AI提效之后，企業為什么反而更堵了？

頭圖|虎嗅現場拍攝

作者|虎嗅智庫

AI越來越能干活，企業卻未必因此賺到更多錢。

“過去5個人寫代碼、1個人審核。用了AI Coding之后，一個人就能生成大量代碼，結果變成5個人都審核不過來。”

迪卡儂中國執行副總裁肖路在WAIC期間，虎嗅特別策劃的這場AI決策者閉門會上，分享的這個細節，幾乎可以概括當下企業AI落地的最典型的困境。

模型更強、Token更便宜，可以迅速放大單個環節的產出，卻不會自動提升整條業務鏈的效率。一個環節提速后，瓶頸可能隨即轉移到審核、決策和執行的下一環。

這也是企業AI落地正在經歷的重心轉移。過去一兩年，企業關系的是“AI能不能落地、怎么落地“；現在，AI已經能干不少活，也帶來了局部的降本增效，但真正難的是企業如何調整流程和組織，把這些零散的效率轉化為可核算、可持續的經營成果。

圍繞以上問題，WAIC期間，虎嗅邀請了階躍星辰、林里?LINLEE、知微行易、云跡、PPIO、自然堂、施耐德等約30位來自模型、應用、及零售、制造等的企業決策者，進行了一場持續3個小時的閉門討論。討論最終落在了三個層面：Token越來越便宜后，AI的價值會流向哪里；什么樣的AI產品能夠真正賺到錢；以及，當Agent開始接手工作，企業的組織是否準備好了。

Token越來越便宜，任務閉環越來越“貴”

大模型能力持續提高，Token成本不斷下降，但技術進步并沒有等比例轉化為產業價值。長江商學院杰出院長講席教授、AI智能產業實驗室主任孫天澍將這一現象概括為“AI價值倒三角”：算力和模型所在的底層最為火熱，產品創新和產業重構所在的中層和上層卻相對溫吞。

長江商學院杰出院長講席教授、AI智能產業實驗室主任孫天澍線上參與分享頁面

行業現在并不缺Token，缺的是把Token轉化為千行百業能夠使用、也愿意付費的產品價值。

過去，模型公司的競爭主要圍繞參數、榜單和上下文長度展開。隨著基礎能力之間的能力差距逐漸縮小、調用成本不斷下降，單純賣Token的議價空間也在被壓縮。競爭的下一站，不只是模型會什么，而是它能否進入真實業務，持續完成任務，并在執行中獲得反饋。

這意味著，模型要把技術能力變成產品價值，必須從提供一次調用，走向介入一段工作流；而進入工作流后產生的環境數據、任務軌跡和結果反饋，又可能反過來構成新的模型壁壘。

階躍星辰首席戰略官李璟將模型競爭的核心歸結為“數據飛輪”。階躍在選擇進入一個垂直領域前，首先考量的不是這個行業能消耗多少Token，而是其中有沒有形成數據飛輪的可能性和價值：模型能否深度嵌入工作流，持續獲得環境信息、任務軌跡和結果反饋，再利用這些數據優化后續執行。

在李璟看來，階躍拓展垂直Agentic Service 領域的方法論包括：“好的場景牽引、清晰的場景定義、對工作流的深度介入，以及環境數據和任務軌跡的持續回流”。十分關鍵的一點是，垂直Agentic Service的壁壘不只是積累更多行業文檔，而是能否在真實業務中持續執行任務，并把過程與結果轉化為下一輪優化的養料。

目前，階躍星辰正進一步深入金融、企業服務和零售等行業場景，并探索多種商業化模式。這并不意味著Agent已經普遍具備結果付費的條件，但至少說明，部分場景的商業模式開始從簡單出售模型調用，逐步轉向圍繞業務結果收費。

如果說工作流決定模型能否獲得業務反饋，那么終端則可能決定由誰掌握任務發起前的用戶上下文。李璟提出，未來可能形成終端Master Agent與專業Service Agent之間的“A to A”網絡：前者跨手機、汽車等終端理解用戶并分發需求，后者進入具體場景，負責完成專業服務。

終端的重要價值，在于它沉淀了大量個人數據和上下文，可以讓通用模型實現更高程度的個性化。但掌握入口并不等于掌握全部價值。Master Agent負責理解用戶需求并進行任務分發，而具體任務和結果的交付仍要由深入行業的Service Agent完成。兩者分別控制任務閉環中的不同環節，最終如何進行價值分配，取決于誰擁有不可替代的上下文、反饋數據和交付能力。

