AI 藤壶:公司的每个环节长满了 AI工具,公司为什么还是快不起来?

AI 把方案写完以后，事情往往还要等那个有权拍板的人。

文件已经上传，系统里显示："已提交，待审批。"

这段等待，很少出现在供应商的工具演示里。演示通常在文字生成、图片出现、代码跑通的那一刻结束。接下来谁核对资料，意见不一致时听谁的，哪些事情可以直接执行，哪些必须再报一次，都留给企业自己处理。

于是，公司里出现了一种反差。

运营写方案更快了，设计出图更快了，客服回复更快了。各部门都能拿出一份"效率提升"的报告，客户等到结果的时间却未必明显缩短。一项新业务从提出到试验，仍然要经过那些部门，参加那些会议，等待那些批准。

工具换了一轮，工作的走法没有变。

想象一艘大船，甲板上写着"全面 AI 化"，船身上却刻着：同样的组织，同样的流程，同样的 KPI。

要看清 AI 为什么没能改变这艘船，得先认识附着在船上的东西。

藤壶是一类海洋甲壳动物，能够牢牢附着在船体等硬物表面。数量多了，船的航行阻力就会增加，维持同样的航速需要消耗更多燃料。船依然能开，却越来越费力。^[1]

大公司里，也可以用这个比喻来辨认一种组织现象。

公司进入相对稳定的阶段，如果没有人定期检查哪些工作还有必要，就会慢慢长出一批只占资源不出活的东西。它们未必无事可做，甚至可能十分忙碌，但这些忙碌与客户需要的结果、公司真正的目标，已经渐渐脱节。

德鲁克曾经描述过这种现象，非常直接和清晰：

一艘在海上航行了很长一段时间的轮船，需要清除附着在船底的藤壶，否则这些贝壳动物的拖累就会影响船的速度和灵活性。一家在平静的商海中航行了很长一段时间的企业，同样也需要清除只耗资源不出成果的、已经变成了"昨天"的产品、服务和创业。

——德鲁克《动荡时代的管理》（机械工业出版社，2018年），第2章"面向明天的管理"

德鲁克说的是产品和业务。在企业内部，同样的积累也发生在岗位、流程和部门上。企业里的藤壶不像船底的藤壶那样容易看见。它们可能藏在岗位职责里，写在流程规定里，也可能受到部门考核和人情关系的保护。具体来看，可以从四种形态来辨认。

岗位藤壶：工作越来越服务于自己的位置。

有些岗位占据着重要的信息和决策节点，却很少提供与之相称的专业判断。维持其存在感的，逐渐变成了汇报包装、向上管理和信息过滤。

一份信息本来可以直接送到需要它的人手里，却必须经过某个岗位转发。转发没有增加核查，也没有解决分歧，只是让所有人都必须经过他。

看上去，他每天都在协调，每件事也都离不开他。但大家离不开的，究竟是他的专业能力，还是他所占据的那道关口？

岗位藤壶的问题，不在于这个人"不干活"，而在于他的工作维持了自己的不可绕过，却没有让事情更好地完成。

流程藤壶：原本为了解决问题，后来变成了必须完成的手续。

审批、汇报、对齐和评审，最初可能都有正当理由。一次事故促成一道检查，一次遗漏增加一份报表，一次协作失误带来一场例会。

后来，业务条件变了，原来的风险已有其他办法控制，这些动作却仍然完整保留。

同一份资料已经核实，换一个部门又要重新提交；同一个问题已经形成结论，换一场会议还要从头讨论。

每个环节都能证明自己按规定办事，却没有人追问：顾客为什么还没有拿到结果？

流程从帮助事情完成，变成了事情完成之前必须额外支付的成本。

部门藤壶：越来越忙于证明自己必须存在。

有些部门的实际考核，逐渐从"帮助公司解决了什么问题"，变成了"承担了多少项目、组织了多少会议、管理了多少人员"。

为了维持预算、编制和影响力，它们可能不断增加材料要求、扩大管理范围，把更多事项纳入自己的审核。业务部门越忙于配合，它们看起来越不可或缺。

用吴伯凡在《伯凡·日知录》里讲到的"索取者与给予者"来对照，就能看出差别：一个部门是在帮助其他人更好地创造价值，还是主要要求其他人投入时间和资源，来维持本部门的运转与地位？

