企业AI落地，正在从「要不要用」变成「用了以后呢」。过去一年，我们和不同企业讨论 AI 时，一个变化越来越明显。大家已经很少再问“AI 到底有没有用”。很多员工自己都会使用 ChatGPT、Claude、Workbuddy、豆包等AI工具，有些企业也开始尝试知识库、自动化工作流和 AI Agent的应用，管理层对于 AI 能够提高效率这件事，通常也没有太大怀疑。现在更难回答的问题变成了，企业已经开始用了，然后呢？
深入思考这个问题，你会发现这其实比学会几个工具复杂得多。一个员工原来需要半天整理的资料，现在一个小时可以完成；一份过去需要几个人反复修改的初稿，AI 很快就能整理出一个看起来相当完整的版本。个人工作确实变快了，但回到企业整体来看，决策流程可能没有缩短，跨部门沟通还是反复，客户的问题依旧需要层层确认，管理者甚至发现，自己收到的材料更多了，真正值得讨论的内容却没有同步增加。
我们在上一篇《AI 省下了时间，企业为什么没有变强？》里讨论过这种落差。AI 改变任务效率的速度，已经开始超过组织重新设计工作的速度。 继续往下走，企业面对的重点也应该发生变化。与其不断增加工具和应用场景，不如先回头看一遍每天正在发生的工作，哪些问题值得改变，哪些瓶颈来自工具，哪些其实来自流程、责任和判断方式。
以下这十个问题，可以作为一个起点。
Q1. 如果先不谈 AI，我们到底想解决什么问题？
很多 AI 项目一开始，讨论的已经是答案。“我们想做一个 AI 客服”“希望建立企业知识库”“销售部门能不能有一个 Agent”“以后报告是不是可以自动生成”。这些需求都合理，但它们有一个共同特点，企业已经跳到了技术方案，前面那个更基本的问题反而没有被充分讨论。
假设一家公司的客服响应很慢，原因可能是查询资料耗费大量时间，也可能是客服没有处理权限，每个特殊情况都必须等待主管决定；销售找资料困难，有可能需要更好的知识检索，也可能是公司根本没有一套持续维护产品信息的机制；营销内容产量不足，看起来适合用生成式 AI，但如果团队对于品牌定位和目标消费者本来就没有共识，生产速度越快，只会得到更多方向不一致的内容。
这些情况最后使用的技术完全不同，有些甚至不需要 AI。我们通常会建议先做一个很简单的练习，把准备启动的 AI 项目重新写成一句话，暂时拿掉 AI、Agent、自动化这些词。例如，不写“建立 AI 销售知识库”，而写“销售平均要花四十分钟，才能找到一份确认过、可以直接提供给客户的产品资料”。问题具体以后，企业才有机会继续往下判断，四十分钟究竟浪费在哪里，什么变化才算改善。
Q2. 这个问题是谁每天在经历？我们理解的是他的工作，还是管理层想象中的工作?
管理者习惯通过数字和流程管理企业，这是必要的，但数字描述的是结果，流程文件描述的是工作应该怎么发生。员工每天面对的，是工作实际上怎么发生。三个层次之间经常存在很大的距离。
例如一家企业发现客户投诉处理时间过长，从管理报表来看，问题可能被定义成客服效率不足。但如果真的坐到客服旁边看半天，会发现他接到投诉以后，要先去订单系统确认购买记录，再到另一个系统找产品信息，遇到质量问题要向业务部门确认，涉及退款则需要另外申请权限。客户等待的二十分钟里面，真正用于回答问题的时间也许只有两三分钟，其余时间都花在寻找、等待和确认。
Human-Centered Design 长期强调观察真实行为，原因就在这里。人自己描述需求时，通常会受到现有流程和既有解决方案的限制。员工说“希望系统搜索快一点”，不代表搜索就是问题；他说“希望主管更快回复”，背后可能是组织没有给予明确的判断标准和授权。访谈当然重要，但更重要的是把他说的、实际做的，以及为什么会这样做放在一起看。企业要改变一项工作，就需要先理解工作中的人究竟处在什么环境里。
Q3. 公司拥有的是一份 SOP，还是对真实工作的理解?