由此看，Token降價只是降低了AI的使用門檻，并不會自動創造價值。隨著通用模型能力逐漸成為基礎供給，價值正向三個更稀缺的環節轉移：用戶上下文、垂直工作流和結果交付。

模型能生產多少Token，決定了AI能力的上限；誰能把這些Token放進真實任務，形成持續反饋和可驗收結果，才決定商業價值最終留在哪里。

AI產品的生死線：能不能交付結果

過去兩年，市場上出現了大量AI產品：聊天機器人、Copilot、知識庫、Agent，以及包裝成“硅基員工”的各種應用。

但產品數量的增長，并沒有帶來同等規模的商業收入。企業愿意為試點項目買單，卻未必愿意擴大預算；大量員工在用AI，也不代表AI已經進入核心業務流程。

原因并不復雜，會回答問題、會生成內容，只能證明AI能用。能夠獨立完成一段工作，并交付可驗收的結果，才意味著商業模式可能成立。

知微行易CTO黃曉輝認為，傳統ERP、MES、CRM等系統強調清晰邊界，主要承擔記錄數據、固化流程的作用，而Agent驅動的智能應用需要打破系統邊界，理解企業語義、并調動不同資源完成任務。人在其中也不再只是流程操作者的角色，而會更多轉向目標設定、異常處理和結果判斷。

知微行易CTO黃曉輝

同時，企業并不會因為部署了更多Agent，就自然走向“自主企業”。大量企業系統彼此割裂、數據口徑和業務語言并不統一、仍會阻礙Agent的結果交付。在黃曉輝看來，AI落地的問題不在于調用更多Token，而在于通過企業語義、資源數據和業務規則的統一，降低調用成本，提高執行準確率。

而Coding之所以最先接近這條線，正是因為它擁有相對完整的執行和驗證環境。代碼庫提供上下文，編譯器和測試工具執行、驗證結果，錯誤信息又能返回給模型繼續修正。任務是否完成、節省了多少研發時間，也相對容易計算。

很多非Coding場景恰恰缺少這種驗證環境。營銷內容的增長效果很難單獨歸因，管理建議也難以直接對應經營結果。

因此，Coding真正值得被復制的不是產品界面，而是一套商業化條件：高頻任務、完整上下文、可驗證結果、可控成本，以及對業務流程的深度嵌入。

而企業愿意為AI持續付費，通常只有兩個理由：明確省錢，或者明確賺錢。

交個朋友高級副總裁、曼達斯克CEO崔東升以廣告素材為例：當AI制作一條素材的成本在約120元時，商業上很難成立；降到約50元后，才進入可用區間。但如果同類素材人工制作成本約為30元，AI仍未天然獲得經濟優勢，還需要在速度、規模、質量或轉化率上證明額外價值。

交個朋友高級副總裁、曼達斯克CEO崔東升

這筆賬說明，AI商業化不是等到成本低于人工才開始，但一定要跨過客戶可以接受的成本拐點。AI“能做”只是技術條件，能否形成獨立閉環、交付業務結果，才決定企業會不會持續購買。

這也是為什么“提效80%”越來越難打動企業。企業真正關心的是：效率提高以后，有沒有縮短交付周期，有沒有減少外包支出，有沒有增加收入，或者有沒有真的減少人力投入。

如果AI只是讓員工更快完成某個環節，后續卻仍需要大量人工審核、修改和執行，那么所謂提效只是把壓力轉移到了下一環。

崔東升在現場表達得更直接：“但凡只談賦能的AI應用，基本上都很難成功。”“賦能”最大的問題，是它只描述AI提供了什么能力，卻沒有回答最終結果由誰交付。企業可能買到的不是一個可以承擔工作的生產單元，而是又一件需要人來管理、監督和善后的工具。

問題由此從“AI能提供什么能力”，推進到了“AI能承擔多少責任”。像素綻放PixelBloom創始人兼CEO趙 充認為，真正的AI Native產品不應只是工具，而應該成為能夠交付結果的“硅基員工”。這意味著，產品不能停留在幫人生成一份內容或提供一個建議，而要承擔一段相對完整的工作，并接受質量、成本和結果的驗收。

