当首席执行官把人工智能列为投资重点,下一步的问题并不是每位员工是否都用上了工具,而是企业能否把分散的个人提效,转化为更快、更可靠的业务结果。一个人节省了起草报告的时间,不代表整条审批链会缩短;部门生成了更多分析,也不代表客户问题能更早解决。AI投资与组织效能之间的落差,往往出现在任务交接、岗位责任和管理机制中。

投资意愿上升,不等于回报已经兑现
毕马威相关调查资料显示,中国受访CEO对AI投资回报的预期明显增强:预计三年内获得回报的比例,从上一年的18%升至86%。不过,这是一项关于预期的调查,不是已实现回报的统计。
还需要区分报告名称与数据本身:现有可核对的毕马威原始资料标题为《2025 China CEO Outlook》,资料中出现了2026年相关时间信息;现有摘录并未完整呈现“76%”这一数字的上下文和调查口径。因此,不能据此确认“76%的中国CEO”这一表述,也不能将受访者的态度直接外推为所有中国企业的投资决策。
即便不依赖某个单一比例,问题依然成立:当企业决定增加AI预算,支出与产出之间并不存在自动连接。对管理层而言,真正需要验证的是,AI是否改变了工作如何流转,而不只是改变某个环节使用什么工具。
个人效率为何没有自然汇聚成组织效能
企业工作通常由一连串相互依赖的任务构成。例如,一份客户方案可能经过信息收集、初稿撰写、专业审核、报价和最终批准。AI即使大幅缩短初稿时间,如果审核人员仍需逐项核实来源、补充缺失信息,或者方案仍在多个部门之间排队,整体交付时间未必明显下降。
这种落差至少来自四个环节:
- 任务没有重组。 AI被叠加在原有流程上,重复录入、反复确认和不必要的审批仍然存在。
- 岗位责任没有调整。 员工可以生成内容,却不清楚谁负责核验、谁有权修改、出现错误后由谁处理。
- 管理机制没有跟进。 个人被要求更快产出,但部门考核、资源分配和交接规则仍按旧流程运行。
- 培训脱离实际工作。 员工学会了基本操作,却没有机会练习判断结果质量、处理异常和与同事交接。
这也是工作重组讨论中值得重视的视角:AI的影响不只发生在某个完整岗位上,更发生在岗位内部的不同任务及其相互连接处。它可能减少部分重复劳动,也可能增加核验、协调和例外处理工作;具体结果取决于任务性质、风险水平和组织设计,而不是由模型能力单独决定。
新增预算:从购买工具转向打通工作链路
AI预算当然包括技术能力,但如果资金几乎都投向工具采购,而没有为流程、数据和人员调整留出空间,企业可能只是在更快地制造需要下游处理的内容。
更合理的做法,是围绕一条有明确业务目标的工作链路配置预算,而不是先按部门分发工具。以下几个环节值得同时评估:
| 预算环节 | 需要解决的问题 | 适合优先投入的条件 |
|---|---|---|
| 流程梳理与任务重组 | 找出重复劳动、等待和交接断点 | 流程跨部门较多,且当前瓶颈尚不清楚 |
| 数据与系统准备 | 确认信息是否可用、可信、可被授权访问 | 员工经常因查找、核对或重复录入信息而延误 |
| 岗位与培训 | 明确操作、审核、升级处理和最终负责人的分工 | AI输出已进入日常工作,但责任边界模糊 |
| 治理与安全 | 在设计阶段识别数据、内容和决策风险 | 涉及敏感信息、外部发布或重要业务决策 |
| 试点评估与推广 | 比较试点前后的端到端结果,并处理例外 | 已有可衡量的业务目标和稳定的流程负责人 |
这并不意味着每个项目都要平均分配预算。若业务瓶颈主要是审批等待,单纯扩大模型使用范围的收益可能有限;若知识分散且来源不可靠,先治理数据可能比增加应用入口更重要。管理层应先问清“哪一步限制了最终结果”,再决定钱投向哪里。
岗位重设计与再培训必须一起做
岗位重设计不应从“哪些职位会被AI取代”开始,而应先拆解工作内容:哪些任务适合交由AI辅助,哪些需要人判断,哪些必须保留人工复核,以及哪些异常需要升级处理。
以客户服务为例,AI可以协助整理来电内容、检索内部资料或生成回复草稿;但当信息不足、客户提出特殊诉求,或处理结果可能带来较大影响时,是否采用建议、如何解释决定,仍需要明确的人类责任人。具体边界应根据企业风险和业务要求确定,不能因为工具能够生成答案,就默认它有权作出最终决定。
与之配套的培训至少应覆盖三类能力:
- 任务判断:识别哪些工作适合AI辅助,哪些信息不能随意输入,何时不应依赖生成结果。
- 结果核验:检查关键事实、依据和遗漏,识别看似合理但不适用于当前情境的输出。
- 协作与升级:按照新的交接规则记录处理过程,在遇到不确定情况时找到有权作决定的人。
培训是否有效,也不能只看完成课程的人数。企业可以结合实际任务,观察员工能否识别错误、正确处理异常,以及在交接时提供足够信息。如果岗位职责已经变化,考核和资源配置也要同步调整,否则员工可能既要承担新的审核工作,又仍以旧产出数量为主要评价标准。
把治理放进项目设计,而不是上线后补救
治理与合规评估越晚介入,越容易出现流程已经搭建完成,却发现数据不能使用、输出不能直接交付,或责任无法界定的情况。前置治理不是要求所有项目采用同一套最重的审批,而是在立项时先判断风险,再决定控制强度。
项目团队可以从四个问题开始:
- 输入是什么? 数据是否涉及个人信息、商业秘密或其他敏感内容;使用者是否有权访问和处理。
- 输出给谁用? 结果仅供内部参考,还是会影响客户、员工或其他外部主体;错误可能造成什么后果。
- 谁作最终决定? 哪些情形需要人工复核、批准或升级处理;出现争议时如何追溯。
- 如何停止和纠正? 发现问题后能否暂停使用、修正结果,并保留必要的处理记录。
这些问题需要业务、技术、法务或合规及安全相关人员共同参与,具体职责取决于企业规模和项目性质。低风险的内部草稿辅助,与涉及敏感数据或重要决策的应用,不应机械套用同样的控制流程。涉及具体法律义务时,还需结合适用地区、数据类型和业务场景作专项评估。
用端到端指标判断是否值得扩大投入
评估AI项目时,使用人数、生成内容数量和单次任务耗时都有参考价值,但不足以证明组织效能改善。企业还需要把这些指标与最终业务结果联系起来,并在试点前建立可比较的基线。
可以同时观察四组指标:
- 速度:从需求进入到最终交付的总周期,以及各环节等待时间。
- 质量:错误、返工、投诉或需要升级处理的情况是否变化。
- 成本:除工具费用外,计入培训、复核、系统改造和持续维护投入。
- 风险与体验:异常能否及时发现,员工和受影响对象是否理解新的处理方式。
结果需要结合条件解释。交付加快但错误率上升,未必是有效提效;审核时间增加,也未必意味着项目失败——它可能暴露了过去未被记录的质量问题。对于业务量波动较大或流程变化频繁的场景,更需要谨慎区分AI带来的影响与其他因素。
AI投资最终能否转化为组织效能,取决于企业是否愿意同时调整任务、岗位、管理和技能体系。对决策者来说,更有用的不是宣布一个统一的自动化目标,而是选择边界清楚的工作链路,明确责任和风险,比较完整成本与业务结果,再决定是否扩大投入。
文章版权归作者所有,未经允许请勿转载。