企业推动数字化时很容易犯一个错误，就是把现有流程当成现实，然后把系统套上去。AI 时代同样会发生，只是AI智能体的自动化能力更强，速度也更快。
正式流程通常很整齐。需求提出、主管审核、部门执行、结果确认，每一步都有明确负责人。现实工作里却存在大量没有写进流程图的动作。员工可能先在微信群里询问主管，得到口头认可以后才进系统；某份资料在系统里一直没有更新，所以销售团队各自保存最新版；制度规定两个人审核，为了避免之后承担责任，执行人员会再私下找几个相关部门确认。这些绕路有些来自坏习惯，有些却是在补偿正式系统没有解决的问题。
所以在决定自动化一条流程之前，我们更愿意先请几个实际执行的人，把最近一次工作从头到尾讲一遍。需求从哪里来，打开了什么资料，问过什么人，在哪里等过，为什么返工，哪一步必须靠经验，哪些事情制度没有规定但大家都知道要做。这样的工作地图通常没有流程图漂亮，却更接近企业真正需要改变的地方。AI 如果建立在一套没有被看清楚的旧流程上，最后很可能只是稳定、高效地复制原来的问题。
Q4. 现在看到的低效率，到底是执行太慢，还是组织让工作走得太慢?
AI 特别擅长压缩执行时间，这也是它最容易让人兴奋的地方。原来需要三个小时整理资料，现在十分钟完成；以前写一份会议纪要花费四十分钟，现在会议结束几分钟就可以生成。这类价值非常明确，也应该积极使用。
企业里的大量时间损耗却发生在另外一些地方。一份文件从提出到批准用了五天，真正有人处理它的时间可能不到一个小时，其余时间都在等待；一个项目修改六轮，问题可能出在第一轮没有确认清楚谁拥有最终决策权；员工每天重复整理相似的报告，也可能是因为不同部门各自需要一套格式，却从来没有人重新思考这几份报告是不是还有存在的必要。
这里需要区分任务效率和组织效率。AI 可以让一个节点变得非常快，但“端到端的业务结果”未必因此改变。企业评估 AI 项目时，如果只计算一个人省下多少分钟，很容易高估实际价值。更有意义的做法，是把一项工作从需求出现一直看到结果交付，找出时间究竟耗在执行、等待、寻找、确认、返工还是决策。很多时候，技术应该处理其中一部分，剩下的部分需要管理机制一起改变。
Q5. 一项工作里面，哪些属于执行，哪些其实一直依赖人的判断?
过去我们习惯用岗位来分工，市场部做市场分析，销售负责客户，客服处理问题，设计师做设计。AI 进入以后，这种分法开始显得太粗。企业需要进一步把一项工作拆开，看清楚每个动作的性质。
以市场研究为例，资料搜集、信息整理、初步归类和不同来源的比较，都可以让 AI 承担越来越多。发现某条信息值得继续追问，判断不同数据之间为什么矛盾，识别一个看似很大的趋势对这家公司是否真的有意义，这些工作仍然依赖专业经验。再往后，企业究竟要不要根据这个信号改变产品、投入预算或调整市场策略，就已经进入经营判断。
这种差异在很多专业工作中都存在。过去，因为所有步骤都由人完成，我们没有必要把它说得这么清楚。AI 迫使企业第一次认真思考，一项工作究竟靠什么创造价值。资料处理只是其中一部分，判断标准、经验、情境理解、风险取舍和责任往往藏在流程深处。机器能力越强，企业越需要知道这些人的能力应该留在哪里。我们在《AI 越能干，人的判断越值钱》中讨论的，其实就是同一个问题。
Q6. 某个环节快了以后，整个流程有没有真的变好?
企业很容易通过 AI 做出漂亮的单点案例。市场部内容生产提高五倍，销售整理客户资料的时间减少一半，客服查询产品信息从十分钟缩短到一分钟。这些成果都值得肯定，只是它们还不能直接说明企业已经获得相同比例的生产力。
工作是连续发生的。上游突然快了，下游的处理能力、审核方式和决策机制没有变化，新的瓶颈很快就会出现。营销团队一天可以生成几十个内容版本，品牌负责人依然只能逐篇审核；销售五分钟准备完报价资料，后面还是需要三个部门签字；客服瞬间得到答案，却没有处理例外情况的权限。这个时候，前面节省的时间很可能又以等待、返工或者管理负担的形式出现在后面。
所以我们越来越不建议企业只问“AI 帮这个岗位省了多少时间”，而是继续追问“从客户或业务的角度，整个结果有没有变好”。如果客户还是等五天，内部某个人从三小时缩短到三十分钟当然有价值，但它和流程缩短五天并不是一回事。AI 项目如果想从个人效率走向企业价值，就必须开始看完整的工作链。
Q7. AI 产出的东西，谁有能力判断它已经可以交付?
