AI提效之后，企業(yè)為什么反而更堵了？

頭圖|虎嗅現(xiàn)場拍攝

作者|虎嗅智庫

AI越來越能干活，企業(yè)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(jié)果變成5個人都審核不過來。”

迪卡儂中國執(zhí)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(xì)節(jié)，幾乎可以概括當(dāng)下企業(yè)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(huán)節(jié)的產(chǎn)出，卻不會自動提升整條業(yè)務(wù)鏈的效率。一個環(huán)節(jié)提速后，瓶頸可能隨即轉(zhuǎn)移到審核、決策和執(zhí)行的下一環(huán)。

這也是企業(yè)AI落地正在經(jīng)歷的重心轉(zhuǎn)移。過去一兩年，企業(yè)關(guān)系的是“AI能不能落地、怎么落地“；現(xiàn)在，AI已經(jīng)能干不少活，也帶來了局部的降本增效，但真正難的是企業(yè)如何調(diào)整流程和組織，把這些零散的效率轉(zhuǎn)化為可核算、可持續(xù)的經(jīng)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(yīng)用、及零售、制造等的企業(yè)決策者，進(jìn)行了一場持續(xù)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(chǎn)品能夠真正賺到錢；以及，當(dāng)Agent開始接手工作，企業(yè)的組織是否準(zhǔn)備好了。

Token越來越便宜，任務(wù)閉環(huán)越來越“貴”

大模型能力持續(xù)提高，Token成本不斷下降，但技術(shù)進(jìn)步并沒有等比例轉(zhuǎn)化為產(chǎn)業(yè)價值。長江商學(xué)院杰出院長講席教授、AI智能產(chǎn)業(yè)實驗室主任孫天澍將這一現(xiàn)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(chǎn)品創(chuàng)新和產(chǎn)業(yè)重構(gòu)所在的中層和上層卻相對溫吞。

長江商學(xué)院杰出院長講席教授、AI智能產(chǎn)業(yè)實驗室主任孫天澍線上參與分享頁面

行業(yè)現(xiàn)在并不缺Token，缺的是把Token轉(zhuǎn)化為千行百業(yè)能夠使用、也愿意付費的產(chǎn)品價值。

過去，模型公司的競爭主要圍繞參數(shù)、榜單和上下文長度展開。隨著基礎(chǔ)能力之間的能力差距逐漸縮小、調(diào)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(jìn)入真實業(yè)務(wù)，持續(xù)完成任務(wù)，并在執(zhí)行中獲得反饋。

這意味著，模型要把技術(shù)能力變成產(chǎn)品價值，必須從提供一次調(diào)用，走向介入一段工作流；而進(jìn)入工作流后產(chǎn)生的環(huán)境數(shù)據(jù)、任務(wù)軌跡和結(jié)果反饋，又可能反過來構(gòu)成新的模型壁壘。

階躍星辰首席戰(zhàn)略官李璟將模型競爭的核心歸結(jié)為“數(shù)據(jù)飛輪”。階躍在選擇進(jìn)入一個垂直領(lǐng)域前，首先考量的不是這個行業(yè)能消耗多少Token，而是其中有沒有形成數(shù)據(jù)飛輪的可能性和價值：模型能否深度嵌入工作流，持續(xù)獲得環(huán)境信息、任務(wù)軌跡和結(jié)果反饋，再利用這些數(shù)據(jù)優(yōu)化后續(xù)執(zhí)行。

在李璟看來，階躍拓展垂直Agentic Service 領(lǐng)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(huán)境數(shù)據(jù)和任務(wù)軌跡的持續(xù)回流”。十分關(guān)鍵的一點是，垂直Agentic Service的壁壘不只是積累更多行業(yè)文檔，而是能否在真實業(yè)務(wù)中持續(xù)執(zhí)行任務(wù)，并把過程與結(jié)果轉(zhuǎn)化為下一輪優(yōu)化的養(yǎng)料。

