夜雨聆风
AI转型没效果,因为你一直在把它当软件,而不是新员工
最近，风投巨头 a16z 的三位合伙人——Martin Casado、Aaron Levie（Box 创始人兼 CEO）以及 Steven Sinofsky（前微软 Office 部门总裁）进行了一场将近一小时的圆桌聊天。
在这场信息量巨大的对话里，他们揭示了当前企业 AI 转型中最致命的认知偏差。
我们发现，其中提到的每一个核心痛点，都与目前国内大多数企业正在高调推进的 AI 转型方向背道而驰。
这种“思维模型的错位”，正在让无数企业投入巨资却只买回一堆虚无的数字。
如果你认同这三位硅谷顶尖大脑的判断，它可能会立刻改变你下周的几项重大决策；如果你不认同，我们希望这篇文章至少能让你停下来想十分钟：
“我们公司，是不是真的在做对的事？”
别再费尽心思做系统集成了，直接给AI发个邮箱和工号吧
在这场对话中，Martin Casado 抛出了一个极其反共识的底层假设。他指出，当前的 AI 模型本质上是非确定性的，它们最擅长处理的是混乱的、长尾的复杂问题。
而这两件事，恰恰是人类最典型的特征。
回看过去四十年的企业发展史，我们不难发现，企业其实花了整整四十年的时间，去打造各种规章流程、接口权限和控制机制，目的就是为了对付“混乱且不确定”的人类员工。
正因如此，Martin 提出了一个颠覆性的方案：
如果你把 AI 当作一个新员工来对待，给它一个邮箱、给它访问文档的权限、给它一个登录账号，让它直接复用所有原本为人设计的业务流程，这会比把它当作软件来集成要容易得多。
然而，今天绝大多数企业的 AI 转型项目都在走另一条极其艰难的路。通常是由 IT 部门牵头，忙着对接各种 Copilot 工具、做复杂的 API 接口集成、写繁琐的权限映射、规划庞大的数据中台，甚至构建复杂的 Agent 调度层。这套打法的底层逻辑，依然是把 AI 当作一种“新软件”塞进现有的 IT 架构里。
这条路为什么难走？Steven Sinofsky 给出了一句非常扎心的评价：
任何员工规模超过 1000 人或者成立时间超过 10 年的公司，本质上都是一堆等着被集成的杂物。AI 根本解决不了这种历史遗留的集成难题。
如果你的公司拥有 30 个不同的业务系统、5 套不同版本的 ERP、十几个零散的数据库以及几百个权限组，那么无论你购买多么强大的 Agent，它最终都会狠狠地撞在“集成墙”上。
Aaron Levie 举了一个非常生动的日常例子。当你拨打某家公司的客服电话，遇到一个跨部门问题时，人类客服会非常自然地说：“这是另一个部门的事，我帮你转接一下。”人类员工天然知道在遇到权限边界时，要把球传给合适的同事。但 Agent 不知道。它一旦撞在权限墙上，要么直接停摆，要么就会开始胡作非为。
如果我们换一个底层假设，把 AI 当作新员工，整件事的逻辑就彻底顺畅了。
新员工入职时，HR 是怎么处理的？发邮箱、配工号、跑入职培训、按岗位分配系统权限、放进对应的汇报关系里。这套机制是企业花了数十年磨合出来的，它们天生就是为了处理“非确定性、会犯错、需要边界、需要监督”的主体。而这些特征，AI Agent 全都具备。
Aaron Levie 半开玩笑半认真地表示，他非常支持让 Agent 正式入职。让它去参加新员工培训，让 CEO 亲自给它讲企业文化，甚至让每个部门给它做业务宣讲。他强调，这绝非玩笑。
一旦企业接受了这个推论，以下三个颠覆性的变化就会自然浮现：
首先，AI 转型的主战场可能不在 IT 部门，而在 HR 部门。
HR 部门是企业里唯一擅长“管理非确定性主体”的职能。招聘、培训、绩效、合规，这些机制本来就是为人设计的。如果 Agent 要被当作员工来管，那么 HR 就是最适合设计这套体系的部门。今天大部分公司的 HR 在 AI 项目中被边缘化，这恰恰是一个巨大的错误。
其次，所谓“AI Agent 的入职引导（Onboarding）”将会变成一个真实的岗位职能。
企业真的需要专人去设计每一个 Agent 的入职流程——具体配什么系统权限、阅读什么内部文档、向哪位人类主管汇报、工作出错了找谁对接、绩效如何衡量，以及违规时该怎么处理。
最后，很多今天看起来在做 AI 集成的钱，可能花错了方向。