像素綻放PixelBloom創始人兼CEO趙充

這也為AI產品劃出了一條更清晰的邊界，Agent主要幫助人完成任務，“硅基員工”則要對一部分任務結果負責。兩者的差別不只是自動化程度，更在于企業是否可以減少中間的人工作業，以及是否愿意把責任真正交出去。

產品形態當然會繼續變化，今天是Agent，未來甚至不再需要傳統軟件界面。但客戶的問題不會隨之改變—響應太慢、研發周期太長、營銷成本太高，或者供應鏈決策不夠準確。

AI產品真正要做的，不是追逐最新形態，而是回到問題本身，確定需要進入哪段工作流、獲取哪些上下文，哪些判斷必須留給人、以及最終用什么指標驗收。只有先定義問題，企業才能進一步確定AI應該獲得哪些上下文、進入哪一段工作流、用什么指標驗收，以及哪些判斷必須留給人。

沿著這套標準看，Token消耗也不能直接等同于商業價值。語核科技COO胡睿提到，語核非研發部門每月的Token消耗已經從約6萬元增至12萬元，這至少說明業務人員開始主動使用AI；但使用量增加，只能證明AI變得活躍，不能證明企業已經獲得了同等價值。

如果Token賬單增加，沒有對應到成本下降、收入增長或周期縮短，那么它只是多了一筆IT支出。企業最終購買的不是調用量，而是調用之后產生的經營結果。

綜合現場討論，一款AI產品要形成持續付費，大致需要滿足一個公式：持續付費=高頻任務×可驗證結果×可控成本×流程嵌入。

Agent商業化的臨界點，不是企業部署了多少個智能體，而是企業是否敢把一段完整工作交給它。當AI可以接收任務、調用工具、完成執行并接受驗收時，它才從輔助工具變成生產單元。

可一旦AI開始承擔完整任務，企業就必須重新回答另一個問題：原來的流程、崗位和責任邊界還是否適用？

Agent開始上崗，舊流程必須讓路

過去兩年，企業主要擔心AI有沒有能力完成工作；那么現在，問題開始改變，當AI已經能承擔一部分任務，企業和組織有沒有能力接住它？

AI進入核心業務后，最先暴露的往往不是模型短板，而是企業自身的問題：數據口徑不一、流程模糊、部門權責不清，以及大量依賴個人經驗沒有被寫進系統的隱性規則。

迪卡儂中國副總裁肖路在現場就感概，AI不會自動加速企業，但會像一面鏡子，照出企業數字化建設中的薄弱環節。

在迪卡儂的實踐中，AI進入企業大致經歷三個階段：首先是個人工具化，員工用AI寫PPT、查資料或Coding；隨后是AI進入工作臺，嘗試完成端到端任務；最后才是組織重構，部門協同和工作分配方式發生變化。

所以企業AI落地的真正分水嶺，不是企業有沒有用AI工具，而是AI有沒有進入核心工作流。

個人工具化很容易制造“人人都在用AI”的繁榮，但局部效率并不等于組織效率。一個環節的產出突然放大，如果審核、決策和執行環節沒有同步變化，企業只會得到更嚴重的擁堵。

企業AI落地，不能只是給舊流程裝上新工具，更重要的是從業務結果出發，重新設計工作的組織方式：一項工作是否還需要沿著原有部門和崗位逐級流轉？任務鏈能否重新切分，中間交接能否被壓縮？哪些規則明確、重復度高的任務可以交給系統和Agent，人則更多轉向目標設定、復雜異常處理與最終決策？

中國生物制藥已將這種探索從“工具提效”推進到組織重構。CIO曹奮澤表示，團隊內部已經開始重新審視崗位與職責邊界：哪些崗位不再需要獨立設置，哪些職責可以合并，哪些任務可以持續交由Agent完成。關鍵并不是簡單地讓AI替代人，而是重新回答三個問題：誰定義目標，誰管理Agent，誰對最終業務結果負責？

走到這一步，AI改變的就不只是員工的工作方式，也會進一步重塑企業的組織結構、協作關系和權責邊界。未來的管理者不僅要管理人，也要管理Agent；Token也不再只是IT成本，而會逐漸成為業務負責人圍繞結果配置的一種經營資源。