目前，階躍星辰正進(jìn)一步深入金融、企業(yè)服務(wù)和零售等行業(yè)場景，并探索多種商業(yè)化模式。這并不意味著Agent已經(jīng)普遍具備結(jié)果付費的條件，但至少說明，部分場景的商業(yè)模式開始從簡單出售模型調(diào)用，逐步轉(zhuǎn)向圍繞業(yè)務(wù)結(jié)果收費。

如果說工作流決定模型能否獲得業(yè)務(wù)反饋，那么終端則可能決定由誰掌握任務(wù)發(fā)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(yè)Service Agent之間的“A to A”網(wǎng)絡(luò)：前者跨手機、汽車等終端理解用戶并分發(fā)需求，后者進(jìn)入具體場景，負(fù)責(zé)完成專業(yè)服務(wù)。

終端的重要價值，在于它沉淀了大量個人數(shù)據(jù)和上下文，可以讓通用模型實現(xiàn)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(fù)責(zé)理解用戶需求并進(jìn)行任務(wù)分發(fā)，而具體任務(wù)和結(jié)果的交付仍要由深入行業(yè)的Service Agent完成。兩者分別控制任務(wù)閉環(huán)中的不同環(huán)節(jié)，最終如何進(jìn)行價值分配，取決于誰擁有不可替代的上下文、反饋數(shù)據(jù)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(chuàng)造價值。隨著通用模型能力逐漸成為基礎(chǔ)供給，價值正向三個更稀缺的環(huán)節(jié)轉(zhuǎn)移：用戶上下文、垂直工作流和結(jié)果交付。

模型能生產(chǎn)多少Token，決定了AI能力的上限；誰能把這些Token放進(jìn)真實任務(wù)，形成持續(xù)反饋和可驗收結(jié)果，才決定商業(yè)價值最終留在哪里。

AI產(chǎn)品的生死線：能不能交付結(jié)果

過去兩年，市場上出現(xiàn)了大量AI產(chǎn)品：聊天機器人、Copilot、知識庫、Agent，以及包裝成“硅基員工”的各種應(yīng)用。

但產(chǎn)品數(shù)量的增長，并沒有帶來同等規(guī)模的商業(yè)收入。企業(yè)愿意為試點項目買單，卻未必愿意擴大預(yù)算；大量員工在用AI，也不代表AI已經(jīng)進(jìn)入核心業(yè)務(wù)流程。

原因并不復(fù)雜，會回答問題、會生成內(nèi)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(jié)果，才意味著商業(yè)模式可能成立。

知微行易CTO黃曉輝認(rèn)為，傳統(tǒng)ERP、MES、CRM等系統(tǒng)強調(diào)清晰邊界，主要承擔(dān)記錄數(shù)據(jù)、固化流程的作用，而Agent驅(qū)動的智能應(yīng)用需要打破系統(tǒng)邊界，理解企業(yè)語義、并調(diào)動不同資源完成任務(wù)。人在其中也不再只是流程操作者的角色，而會更多轉(zhuǎn)向目標(biāo)設(shè)定、異常處理和結(jié)果判斷。

知微行易CTO黃曉輝

同時，企業(yè)并不會因為部署了更多Agent，就自然走向“自主企業(yè)”。大量企業(yè)系統(tǒng)彼此割裂、數(shù)據(jù)口徑和業(yè)務(wù)語言并不統(tǒng)一、仍會阻礙Agent的結(jié)果交付。在黃曉輝看來，AI落地的問題不在于調(diào)用更多Token，而在于通過企業(yè)語義、資源數(shù)據(jù)和業(yè)務(wù)規(guī)則的統(tǒng)一，降低調(diào)用成本，提高執(zhí)行準(zhǔn)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(zhí)行和驗證環(huán)境。代碼庫提供上下文，編譯器和測試工具執(zhí)行、驗證結(jié)果，錯誤信息又能返回給模型繼續(xù)修正。任務(wù)是否完成、節(jié)省了多少研發(fā)時間，也相對容易計算。

