打破循环：组织如何避免Doomprompting并实现成功

自20世纪50年代的人工智能（AI）概念提出以来，AI为企业带来了通过各种技术（尤其是机器学习系统）提高机会和生产力的途径。这些工具/技术提高了预测和决策能力，为未来的技术进步奠定了基础。近年来，生成式AI承诺颠覆我们对工作的所有认知，并使AI体验民主化。用户现在可以通过“提示”与AI模型（如ChatGPT）交互，这是一种来回交互的过程。然而，这些好处也带来了新的挑战：Doomprompting。这相当于在线内容的无尽滚动，没有明确的目标，陷入兔子洞。而AI则会以自己的方式回应。这种对生成式和代理式模型的持续AI提示的改进，驱动着对完美输出的雄心（有时也没有特定的目标），导致成本增加和回报减少。这为成功设置了一个重大障碍，并削弱了使用AI技术本身的目的。

随着企业增加AI相关的预算，决策者需要了解如何获得对其投资的真正回报和价值。2025年IEEE的一份报告《AI的隐藏成本：小的低效如何累积成重大的经济负担》表明，微小的调整可以累积成显著的经济负担。为了避免陷入这种昂贵的斗争，组织必须改进员工对LLM的培训，以实现其AI投资的全部潜力。

生成式AI带来了优化和效率的承诺。然而，当团队陷入无尽的改进循环（或毫无目的的漫游）时，低效率会破坏这一基础。

清理“作品库”

团队不断改进输出以产生完美的回应之一原因是“作品库”。首先在哈佛商业评论中描述，“作品库”包括“AI生成的工作内容，它伪装成好的工作，但缺乏实质性地推进特定任务的内容”。

这种AI产生的“垃圾”是形成Doomprompting循环的第一块多米诺。虽然通过迭代或编辑修改次级内容很重要，但需要了解何时停止，以免陷入边际效应递减的斜坡。组织必须以微妙的平衡来对待其在AI培训上的时间投资。一方面，团队应该意识到所需的质量；另一方面，他们应该知道何时是过度的。对AI模型的更聪明的使用和明确的目标的培训也将很有帮助。

利用代理式AI避免Doomprompting

近年来，企业对代理式AI的兴趣和投资大幅增加，代理式AI因其能够提高运营效率而受到认可。代理式AI可以处理复杂的任务，与多个代理（包括RAG和动作代理）协调，以决定行动方案，并执行任务以完成整个任务的自动化。

这些特性可能有助于AI缓解或完全避免Doomprompting。这可以消除通过多个提示来完成任务的需要。一个例子是AI驱动的IT运营（AIOps），它通过将AI融入日常任务来现代化IT。传统上，团队花费时间手动调整系统。21世纪的部门是那些利用AI来自动处理关键功能（如故障排除、事件响应和资源分配）的部门。

另一个合适的例子是代理式AI系统如何自治地处理复杂的事件。这些代理与IT运营代理一起，可以理解事件的上下文，通过推理代理来决定行动方案，使用动作代理来对IT系统进行最后一英里的修复，并最终使用学习代理来理解解决方案并更有效地在未来事件中应用它。

代理式AI的智能自动化减少了人机交互，并可以自治地执行任务。为了满足不断演变的业务需求，重复的任务和操作应该交给自治的AI。这一委托消除了反复提示和改进的循环，这通常会助长Doomprompting。自治运营允许AI模型在没有手动输入的情况下持续优化和响应不断变化的变量，从而带来最小的人类干预和更快的结果。

虽然经过培训的专业人员仍将在日常运营中通过人机结合的方式发挥重要作用，但他们的时间将更好地用于结果验证。这一方法降低了引入错误或过度调整的风险。

治理在防止Doomprompting中的作用

在最近的一份麦肯锡调查中，88%的受访者报告称他们在至少一个业务功能中使用了AI。这比2024年增加了10%，比2023年增加了33%。对于代理式AI来说，这一增长更加显著。从2023年的33%到2025年的近80%。

这种广泛的采用正在推动企业寻找新的解决Doomprompting问题的方法。其中一种工具是健全的治理框架。这些框架应该被仔细设计，以确保AI项目与业务目标保持一致，并不会陷入无尽的优化循环。当团队开发这些框架时，他们应该考虑：

• 指导方针的建立：到和从AI模型的数据流变得越来越复杂。为了简化这一点，AI指导方针应该为团队提供一个处理数据、做出决定和负责地管理AI输出的框架。
• 用户培训：适当的提示使用培训可以帮助提高生产力
• 使用专用模型：行业和目的特定的AI模型可能会更快地提供有意义的输出
• AI模型的培训：在可能的情况下，使用行业/任务/组织特定的数据来培训AI模型，可以更快地产生更合适的输出并减少“作品库”。
• 规则的制定：起草和实施一套明确的规则对于指导AI的开发和部署至关重要。当团队建立运营边界时，他们可以确保采用的系统与组织目标、道德标准和监管要求保持一致。

虽然AI解决方案的采用率正在增加，但治理并没有跟上。根据2025年PEX行业报告，不到一半的企业拥有AI治理政策，而只有25%的企业正在实施这样的政策，近三分之一的企业没有任何AI治理政策。这些框架可以成为帮助企业明确界定什么是可接受的性能的决定性因素。

逃离Doomprompting循环

为了避免陷入Doomprompting循环，企业必须采用优先考虑结果而非完美的AI策略。使用提示培训、目的特定的AI模型和基于上下文企业数据的模型，可以减少广泛的重复提示的需要。企业可以利用代理式AI、自治IT运营和健全的治理框架，重新分配关键资源以实现其业务目标，而不陷入无尽的优化循环。成功将来自于团队从不断的改进转变为专注的执行和可衡量的结果的思维方式转变。