意义在于节省时间。但对大多数工作流来说，搭建的时间比手动完成任务的时间还要长。你要花几个小时学习界面，花几个小时配置触发器，花几个小时测试边界情况，然后才能开始节省时间。对于每周发生一次的任务，回本周期是几个月。对于每月或每季度发生一次的任务，这笔账从数学上根本算不过来。
所以人们就跳过了。
过去的经历让问题更加复杂。人们曾经用过那些承诺改变世界、结果需要40步配置的工具。他们花时间学过那些没有带来回报的界面。所以即使一款新工具真的好用，过去的经历也让他们对投入时间心存顾虑。
大多数自动化工具默认你愿意花一个小时学习，然后才能获得价值。对大多数人来说，尤其是非技术背景的人，这段关系就在那里结束了。
这就是第三个障碍。
障碍四：你的组织不允许你这样做
这是最难解决的障碍，也是我们从大型组织内部工作的人那里听到最多的障碍。
即使你看清了问题，知道从哪里开始，也愿意投入搭建的时间，你的公司也可能根本不允许你去做。
一位在大型企业工作的受访者描述了这在实践中是什么样子：
"我们使用的每一款工具，要么需要客户审批，要么需要内部审批。审批通过、预算批下来之后，我们才会逐人购买该工具的许可证。"
审批、预算、逐人授权。每引入一款新工具都要走这套流程。等流程走完，当初让你想要尝试的那股动力，早已是几个月前的事了。
但这个问题更深层的版本，不只是"我无法让工具通过审批"。而是即便你可以个人使用 AI 工具，你也无法将它们连接到实际工作所在的系统。同一位受访者说：
"我没办法把工作环境和这个连接起来。如果我个人使用，我无法连接 Salesforce，无法连接 Teams，因为这些都在我的办公电脑上。"
他们可以访问 ChatGPT，也有很多想在 Salesforce 中自动化的任务。但两者无法打通。他们想要的自动化，需要在个人工具和工作数据之间架一座桥，而这座桥是被禁止的。
这不只是大公司才有的问题。另一位受访者告诉我们：
"我觉得大公司对隐私有一定程度的顾虑。我们可以用 ChatGPT，但不能用 Gemini。我不知道为什么，就是公司的选择。"
"我不知道为什么。"这句话在谈到组织工具限制时反复出现。从内部看，这些选择显得很随意。有些工具被批准，有些没有，没有清晰的逻辑。你只能在不理解规则的情况下，想办法绕过它们。
对很多人来说，这才是真正的墙。不是"我看不见问题所在"，不是"我不知道如何自动化"，而是"我不被允许这样做"。
这个障碍比其他三个更难突破，因为它与你个人无关，而是关乎你所处的环境。而环境的改变是缓慢的。
这就是第四个障碍。
这意味着什么
这四个障碍是层层叠加的。即使你跨过了第一个，你会遇到第二个。跨过第二个，你会遇到第三个。即使你突破了前三个，你周围的组织也可能将你拦住。
它们共同构成了一堵墙，大多数人从未翻越，即便他们清楚地知道自己想解决什么问题。这就是为什么工作流自动化，尽管是软件领域被承诺了二十年的最热门方向，对大多数人来说依然停留在愿景阶段。
我们认为这堵墙是可以突破的。不是全部，不是对所有人，但比现有工具所假设的要多得多。过去几个月，我们一直在专门针对前三个障碍构建解决方案，并认真思考如何让自动化足够安全，使第四个障碍随着时间推移变得不那么严苛。我们有自己的判断，但我们更愿意用行动来证明，而不是空谈。
所以，这是我们接下来要做的事。
5月16日（周六），我们将在圣何塞举办一场免费的线下实操工作坊。我们将带大家一起梳理如何在自己的工作中发现可自动化的环节，在有无数选项时如何找到切入点，以及如何在15分钟内搭建你的第一个 AI 工作助手。无需编程。
名额上限30人。报名链接：https://luma.com/yqpulmgq
5月20日（周二），我们将在旧金山举办类似的活动。详情和报名链接即将公布。关注 @vm0_ai 第一时间获取消息。
如果你无法参加任何一场活动，也欢迎关注我们。我们会整理工作坊上大家实际搭建的内容，包括工作流、意外发现，以及那些没有成功的尝试，并在下一篇文章中发布。无论如何，你都能获得实用的答案。
上述四个障碍是真实存在的。几乎每一位与我们交谈的人都提到了它们。前三个今天就可以解决。第四个需要更长时间，但同样可以解决。接下来几周，我们将在活动中和即将发布的内容里，逐一证明这一点。
受访者引言已按职能角色匿名处理。访谈样本：22人，涵盖软件/AI、医疗健康、表演艺术、制造业、咨询、零售、生物力学和非营利组织等领域。约73%具有技术背景，27%无技术背景。