很多非Coding場景恰恰缺少這種驗證環(huán)境。營銷內(nèi)容的增長效果很難單獨歸因，管理建議也難以直接對應(yīng)經(jīng)營結(jié)果。

因此，Coding真正值得被復(fù)制的不是產(chǎn)品界面，而是一套商業(yè)化條件：高頻任務(wù)、完整上下文、可驗證結(jié)果、可控成本，以及對業(yè)務(wù)流程的深度嵌入。

而企業(yè)愿意為AI持續(xù)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(dá)斯克CEO崔東升以廣告素材為例：當(dāng)AI制作一條素材的成本在約120元時，商業(yè)上很難成立；降到約50元后，才進(jìn)入可用區(qū)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(jīng)濟優(yōu)勢，還需要在速度、規(guī)模、質(zhì)量或轉(zhuǎn)化率上證明額外價值。

交個朋友高級副總裁、曼達(dá)斯克CEO崔東升

這筆賬說明，AI商業(yè)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(shù)條件，能否形成獨立閉環(huán)、交付業(yè)務(wù)結(jié)果，才決定企業(yè)會不會持續(xù)購買。

這也是為什么“提效80%”越來越難打動企業(yè)。企業(yè)真正關(guān)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(huán)節(jié)，后續(xù)卻仍需要大量人工審核、修改和執(zhí)行，那么所謂提效只是把壓力轉(zhuǎn)移到了下一環(huán)。

崔東升在現(xiàn)場表達(dá)得更直接：“但凡只談賦能的AI應(yīng)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(jié)果由誰交付。企業(yè)可能買到的不是一個可以承擔(dān)工作的生產(chǎn)單元，而是又一件需要人來管理、監(jiān)督和善后的工具。

問題由此從“AI能提供什么能力”，推進(jìn)到了“AI能承擔(dān)多少責(zé)任”。像素綻放PixelBloom創(chuàng)始人兼CEO趙 充認(rèn)為，真正的AI Native產(chǎn)品不應(yīng)只是工具，而應(yīng)該成為能夠交付結(jié)果的“硅基員工”。這意味著，產(chǎn)品不能停留在幫人生成一份內(nèi)容或提供一個建議，而要承擔(dān)一段相對完整的工作，并接受質(zhì)量、成本和結(jié)果的驗收。

像素綻放PixelBloom創(chuàng)始人兼CEO趙充

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

產(chǎn)品形態(tài)當(dāng)然會繼續(xù)變化，今天是Agent，未來甚至不再需要傳統(tǒng)軟件界面。但客戶的問題不會隨之改變—響應(yīng)太慢、研發(fā)周期太長、營銷成本太高，或者供應(yīng)鏈決策不夠準(zhǔn)確。

AI產(chǎn)品真正要做的，不是追逐最新形態(tài)，而是回到問題本身，確定需要進(jìn)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(biāo)驗收。只有先定義問題，企業(yè)才能進(jìn)一步確定AI應(yīng)該獲得哪些上下文、進(jìn)入哪一段工作流、用什么指標(biāo)驗收，以及哪些判斷必須留給人。

沿著這套標(biāo)準(zhǔn)看，Token消耗也不能直接等同于商業(yè)價值。語核科技COO胡睿提到，語核非研發(fā)部門每月的Token消耗已經(jīng)從約6萬元增至12萬元，這至少說明業(yè)務(wù)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(yè)已經(jīng)獲得了同等價值。

如果Token賬單增加，沒有對應(yīng)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(yè)最終購買的不是調(diào)用量，而是調(diào)用之后產(chǎn)生的經(jīng)營結(jié)果。

綜合現(xiàn)場討論，一款A(yù)I產(chǎn)品要形成持續(xù)付費，大致需要滿足一個公式：持續(xù)付費=高頻任務(wù)×可驗證結(jié)果×可控成本×流程嵌入。