最值得警惕的情况是，一个部门不仅没有减少公司的麻烦，还在不断制造需要由自己出面解决的麻烦。

关系藤壶：贡献可以被质疑，位置却很难被调整。

有些人依靠亲属关系、裙带关系、老资历或特定的人情网络，占据着与实际贡献不相称的位置。

这类藤壶难以处理，因为调整一个岗位，可能同时牵动背后的人情、利益和权力关系。讨论原本是"这个岗位还需要承担什么价值"，最后却变成了"这样调整会得罪谁"。

关系和资历本身不是问题。问题在于，它们是否成了免于评价、免于调整的保护层，让实际贡献不再决定资源如何分配。

这四类藤壶并不互斥。岗位依靠流程证明必要，部门依靠岗位扩大影响，关系又让这些安排难以改变。

当然，不直接产生收入，不等于没有价值。提供专业支持、控制风险、维护长期能力，都是组织需要的工作。判断一个单元是不是藤壶，要看它究竟解决了什么问题、承担了什么必要责任，以及这些价值是否与它消耗的资源相称。

我们要审视的，是那些已经偏离原来目的，却仍然要求整个组织为其持续付费的安排。

理解了这一层，再看 AI 进入企业后发生的事，就清楚多了。

原本有许多重复汇报，现在用 AI 更快地写汇报；原本有层层评审，现在用 AI 为每一层准备不同版本的材料；原本依靠项目数量证明存在的部门，现在又多了几十个 AI 场景可以申报。

AI 提高了完成某项工作的速度，公司却还没有回答：这项工作本身，是否仍然值得做？

如果新工具又带来了维护、复核和协调的负担，却拿不出足够的改善，它本身也可能成为新一层藤壶。

Aden Mann 在 2025 年的《AI Barnacles》中，用这个词形容那些附加到流程上，却缺少明确、可衡量用途的 AI 工具。他所批评的，是从"我们应该用 AI"出发寻找应用，却说不清它究竟改善了哪个业务结果。^[2]

这样看，企业面对的是两层负担：原来的组织藤壶，让多余工作难以退出；新添的 AI 藤壶，又可能让这些工作更容易被维持，同时增加一套需要照顾的新系统。

会议没有减少，纪要更完整了。交接没有减少，材料更漂亮了。船身上挂满了 AI，船的走法却没有改变。

公司为什么会不断批准新工具，却很难停掉一项已经多余的旧工作？

先算一笔简单的账。

假设一项任务从提出到交付，需要 100 小时。其中，实际制作占 10 小时，信息确认、排队和审批占 90 小时。各阶段依次进行，其他条件保持不变。

AI 把制作时间从 10 小时压到 2 小时。

制作环节的用时减少了 80%，完整交付时间却只是从 100 小时降到 92 小时，缩短了 8%。

制作部门说效率大幅提升，没有说谎。客户说还是等了很久，也没有说错。

部门量的是"我用了多久"，客户经历的是"这件事什么时候办成"。员工完成自己的任务以后，工作还可能在几个部门之间转一圈。每次转交，都要重新解释背景、检查资料，或者等某个人有空。

局部提效当然值得做。2025 年发表于《经济学季刊》的一项研究，分析了 5,172 名客服人员的数据：AI 在对话中提供回复建议，客服可以修改或忽略建议，每小时解决问题的数量平均提高了 15%。这是实际解决问题的效率改善，不只是文字生成得更快。^[3]