但也正是在這里，大企業和AI原生公司的演進之路開始出現了分岔口。

AI+還是+AI，取決于誰承擔遷移成本

孫天澍提出，“100次+AI，不如一次AI+”。與其在舊流程上不斷添加AI功能，不如圍繞AI能力重新設計產品和組織。他建議企業建立30至100人規模的“AI特區”，先讓一支相對獨立的團隊按照AI原生方式工作，再把成熟經驗帶回主體組織。

施耐德電氣數智化轉型總設計師毛春景則給出了更謹慎的答案。對于一家業務分布在上百個國家、擁有大量工廠和物流中心的跨國企業，短期內全面轉向“AI+”并不現實。數據治理、安全合規、遺留系統和人員抵觸，都決定了組織只能漸進改變。

圖：施耐德電氣數智化轉型總設計師毛春景

施耐德的路徑，是先從內部提效、產品增強和對外AI服務入手，同時建立專門工作組、技術平臺、人才培養和內部社區。毛春景把社區和聯盟形容為推動變革的“軟刀子”：硬的一面是平臺、制度和工作組，軟的一面則是降低員工對變化的抵觸。

兩條路徑很難簡單分出對錯。

AI原生創業公司沒有太多歷史包袱，可以圍繞Agent從零設計流程；中小企業決策鏈條短，也更容易通過崗位調整迅速兌現收益；大型企業則必須同時處理舊系統、跨部門協同、合規要求和既有利益。

因此，更準確的判斷不是“小企業做AI+，大企業做+AI”，而是AI+更像是目標狀態，+AI是多數大企業不得不經歷的遷移路徑。真正的分歧，不是要不要AI原生，而是誰來承擔遷移成本。

最難改的不是流程，而是利益

談組織重構，很容易停留在“培養復合型人才”、“建立AI團隊”這些正確但安全的結論上。但當我們繼續追問，會發現組織重構始終繞不開預算、責任和利益的重新分配。

誰擁有Token預算？誰負責管理Agent？AI做錯了，是業務部門、IT部門還是供應商負責？AI節省的人力成本歸哪個部門？一個部門主動交出數據和流程之后，會不會反而面臨預算削減和崗位裁撤？

這些問題如果沒有答案，業務部門就很難有動力真正開放自己的流程。

過去，企業的權力通常圍繞人數、預算和信息形成。AI進入之后，一部分執行工作可能由Agent完成，管理者的價值也會從分配任務，轉向定義高價值問題、識別可標準化工作、處理異常情況并建立治理規則。

這會直接改變中層崗位的價值，也會重新分配部門之間的話語權。相比部署一個模型，這才是企業更難推動的變化。

舊崗位的價值需要重估，新的能力角色也要隨之建立。孫天澍提出，企業需要培養一批“AI架構師”：既理解產業本質和業務場景，也清楚智能體的能力邊界，能夠據此重新設計產品、流程和組織。這并非傳統IT架構師的簡單升級，而是連接AI能力與產業重構的關鍵角色。

迪卡儂中國執行副總裁肖路

肖路進一步將企業需要的能力拆分為三類：懂業務的人定義價值，懂數據的人構建上下文，懂AI的人負責工程落地。關鍵不是要求每個人同時精通三者，而是讓三類能力圍繞同一個業務結果協同工作。

所以，企業AI競爭的分水嶺，不是誰部署的Agent更多、Token燒得更猛，而是誰能率先完成三件事：重構端到端流程，重新劃分人與Agent的責任，并建立與之匹配的預算和治理機制。

結語：AI下半場，企業先要改造自己

這場閉門會沒有給出一個適用于所有企業的AI答案。

有人認為應該先改流程、再上AI，否則價值無從捕捉；也有人主張讓AI先從下往上滲透，再由使用結果倒逼流程重構。有人堅定走向“AI+”，也有人認為大型企業未來幾年仍只能漸進式“+AI”。

但一個基本共識已經出現：模型能力不再是企業AI落地的唯一瓶頸，數據、流程、崗位和管理機制正在成為更難跨過的門檻。

模型決定AI能做什么，產品決定客戶愿不愿意為它付費，組織則決定這些能力能否真正變成經營結果。

AI開始能干活之后，企業真正的考題才剛出現。下一輪企業AI落地的競爭，比的不是誰部署了更多Agent，消耗了更多Token，而是誰敢先動舊流程、舊崗位和舊利益。

歡迎掃碼添加“智庫小虎”，加入虎嗅AI社群，參與后續閉門研討，獲取更多AI落地案例

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4877874.html?f=wyxwapp