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

可一旦AI開始承擔(dān)完整任務(wù)，企業(yè)就必須重新回答另一個問題：原來的流程、崗位和責(zé)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(yè)主要擔(dān)心AI有沒有能力完成工作；那么現(xiàn)在，問題開始改變，當(dāng)AI已經(jīng)能承擔(dān)一部分任務(wù)，企業(yè)和組織有沒有能力接住它？

AI進(jìn)入核心業(yè)務(wù)后，最先暴露的往往不是模型短板，而是企業(yè)自身的問題：數(shù)據(jù)口徑不一、流程模糊、部門權(quán)責(zé)不清，以及大量依賴個人經(jīng)驗沒有被寫進(jìn)系統(tǒng)的隱性規(guī)則。

迪卡儂中國副總裁肖路在現(xiàn)場就感概，AI不會自動加速企業(yè)，但會像一面鏡子，照出企業(yè)數(shù)字化建設(shè)中的薄弱環(huán)節(jié)。

在迪卡儂的實踐中，AI進(jìn)入企業(yè)大致經(jīng)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(jìn)入工作臺，嘗試完成端到端任務(wù)；最后才是組織重構(gòu)，部門協(xié)同和工作分配方式發(fā)生變化。

所以企業(yè)AI落地的真正分水嶺，不是企業(yè)有沒有用AI工具，而是AI有沒有進(jìn)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(huán)節(jié)的產(chǎn)出突然放大，如果審核、決策和執(zhí)行環(huán)節(jié)沒有同步變化，企業(yè)只會得到更嚴(yán)重的擁堵。

企業(yè)AI落地，不能只是給舊流程裝上新工具，更重要的是從業(yè)務(wù)結(jié)果出發(fā)，重新設(shè)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(zhuǎn)？任務(wù)鏈能否重新切分，中間交接能否被壓縮？哪些規(guī)則明確、重復(fù)度高的任務(wù)可以交給系統(tǒng)和Agent，人則更多轉(zhuǎn)向目標(biāo)設(shè)定、復(fù)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(jìn)到組織重構(gòu)。CIO曹奮澤表示，團(tuán)隊內(nèi)部已經(jīng)開始重新審視崗位與職責(zé)邊界：哪些崗位不再需要獨立設(shè)置，哪些職責(zé)可以合并，哪些任務(wù)可以持續(xù)交由Agent完成。關(guān)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(biāo)，誰管理Agent，誰對最終業(yè)務(wù)結(jié)果負(fù)責(zé)？

走到這一步，AI改變的就不只是員工的工作方式，也會進(jìn)一步重塑企業(yè)的組織結(jié)構(gòu)、協(xié)作關(guān)系和權(quán)責(zé)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(yè)務(wù)負(fù)責(zé)人圍繞結(jié)果配置的一種經(jīng)營資源。

但也正是在這里，大企業(yè)和AI原生公司的演進(jìn)之路開始出現(xiàn)了分岔口。

AI+還是+AI，取決于誰承擔(dān)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(shè)計產(chǎn)品和組織。他建議企業(yè)建立30至100人規(guī)模的“AI特區(qū)”，先讓一支相對獨立的團(tuán)隊按照AI原生方式工作，再把成熟經(jīng)驗帶回主體組織。

施耐德電氣數(shù)智化轉(zhuǎn)型總設(shè)計師毛春景則給出了更謹(jǐn)慎的答案。對于一家業(yè)務(wù)分布在上百個國家、擁有大量工廠和物流中心的跨國企業(yè)，短期內(nèi)全面轉(zhuǎn)向“AI+”并不現(xiàn)實。數(shù)據(jù)治理、安全合規(guī)、遺留系統(tǒng)和人員抵觸，都決定了組織只能漸進(jìn)改變。