所以，不能因为一个助手没有重构整个组织，就把它叫作藤壶。只要它带来的收益足以覆盖新增负担，就有保留的理由。

需要警惕的是，公司把局部省下的时间，当成了整条业务已经改善的证据，没有继续往后看。

一张促销海报生成以后，还有多少工作？

型号是否正确，优惠是否过期，价格适不适用于这家门店，都需要确认。制作人员拿到的可能是上一版活动资料，门店手里的价格却已经调整。

AI 能很快改字，却得先有人说清楚该改成什么。

买工具时没有安排好的工作，上线以后总得有人补上。总部统计的是制作省下的时间，一线可能正在为核查和返工加班。有的员工为了满足"用了 AI"的要求，先在新系统里做一遍，再按老办法核对一遍，才敢把结果交出去。

假如公司还把省下的时间全部用来增加产量，新的拥堵就出现了。

过去送审一版，现在送审十版。负责核对和批准的人没有变，大家却希望他看得更多、选得更准、批得更快。

前面的材料产出快了，后面的处理能力没有跟上。瓶颈只是往后挪了一步，而那一步恰好不在项目的验收范围里。

买一套工具，通常可以沿着现有的组织安排推进。

业务部门提出需求，技术部门组织开发，采购完成流程，供应商按期交付。项目上线后，每个参与方都能写出自己的成绩。

大家原来的职责没有变，原来的考核也能继续使用。公司只需要在已有工作上，再加一个项目。

但是如果你换一种提议，讨论就立即会变得困难。

产品资料已经能够直接取得，还需要专人转发吗？符合规则的常规报价，还需要经理逐笔签字吗？业务记录已经能生成报表，还需要员工再填一份吗？

这些问题表面上在讨论流程，实际上已经碰到了人的位置，人的利益。

过去负责转交信息的人，以后负责什么？经理不再逐笔签字，怎样体现自己的管理贡献？资料维护增加了工作，收益却出现在销售部门，谁来承担这笔投入？出了错误，责任按旧办法追究，还是按照新的分工认定？

而且，一道签字并不只是一个按钮。

它可能同时承担核查事实、确认权限和落实责任的作用。取消签字以后，这几件事必须重新安排好。该由谁核实，哪些条件由系统检查，什么情况必须交给人决定，都不能空着。接不住这些职责，贸然删掉手续，只会把等待变成风险。

但另一种情况同样需要面对：必要条件已经具备，原来的手续却依然不能动。

常规事项符合事先批准的规则，信息也已核对，没有新的例外需要判断，业务仍然要停下来，等同一个人再看一遍。

公司允许 AI 更快地准备材料，却没有允许事情少绕一道弯。员工可以更快提交，不能少一次提交；可以做出更充分的分析，却不能改变谁有权采纳分析。

我们有时对 AI 有一种期待，仿佛能力足够强，旧流程自然就会被绕过去。

可模型变强，不会让公司的授权随之改变。AI 可以让某些核查更便宜，让信息更完整，却不能自行决定谁承担责任、谁获得收益、哪些旧工作从此停止。

有些项目确实卡在模型能力、资料质量和系统集成上。这些技术问题需要解决。但当技术已经能够支撑一项改进，公司仍然要求一切照旧，再换一个模型，也解决不了同一个问题。甚至，技术能力越强，流程里的瓶颈暴露得越明显。