生成式 AI 带来一个过去不太常见的管理问题。低质量工作现在也可以拥有很高的完成度。文字很顺，结构很完整，图表像模像样，表达也足够专业，一个没有经过充分思考的结果，很容易在外观上接近一份成熟成果。
Microsoft Research 与卡内基梅隆大学针对 319 位知识工作者、936 个实际 GenAI 使用案例的研究发现，使用者对生成式 AI 的信任越高，自我报告投入的批判性思考越少；对自己完成任务能力更有信心的人，反而更倾向于检查、整合和判断 AI 提供的结果。研究同时指出，生成式 AI 并没有让批判性思考消失，人的认知工作更多地转移到了验证、整合与监督。
这和我们在实际工作中的感受非常接近。AI 可以让一个人更容易交出“看起来完成”的东西，但完成和可以交付之间仍然存在专业判断。企业如果只教员工生成，而没有同步建立验证标准，思考成本并没有减少，只是顺着流程转移给了主管、同事或者客户。
因此，未来的 AI 工作规范需要比“哪些工具可以用”更深入。什么内容必须查证，什么结论需要说明依据，哪些输出必须由专业人员复核，哪些决定可以授权系统执行，出现错误以后谁承担责任，都应该逐渐成为新的工作标准。AI 使用得越深入，这些规则越接近企业治理，而不只是培训课里的使用技巧。
Q8. 一线员工是在接受一套新工具，还是参与设计新的工作方式?
很多企业的 AI 项目仍然沿用传统 IT 系统的推进方式。管理层决定方向，采购或 IT 选择工具，供应商配置系统，接近上线的时候再安排培训，员工最后进入整个过程。这样的做法对于标准软件也许可行，人机协作却会遇到更多问题，因为 AI 改变的往往不只是操作步骤，还包括工作边界、判断方式和责任关系。
一线员工掌握着大量组织自己并没有系统记录的知识。他们知道什么客户是例外，什么情况下制度不能机械执行，哪份资料虽然写在知识库里却早已不适用，哪一个多余步骤其实是在防止前面长期存在的错误。这些知识如果在设计阶段没有进入项目，技术团队很容易做出逻辑正确、现场不好用的流程。
让员工参与，也不等于发一份问卷问“你希望 AI 帮你做什么”。更有效的参与是让他们一起拆解真实工作、指出摩擦、说明例外，并在小范围试用新的工作方式。这样做当然有助于降低抵触，更重要的是提高问题定义和方案设计的准确性。员工并不只是 AI 系统的最终使用者，他们本来就是企业工作方式的一部分。
Q9. AI 省下来的时间，公司准备把它投到哪里?
这个问题看起来简单，很多企业其实没有答案。BCG 2026 年《AI at Work》调查发现，在经常使用 AI 的一线员工中，42% 每周至少可以节省八小时，相当于一个完整工作日，但 66% 的员工没有得到清楚指引，不知道这些时间应该如何重新使用。
这组数据值得管理者仔细想一想。企业一直很擅长管理稀缺资源，预算多出来一千万，会讨论投入研发、市场还是扩张；组织增加十个编制，会决定放在哪个部门。AI 现在开始释放大量时间，但许多企业仍然把它理解成个人效率，没有把时间重新当成企业资源配置的问题。
一个销售每周多出八小时，可以继续处理更多客户，也可以把时间投入高价值客户、市场反馈和关系经营；市场人员少花时间整理资料，可以增加内容数量，也可以深入做消费者研究和策略；主管从日常汇总中释放出来的时间，可以继续塞满会议，也可以重新用于团队辅导和业务判断。不同选择最后产生的组织能力完全不同。
如果管理方式没有改变，效率提升最容易导向的结果就是更多工作。员工很快会学会一个道理，公开告诉公司自己节省了多少时间，并不一定对自己有利。这时候 AI 明明创造了隐性产能，企业却没有真正得到它。把效率红利转化成组织价值，本来就是管理者的工作。
Q10. 在项目开始以前，我们有没有说清楚，出现什么结果才值得继续投入?