圖：施耐德電氣數(shù)智化轉(zhuǎn)型總設(shè)計師毛春景

施耐德的路徑，是先從內(nèi)部提效、產(chǎn)品增強和對外AI服務(wù)入手，同時建立專門工作組、技術(shù)平臺、人才培養(yǎng)和內(nèi)部社區(qū)。毛春景把社區(qū)和聯(lián)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(chuàng)業(yè)公司沒有太多歷史包袱，可以圍繞Agent從零設(shè)計流程；中小企業(yè)決策鏈條短，也更容易通過崗位調(diào)整迅速兌現(xiàn)收益；大型企業(yè)則必須同時處理舊系統(tǒng)、跨部門協(xié)同、合規(guī)要求和既有利益。

因此，更準(zhǔn)確的判斷不是“小企業(yè)做AI+，大企業(yè)做+AI”，而是AI+更像是目標(biāo)狀態(tài)，+AI是多數(shù)大企業(yè)不得不經(jīng)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(dān)遷移成本。

最難改的不是流程，而是利益

談組織重構(gòu)，很容易停留在“培養(yǎng)復(fù)合型人才”、“建立AI團(tuán)隊”這些正確但安全的結(jié)論上。但當(dāng)我們繼續(xù)追問，會發(fā)現(xiàn)組織重構(gòu)始終繞不開預(yù)算、責(zé)任和利益的重新分配。

誰擁有Token預(yù)算？誰負(fù)責(zé)管理Agent？AI做錯了，是業(yè)務(wù)部門、IT部門還是供應(yīng)商負(fù)責(zé)？AI節(jié)省的人力成本歸哪個部門？一個部門主動交出數(shù)據(jù)和流程之后，會不會反而面臨預(yù)算削減和崗位裁撤？

這些問題如果沒有答案，業(yè)務(wù)部門就很難有動力真正開放自己的流程。

過去，企業(yè)的權(quán)力通常圍繞人數(shù)、預(yù)算和信息形成。AI進(jìn)入之后，一部分執(zhí)行工作可能由Agent完成，管理者的價值也會從分配任務(wù)，轉(zhuǎn)向定義高價值問題、識別可標(biāo)準(zhǔn)化工作、處理異常情況并建立治理規(guī)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(quán)。相比部署一個模型，這才是企業(yè)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(yè)需要培養(yǎng)一批“AI架構(gòu)師”：既理解產(chǎn)業(yè)本質(zhì)和業(yè)務(wù)場景，也清楚智能體的能力邊界，能夠據(jù)此重新設(shè)計產(chǎn)品、流程和組織。這并非傳統(tǒng)IT架構(gòu)師的簡單升級，而是連接AI能力與產(chǎn)業(yè)重構(gòu)的關(guān)鍵角色。

迪卡儂中國執(zhí)行副總裁肖路

肖路進(jìn)一步將企業(yè)需要的能力拆分為三類：懂業(yè)務(wù)的人定義價值，懂?dāng)?shù)據(jù)的人構(gòu)建上下文，懂AI的人負(fù)責(zé)工程落地。關(guān)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(yè)務(wù)結(jié)果協(xié)同工作。

所以，企業(yè)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(gòu)端到端流程，重新劃分人與Agent的責(zé)任，并建立與之匹配的預(yù)算和治理機制。

結(jié)語：AI下半場，企業(yè)先要改造自己

這場閉門會沒有給出一個適用于所有企業(yè)的AI答案。

有人認(rèn)為應(yīng)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(jié)果倒逼流程重構(gòu)。有人堅定走向“AI+”，也有人認(rèn)為大型企業(yè)未來幾年仍只能漸進(jìn)式“+AI”。

但一個基本共識已經(jīng)出現(xiàn)：模型能力不再是企業(yè)AI落地的唯一瓶頸，數(shù)據(jù)、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(chǎn)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(jīng)營結(jié)果。

AI開始能干活之后，企業(yè)真正的考題才剛出現(xiàn)。下一輪企業(yè)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(xù)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