甚至，AI 还可能延长旧流程的寿命。

过去写汇报很费时间，公司多少要顾及员工负担。现在 AI 能写，汇报可以更频繁，版本可以更多，要求也可以更细。员工省下来的时间，又被新增的材料要求用掉了。

在这样的安排下，AI 没有拆掉旧流程，倒是让维持旧流程变得更容易。

我在此前的原生 AI 方法论一文里，一直用一个问题作为起点：

沿着旧岗位加工具，会得到一张熟悉的清单：运营助手、设计助手、客服助手、报表助手。每个岗位更快地完成自己那一段，再把结果交给下一位同事。

从业务结果出发，首先要弄清楚的则是：客户最终应该得到什么，怎样才算交付成功，为了得到这个结果，究竟需要哪些信息、判断和动作。

岗位是实现结果的一种安排。不能因为岗位已经存在，就认定所有工作还必须沿着原来的边界展开。

想清楚这件事，需要把业务要交付什么、经过哪些步骤、谁负责什么，写清楚让所有人能核对。这不是再添一份汇报材料，而是让参与同一件事的人有一个共同的理解。

重构工作的思想，并不只是在 AI 时代才出现。

1990 年，迈克尔·哈默介绍过福特的应付账款改造。过去，财务需要核对采购单、收货记录和供应商结算发票，大量时间花在追查三者不一致的地方。改造后，采购订单进入共享数据库，收货人员依照订单核验并登记，系统据此匹配和准备付款，原来的结算发票核对环节被取消。哈默报告，在实施新流程的地方，所需人员减少了 75%。^[4]

这个历史比例不能搬来作为今天的 AI 项目目标，但其中的区别很清楚。

给核对人员更好的工具，是让他们更快处理差异。重新安排采购、收货和付款，则是在减少差异产生和反复传递的机会。

今天，AI 又扩大了可以重新安排的任务范围。

顾客含混的描述、格式杂乱的资料、需要比较和解释的方案，过去往往必须先由人处理，才能进入软件流程。模型现在能够承担其中一部分理解、整理和生成工作；配合工具，还可以查询信息、发起操作，再根据返回结果继续处理。具体到业务环节中，是采用固定工作流还是更自主的智能体，要依据任务来选，并不是越复杂越好。^[5]

所以，原生 AI 并不是大家读到的很多科技文章所说的那样，把旧部门照搬成一群智能体，让它们互相发消息，工作就可以自动运行。

原来有十次不必要的交接，现在让十个 Agent 更快地交接，旧问题仍然在那里。应该重新检查的是：哪些任务可以合并，哪些信息不必搬运，哪些判断可以提前完成，以及人的专业经验应该用在哪里。

用一笔具体的生意来对照，会更容易看清。下面只是一个流程设计示例，不是某家企业已经实现的经营结果。

一位顾客想买冰箱。他需要知道，家里的橱柜能否放下，这家门店现在卖多少钱，什么时候能够送到。

按信息分散的老办法，导购需要跑几个地方。

找产品人员确认尺寸和安装要求，找渠道人员确认本店活动，再查库存和配送安排。不同来源的说法有冲突，还得回头核对。最后，由导购把这些信息拼成一个答案。

给导购加一个 AI 助手，产品介绍可以写得更顺，推荐理由可以更完整。

但如果型号参数仍然要找人问，价格仍然要在群里确认，库存仍然要等别人截图，导购就没有摆脱这些等待。他只是更快地整理了取回来的信息。

按原生 AI 的思路，首先应该明确顾客需要的结果：一份条件清楚、价格有效，可以据此作出购买决定，并落实后续配送的方案。

围绕这份方案，人、AI 和业务系统需要重新分工。

AI 先理解顾客的需求，补问影响推荐的缺失条件，比如橱柜尺寸、开门空间，以及是否存在特殊安装要求。没有确认的信息，明确列为待核实事项，不能为了给出完整答案自行补齐。

产品参数、门店政策、库存和可预约时段，由对应的业务系统提供。能够并行取得的信息，不再要求导购逐个找人询问。资料要对应到具体型号、门店和有效时间，不能拿一份总部政策默认适用于所有门店。

优惠是否过期、折扣是否超出授权，由系统按明确条件检查。AI 可以提出推荐，不能凭语言推测"这个价格应该还可以"。

导购拿到方案后，继续负责理解顾客的偏好、解释不同选择的取舍。特殊安装条件交给专业人员，超出权限的要求交给有权决定的人。

顾客确认以后，系统再次核对库存和可约时段，在授权范围内提交预约。只有查到有效的预约编号和状态，才能向顾客确认办理成功。操作失败，就把原因和待处理事项交出来，不能用一句"已经为您安排"掩盖没有完成的动作。