与其把预算投在数据中台、Agent 编排平台等“AI 软件化”的路径上，不如先端正态度，把现有为人设计的流程彻底梳理一遍，确保单点登录、文档权限 and 审批流能被一个 Agent 当作“新员工”直接复用。这条路听起来没有那么性感，但它在实际业务中真的管用。
员工为了应付考核在疯狂刷Token，你却以为公司马上要腾飞了
在圆桌会议上，Aaron Levie 分享了一个让人哭笑不得却又无比真实的案例。
他最近和一家因“强制员工使用 AI”而闻名的大公司员工聊天。那位员工悄悄告诉他：
“我和我的同事，现在每天都在让 Agent 去干一些根本毫无用处的任务，目的就是为了让后台的 Token 消耗数看起来更漂亮。”
这个场景，在很多正在推行 AI 转型的国内企业里也正在上演。Copilot 的日活用户数、AI 工具的调用次数、每周 AI 辅助产出的文档量、甚至全员 AI 素养的考核分数，这些指标被认真地追踪，写进月度汇报和季度复盘的 PPT 里。
而在硬币的另一面，被考核逼入死角的员工们，正在用各种无意义的任务疯狂刷指标。Aaron 将这种现象尖锐地称为“伪生产力（Fake Productive）”。
这种现象的可怕之处，根本不在于浪费了那点便宜的 Token 费用。
最可怕的是，它让公司高层产生了“AI 转型正在高歌猛进”的幻觉。
看着仪表盘上持续飙升的使用率和交互次数，CEO 在董事会上信心满满地汇报转型成果，董事会也十分满意。然而，底层的真实业务指标却没有任何实质性的提升。
更糟糕的是，这种考核机制正在训练员工形成一种新的应付能力。他们学会了如何“利用 AI 让自己看起来很努力”。这种形式主义一旦养成，其逆转成本极高，就像当年被逼着写流水账日报的那批员工一样，最终留下的只有精致的文字游戏。
那么，企业到底应该衡量什么？三位合伙人给出了一个极其简单的标准：衡量最终的业务结果，而不是员工的动作。
如果 AI 的引入让你的销售团队每月成交额实际增长了15%，那么不管他们平时用不用 AI、用了几次、用得熟不熟练，这都是一次成功的转型。
如果 AI 辅助让客服团队的平均响应时间从3 小时断崖式降到了20 分钟，你根本不需要去过问他们每天点击了多少次 AI 助手。
如果 AI 自动报表生成让财务部门的月结时间从7 天缩短到了2 天，具体是谁在用、怎么用，其实并不重要。
这些实打实的业务结果是极难被刷出来的。当这些指标增长时，说明 AI 正在真正创造商业价值；而当这些指标毫无动静时，哪怕你的 Token 消耗量突破天际，也必须立刻警惕转型方向是不是已经跑偏。
以为用AI就能少招人，结果发现要处理的烂摊子反而变多了
很多老板在思考 AI 转型时，内心最真实的算盘往往是：“我是不是可以借此少招点人，甚至裁掉一部分员工？”
然而，Martin Casado 站在投资人的视角，提出了一个非常反直觉的行业观察：
当你开始频繁用 AI 写代码时，你会发现你的代码库随着时间推移正在明显变烂。AI 在帮你快速解决旧问题的同时，几乎在以同样的速度引入全新的问题。
表面上看，AI 确实让一个工程师能够干完过去三个人的活。但与此同时，代码总量呈爆炸式增长，系统复杂度开始指数级上升，出 Bug 的概率大幅增加，安全漏洞的暴露面被成倍放大，系统升级时的兼容问题变得更加棘手，出现故障时的排查路径也变得极其漫长。
Aaron Levie 顺着这个逻辑，将这一现象推演到了更广泛的商业领域。他指出，“写代码的人变多，就意味着不需要工程师”是这个时代最荒谬的误区。
恰恰相反，正因为系统变得比以前更加臃肿和复杂，这意味着当企业需要进行系统升级、面临停机风险或遭遇安全事件时，反而需要更多真正懂行、有深度专业能力的工程师去解决那些更难、更棘手的问题。
这种逻辑不仅存在于软件开发领域，它正在无差别地发生在每一个被 AI 放大产出的岗位上：
在法务领域，AI 确实能在一秒内起草一份合规合同，但这直接导致了企业需要处理的合同数量呈爆炸式上升。
每一份由 AI 生成的合同，后续都需要专业律师进行人工审核、长期维护，并在法规变化时进行条款更新。律师们只会比以前更忙，而不是更闲。
在市场营销领域，AI 可以在短时间内生成成千上万张海报和文案，但这些素材的质量参差不齐。
市场团队的工作量并没有减少，他们的核心工作只是从“痛苦地原创”变成了“在海量素材中进行筛选、组合与迭代”。
