健身行业一谈数字化，很容易先想到更聪明的推荐。
给用户推荐合适的课程，匹配合适的教练，根据目标生成训练计划，听起来都很有价值。特别是 AI 能力越来越强以后，很多过去需要人工完成的理解和生成，似乎都可以更快地做。
但我在看复杂服务时，越来越觉得推荐不是第一步。第一步是让服务过程真正可见。
很多健身机构拥有不少数据：谁买了卡，谁买了课，谁多久没有到店，谁投诉过。可这些数据主要分布在交易开始和结果结束。用户为什么选择这套服务，第一次评估发现了什么，计划怎样调整，哪一次训练开始出现问题，中途为什么更换教练，组织往往看不见。
过程一旦不可见，系统再聪明，也只能在很薄的事实之上做判断。
假设系统知道一个用户三十天没有续课，却不知道他前几次训练后一直不舒服，也不知道教练是否调整过计划。它可以预测流失，可以发优惠，也可以推荐另一位教练，但它无法判断真正的问题发生在哪里。结果看起来被数字化了，服务仍然是一个黑箱。
复杂服务和标准商品最大的不同，是产品在履约过程中不断被生产。一次评估、一段计划、每次反馈和调整，共同构成用户最后获得的价值。只记录成交金额和上课次数，就像管理一家餐厅只记录结账和差评，却不知道中间做了什么。
所以服务要规模化，组织先要回答：哪些关键事实必须被看见？
我认为不是记录得越多越好，而是抓住会改变下一步判断的节点。用户最初希望解决什么，当前处于什么状态；一段服务准备怎样推进；发生了什么重要变化；原计划为什么调整；服务长时间没有继续时，谁看到了，又做了什么。
这些信息一旦存在，管理才不必等投诉出现才能回头猜。新教练接手时不用让用户从零解释，店长复盘时能分清是供给不合适、流程遗漏，还是专业判断需要提升。平台也能发现哪些问题反复发生，而不是只统计谁的销售数字更好。
这时，推荐才开始有基础。
系统可以根据真实状态推荐下一步服务，而不是只根据购买历史做交叉销售；可以识别一段服务在哪个节点经常中断，而不是在用户离开后统一发券；可以把需要专业判断的异常交给一线，而不是给所有人生成同样的提醒。所谓智能，不再是多说一句话，而是让正确的人在正确的时间看到必要事实。
这也解释了为什么许多数字化项目最后变成填表。组织知道自己需要数据，却没有先说清楚数据会支持什么决定，于是把尽可能多的信息交给一线记录。教练每上一次课都要完成很多字段，管理者却很少使用。时间久了，记录变成任务，内容越来越敷衍，系统看起来完整，真实服务反而更不可见。
记录不能为了证明组织已经数字化。每一个字段都应该回答两个问题：它会影响谁的下一步动作？如果没有它，哪一种判断会变差？回答不了，就不该轻易增加一线负担。
可见也不等于真实。系统里写着已跟进，不代表用户真的被理解；计划被上传，不代表服务按计划发生。关键节点在线化以后，组织仍然需要抽查、用户反馈和结果验证。数字化只是让事实有机会被复盘，不会自动把记录变成履约。
过程可见以后，组织还会获得一种过去缺少的管理能力：区分个体问题和系统问题。同一种中断只发生在一个教练身上，可能需要专业支持；它在多个门店、同一节点反复出现，就更可能是产品、流程或激励机制的问题。没有过程事实，所有问题最终都会被解释成“人不行”，组织也就失去了改进自身的机会。
这套过程事实还应该服务用户，而不是只服务管理。用户不必每次重复自己的目标、伤病史和已经试过的方法，服务者也能解释为什么这次做了调整。当记录能让下一次服务更连续，用户才会感受到数字化的价值；如果它只让总部多了一张看板，记录成本就很难长期被一线接受。
对老板来说，最值得先做的也许不是建设一个完整画像，而是选一条最重要的服务链，找出其中三个到五个决定结果的节点。比如从用户首次评估到形成稳定训练，中间哪些事实一旦丢失，就会让下一步变成猜测。先让这一条链可以被看见、被交接、被复盘，再讨论算法和自动化。
这样做看起来慢，实际上能减少后面的浪费。没有过程底座时，更强的生成能力只会更快地产生建议，更丰富的推荐也可能更快地制造噪音。组织不知道服务为什么好、为什么坏，就无法判断系统给出的动作是否真的有效。
我并不反对更聪明的推荐。相反，健身服务里有大量长期依赖人工理解的问题，未来很值得被技术重新解决。但先后顺序非常重要。
先让评估、计划、调整、异常和交接这些关键过程变成组织可用的事实；再用技术降低理解和协调成本。这样，智能才是在真实服务闭环里放大能力，而不是在黑箱外面增加一层更漂亮的答案。
健身服务想规模化，第一步不是让系统看起来更聪明，而是让组织终于看见，用户真实经历了什么。