一位在恩士迅（NCS）供职 27 年的业务支持老将与一位从服务器巡检一路做到 AI 智能体开发的工读工程师——两位恩士迅（NCS）员工畅谈与AI共事之道，以及AI目前无法取代的领域。

左为业务支持高级经理 Jancy Seah，右为 AI 平台工程师 Amirul Ali。两人分处恩士迅（NCS）职业生涯的两端，却对 AI 得出了相似的判断。

在恩士迅（NCS）工作的27年里，Jancy Seah所在的团队最重要的工作就是审阅合同。每一份经手的合同都必须经过人工逐一审核——对照公司的销售登记政策、评估项目结构是否恰当，并在创建项目之前为其分配正确的服务产品类型。这意味着要仔细研读授标文件、交叉比对各项政策，并运用专业判断来解读合同条款的范围。每年需审阅的合同超过5000份，每份耗时20至40分钟，工作量巨大且持续不断；而如何确保不同审阅人员的标准一致，本身也是一项不小的挑战。

如今，这项工作已是另一番景象。作为业务支持高级经理，Seah 所带团队的转型，被CEO刘连万 (Sam Liew) 在 NCS AI Impact 2026 大会的主旨演讲中专门提及。自团队把审核标准与决策框架沉淀进一套 AI 辅助流程之后，审核时长下降了 35% 至 50%。省下来的工时并没有被投入更多同类事务，而是转向了复杂个案、例外情形与顾问咨询类的工作。"AI 帮我们在速度、一致性和效率上更进一步，但质量把关、合规审查和最终决策，仍然由人负责。"她对《HRM Asia》这样说。

Seah 没有受过技术训练。但她认为，自己拥有的是许多组织在推进 AI 时总是低估的东西——对"好的工作长什么样"的判断力。"一个最大的误解是，建立人们对 AI 的信任，主要靠教会大家技术是怎么运作的，"她说。"信任真正建立起来，是当人们亲眼看到 AI 确实帮他们把工作做得更好。"她的团队之所以能跑通，关键在于起点选对了——不是从技术出发，而是从一个真实的业务挑战出发，围绕它搭建了一套标准化的工作流程，让大家亲眼看到成效一步步兑现。

对于那些同样资深、却觉得时代已经把自己甩在身后的从业者，她给出的建议很直接。"永远都不晚。你不需要成为技术专家，也不用学会怎么搭建 AI 系统，"她说。从自己擅长的领域入手，找到那些高频、耗时的重复性工作，挑一个实际场景先跑起来。"多年积累的经验本身就是优势。资深从业者懂业务背景，知道好的结果长什么样，也懂得对 AI 生成的内容做出合理判断。目标不是跟 AI 竞争，而是学会跟它协作。"

将旧工作自动化的工程师

职业生涯的另一端，是 Amirul Ali。他通过恩士迅（NCS）的 Fusion 工学结合项目入职，最初做的是传统 IT 运维——基础设施巡检、监控警报、防火墙和网络故障排查，出了问题就处理故障。这些活儿不起眼，但他认为正是这段经历，为他现在的岗位打下了关键基础：真正了解运维团队日常是怎么运转的。

他转向 AI 的起点，正是来自对这段工作的观察。处理一次故障，要在多个系统之间来回切换，翻历史工单、分析监控数据，还得靠资深工程师的经验来判断——整个流程高度重复，却又严重依赖人的知识。所以 Ali 没有去做他所说的"一个简单的聊天机器人"，而是着手开发智能体 AI 方案：由不同的智能体分别负责调查中的具体环节——分析过往故障、识别同一配置项上的相似问题、关联近期变更记录、执行基础设施和数据库检查，最后把排查结果回填到工单里。

如今已是 AI 平台工程师的 Ali 坦言，他搭建的系统，自动化的正是他曾经亲手做的活儿。但他并不觉得这是个危险信号。"自动化一项任务，和取代对结果负责的人，这两件事有本质区别，"他说。涉及风险、业务影响、治理和责任归属的决策，仍然由人来拍板；AI 接手的，是决策之前那些重复性的排查和信息收集工作。

事实上，他做的很多东西，本质上是在保留经验，而不是取代经验。"光有 AI 是不够的，"他说。"模型再强，如果不了解底层的运维流程，它也不知道哪些信息是关键、该追问什么、该采取什么动作。"他的工作流，是在和资深工程师反复沟通中打磨出来的——把他们多年实战中形成的思维框架沉淀下来。用他的话说，这些是"用经验换来的教训"，往往在任何文档里都找不到。

两端相遇之处

这段经历让他对人才队伍有了一种认知，恰好和 Seah 从另一个方向得出了同样的结论。资深同事带来的是领域知识和实战判断力；年轻一代带来的则是对试错的从容，以及把这种经验规模化推广的新思路。"经验帮助定义好的结果长什么样，AI 则提供了把这种知识更大范围地推广和落地的路径，"他说。

至于未来的方向，Ali 希望从单个智能体走向更大规模的 AI 平台设计——也许有一天，还能做出自己的产品。不过，他的野心始终锚定在一个问题上：他们真正需要但当时没有的东西。找到一个真实的业务问题，理解相关技术以及技术背后的人，并打造出真正能改善组织运作方式的解决方案。

两段职业生涯，相隔近三十年，从相反的方向得出了同一个结论：AI 的价值，取决于它所服务的那份专业经验。