小团队AI自动化，在选择工具之前先设置的5件事

从“你用什么AI工具？”这个问题开始就已经晚了。在选择工具之前，基于实际帮助小团队的经验，整理了需要先设置的5件事。

1. 将AI分为两种类型开始——非开发者用 vs 开发者用

刚开始AI自动化的团队最先遇到的问题是“应该用哪个”。但在回答这个问题之前，首先需要了解AI工具大致分为两类。

一种是像Claude Cowork这样的非开发者用协作模式。它是一种在指定文件夹内运行的沙盒结构，即使误操作也不会造成大事故。但如果要连接外部数据或系统，需要花费较多精力。

另一种是像Claude Code、Codex这样的开发者用工具。几乎没有限制，可以进行API对接、自动发布。但同时误操作的风险也更大。

对于小团队来说，最终目标是使用开发者用工具，因为自动化的范围更广。但不必一开始就从那里开始。如果团队对AI工具还不熟悉，先从负担较小的非开发者用工具入手，逐步过渡是更现实的选择。

2. 无论使用什么工具，只看“同一文件夹”

这是容易被忽视的第二个部分。当同时使用多个AI工具时，数据容易分散在各个工具中。这样一来，很难掌握哪个工具知道哪些信息。

原则很简单。无论是本地的同一文件夹，还是GitHub仓库，将数据、技能、代理集中在一个地方，让所有工具只看这一处。即使混合使用多个工具，只要遵循这个原则，团队整体的混乱就会显著减少。

3. 需求整理+文档化决定结果

这是许多团队意外忽视的地方。AI自动化的结果更多取决于“要求了什么”，而不是工具的性能。

在实战中效果好的流程是这样的。首先将想做的事情用语言表达出来。然后请求AI“将到目前为止说的内容提取为需求”。逐一确认提取的需求是否正确。最后将其整理为Markdown(MD)文档保存。

如果跳过这个文档化过程，AI每次的理解和结果都会不同。反之，经过这个过程，即使团队成员更换、工具更换，工作也能在相同标准下继续。

4. 创建黄金集（答案集）并不断比较优化

AI自动化运行一次和随着时间的推移不断改进是完全不同的事情。实现后者的方法是设置答案集，即黄金集。

流程如下。首先创建答案集。让AI执行相同的任务。将结果与答案集进行比较。指出错误部分的原因并进行学习。重复这个循环。

例如，对于韩语语音识别（STT）任务，可以以Naver Clova API生成的结果为黄金集标准进行比较。这个循环本身随着时间的推移成为团队独特的资产。其他人也可以使用相同的工具，但相同的黄金集和循环只属于该团队。

5. 在本地验证，然后与团队共享

最后是扩散方式。如果一开始整个团队同时参与，反而会降低速度。在实战中，分为两个轨道更有效。

由一名领导者首先在本地构建和验证。达到一定稳定性后，再上传到GitHub，让整个团队可以访问。日常沟通通过Slack等消息工具进行，进一步优化自动化的工作则分为独立的代理渠道进行管理会更容易。

结论——核心是“循环”

虽然我们看了五件事，但贯穿这一切的原则只有一个。创建一个不断学习和优化的良性循环。 工具选择是接下来的问题。

如果您想知道我们的团队现在处于这五个阶段中的哪个阶段，可以通过2分钟诊断轻松确认。只需回答您方便的部分即可。

STAR-T AI业务运营诊断 →

---

注释

① 参考资料：本文基于作者（朴正根）直接为小团队（1~5人规模）进行AI自动化指导的经验（R0，基于第一次经验）撰写，未参考外部资料。根据匿名化原则，所有特定公司、行业、人员信息均已删除。

② 本文未使用的数字：“N%节省”、“工作时间缩短N%”等绩效数据因无验证依据，故意未加入。本文仅涉及方法论（设置了什么，以何种顺序设置）。

③ 制作方式：初稿由AI（Claude）撰写，之后由人类审核方法论的准确性和匿名化规则的遵守情况。