AI 项目最容易量化的是采用率。开了多少账号，有多少人每周使用，生成了多少内容，做了几个 Agent，自动化多少步骤。这些数字适合说明项目有多热闹，却很难回答一个老板真正应该关心的问题，这笔投入有没有让企业变得更好。
判断标准应该回到第一问。最初的问题如果是客服等待时间过长，就看等待时间、一次解决率和客户满意度；如果销售经常找不到正确资料，就看查找时间、错误使用率以及新员工进入工作的速度；如果企业希望改善管理决策，就需要关注信息准备时间、决策周期和判断质量，而不是 AI 每周生成多少份分析报告。
最好在试点以前就把这些标准写下来。这样做还有一个好处，当项目没有达到预期时，团队可以讨论问题定义、流程设计、技术能力还是组织条件出了问题，而不会陷入“工具很好，是员工不会用”这种最方便也最没有意义的解释。
试点真正的价值，本来就不是证明 AI 有多强。市场上已经没有人需要再证明这一点。企业需要通过试点知道，这项改变值不值得进入正式流程，是否应该给予系统更多权限，人员和责任应该怎样调整，以及下一笔预算投下去以后，究竟准备得到什么。
AI 时代，我们需要重新学会看工作
这十个问题放在一起，表面上是在讨论 AI，背后处理的其实还是企业经营里非常基本的事情。理解工作中的人，弄清楚问题发生在哪里，分辨症状和原因，把复杂任务拆开，再用实际结果判断改变有没有价值。
这些也是我们一直以来做 Human-Centered Design 时一直在处理的问题。做产品开发时，消费者说想要什么只是研究的开始，企业需要进一步理解他为什么这样选择；做品牌时，客户提出的传播问题有时只是表象，往下可能是定位、产品组合或组织内部没有共识；改善销售和员工体验时，也经常会发现，所谓人的问题背后其实存在流程、激励和管理规则。
AI 进入企业以后，场景变了，底层问题没有消失。员工怎么完成工作，判断发生在哪里，哪些经验没有被记录，哪一段流程长期靠人绕过去，技术进入以后什么可以改变，什么责任仍然需要有人承担。过去没有把这些问题想清楚，企业还能依靠人的经验临时补位；当越来越多工作开始交给模型和系统，这些模糊地带会逐渐成为新的风险。
这也是为什么我们认为 Human-Centered Design 在 AI 时代反而变得更重要。技术已经越来越擅长解决一个被定义清楚的问题，企业接下来真正需要提高的，是定义问题的能力。方向需要管理层决定，因为 AI 投入牵涉经营目标、资源、风险和组织选择；工作中的真实情况又必须回到一线，因为管理会议无法完整看见每天发生的例外、绕路和隐性判断。
战略需要由上而下，洞察必须从下而上。人机协作的设计，发生在这两个方向真正碰到一起的时候。
企业下一阶段的 AI 能力，大概不会只看谁拥有更多工具。工具会越来越便宜，模型能力也会逐渐普及。更难复制的是一家公司能不能持续看清自己的工作，找到值得解决的问题，把人的经验与机器能力重新组合，并且在每一次尝试以后知道什么应该留下、什么应该调整。这才是 AI从个人工具走向企业能力、真正实现企业AI落地的过程。
关于 Human-AI 的下一步
策意象将长期应用于消费者洞察、产品与服务创新、品牌与组织议题的 Human-Centered Design 与设计思维方法，进一步延伸到 AI 时代的人机协作与工作设计。
现阶段，我们面向企业管理层开放 AI 认知与 Human-AI 体验交流，从企业经营目标与真实工作出发，协助管理团队建立对 AI 能力与边界的共同认识，辨认值得优先推进的问题，并重新审视技术进入日常工作之后，人、流程、判断与管理方式需要如何调整。
如果你的企业已经开始使用 AI，或正在思考下一阶段应该如何推进，欢迎与我们联系。
* 图片源自网络