在人力资源领域，AI 能够快速撰写 JD、筛选简历并起草绩效评估初稿，但每一份 AI 产出的文件，都需要 HR 结合企业真实的文化和意图进行主观判断。
HRBP 的岗位不会消失，他们的工作重心正在从繁琐的“执行”快速转向高难度的“判断”。
在财务管理中，AI 可以利用强大的算力跑出无穷无尽的数据异常检测，但每一个被标记的异常，都需要经验丰富的财务人员去核实这到底是真实的财务漏洞，还是系统误报的假阳性。
这背后的底层逻辑是完全一致的：AI 并没有减少整体的工作量，它只是把工作的位置往上推了一层。它将原来低价值的“执行、生产、整理”工作彻底自动化了，却让原本高价值的“判断、审核、决策”工作变得更加密集和关键。
这对于一家企业的人才结构调整，释放出了极其明确的信号。
如果你的公司目前依然是传统的金字塔型结构——底层是大量的执行者，中层是管理人员，顶端是决策者——那么 AI 转型带给你的最大冲击，就是底层的快速萎缩。
但这绝不意味着公司可以盲目缩小规模。这意味着企业必须进行结构变形。
当底层萎缩后，企业需要更多能够做出精准判断、敢于承担决策责任的“中上层专家”。他们不是传统意义上只负责传话的中层管理者，而是能够与 AI 高效协作、具备深厚业务洞察的中坚力量。
今天，国内大部分企业的人才结构与这种转型需求是严重错位的。
HR 部门真正该做的，绝不是搞全员普及性的“AI 基础素养培训”，而是要着手重画企业的人才金字塔。
你需要明确：哪些岗位正在被快速压缩？被压缩岗位的员工该往哪里分流？哪些高阶岗位正在被无限放大？这些放大后的岗位需要去哪里招聘？现有的员工中，有哪些人具备顺着这个趋势往上走、转型为“判断者”的潜能？而又有哪些人，需要被坦诚地告知“你的岗位即将不复存在”？
这些问题处理起来并不轻松，甚至让人感到不适，但它们才是企业转型中避无可避的真问题。绕开这些深水区去盲目追求所谓的“AI 工具覆盖率”，三年后回头看，你会发现所有的转型动作可能都在做无用功。
别在起飞前就急着预测终点，先换掉你脑子里那个过时的旧模型
在圆桌会议的尾声，Steven Sinofsky 分享了一个耐人寻味的底层历史细节。
在 1980 年代末，有一本畅销书名叫《工作的终结》（The End of Work）。具有讽刺意味的是，这本书恰好出版于互联网技术迎来大爆发的前几个月。整本书的核心论点极其悲观，认为技术革命已经失败了，它没有带来任何实质性的生产力增长，未来人类社会也不会再有更多的工作岗位。
今天，已经没有任何人记得这本书了。
这倒不是因为书中的某些具体数据算错了，而是因为作者用一种完全静态的孤立视角，去审视一个正在发生剧烈变化的动态系统。
他错误地假设全社会的工作总量是恒定不变的，因此技术替代了人，工作岗位就必然会变少。
他没有看到的是，当生产力被成百上千倍地放大后，全新的商业需求会被疯狂地创造出来，而大量全新的工作岗位，也会从人们过去根本无法想象的地方蓬勃生长出来。
令人遗憾的是，这个历史性的错误在今天依然被反复犯下。每当有舆论宣称“AI 将会导致某某岗位彻底消失”时，你其实都可以多问一句：“然后呢？”
“然后”发生的事情，往往才是真正决定企业生死的关键。
然后会有什么样的新岗位长出来？新岗位需要员工具备什么样的核心能力？为了应对这种变化，我们今天应该开始做哪些准备？
这场来自硅谷前沿的对话，给所有企业管理者最核心的启发在于：
在 AI 转型中，最危险的姿势从来不是“动得慢”，而是“抱着错误的思维模型，在错误的道路上狂奔”。
把 AI 当作软件而不是新员工，是用错了思维模型。
用后台 Token 消耗数和日活来衡量转型成果，是用错了思维模型。
一厢情愿地认为 AI 只是为了削减员工人数，同样是用错了思维模型。
每一个底层思维模型的偏差，都会像蝴蝶效应一样，让你们公司未来两年的资金预算、管理精力以及关键人才决策彻底跑偏。而这种跑偏一旦在企业内部形成惯性，其纠错和重来的成本，将远远高于你现在立刻停下来，把这些底层逻辑彻底想清楚。
不妨在周一早会的开始，向你的管理团队抛出这个问题：
“我们公司当前推进 AI 转型的那个底层思维模型，到底属于哪一种？”
喜欢本文，别忘了点击
文末右下角“推荐”
并转发给更多人看哦~
— END —