这样重做以后，一些原来靠人搬运的信息，可以直接进入下一步；一些原来每次都要询问的规则，可以预先落实；已经确认的需求，不必在交接时从头解释。

AI 承担理解与生成，业务系统处理查询、计算和规则检查，人处理专业判断、价值取舍与必要确认。三者共同完成这笔咨询。

查库存、算价格，本来就适合交给业务系统。为了提高"AI 含量"，把这些工作也交给模型自由判断，只会增加不必要的不确定性。

流程的终点也要选对。

建立有效预约，可以是试点的一项交付目标，但不等于整笔生意已经成功。之后有没有取消，冰箱能否按承诺送到，额外折扣有没有侵蚀毛利，都要继续追踪。

否则，公司只是把麻烦从售前推到了履约，把表面上的成交增长换成了后面的投诉。

新流程一样会遇到瓶颈。

前面的工作变快以后，后面可能变成新的约束。区别在于，团队有没有继续沿着完整交付往下继续改进。

Anthropic 的内部实践提供了一个观察角度。

2025 年，公司介绍，产品设计团队会把设计文件交给 Claude Code，让它编写代码、运行测试并持续修改，然后由人审阅和作最后调整。编写、测试和修正之间原来需要人工一步步接力，现在一部分可以连续进行，不再每一步都停下来等待。^[6]

但代码产出增加以后，审查跟不上，就成了新的瓶颈。

其 Code Review 会在代码合并申请提交后，启动多个智能体并行检查问题、复核疑似错误，再把结果写回同一项申请。最终是否批准，仍由人决定。公司也说明，这种深度检查需要额外时间和费用。^[7]

这些披露不能证明整家公司已经消除了低效，但可以看到，团队没有把工作停在"代码写得更快"上，而是接着调整了后面的检查环节。

检查怎样启动，发现的问题交到哪里，由谁决定下一步，都属于同一项工作必须安排好的环节。

公司还披露过一个细节：一次看起来很普通、只改动一行代码的提交，实际上会破坏服务的身份验证。问题在合并前被发现并修正，当事工程师后来表示，自己原本不会注意到这个错误。^[7]

把它放回普通企业，就可以问得很具体。

员工用 AI 多生成了十份方案，后面的审核人员是否还要逐份从头看？已经识别出来的风险，是停在另一个聊天窗口里，还是直接进入正在审阅的方案？

再加一个审核助手，不一定解决问题。审核助手生成的意见，也可能变成新的待办，继续等待别人复制、转发和处理。

工具之间接通了，不代表事情已经接上。需要安排的是，上一段工作完成后，下一段凭什么开始，缺什么信息，由谁补齐。

治理也应该进入这些具体动作里。价格有误，就在报价前拦住；权限不足，就在执行前停下；需要专业判断，就把资料交给相应的人。检查是否有价值，要看它控制了什么风险，而不是看它让多少人签过字。

工作不再按照原来的部门顺序流转，人的职责就不能原封不动。

专业分工仍然重要，但需要重新区分：哪些工作必须由这个专业的人承担，哪些只是过去缺少其他办法，所以一直由他来做。

宝洁的一项现场实验涉及 791 名专业人员，任务是真实的产品创新。在方案质量评价中，使用 AI 的个人达到了无 AI 双人团队相近的水平；使用 AI 的专业人员提出的方案，也更能兼顾技术和商业考虑。^[8]

这不是"一个人能替代任意两个人"的证明。它提出了一个更具体的问题：过去必须等另一位同事才能补充的一部分知识，现在能否更早进入工作？

如果能够，原来那些为传递知识而形成的任务边界，就值得重新设计。

回到门店的场景。

产品专家不必反复回答相同的参数问题，可以把更多精力用于维护可靠资料、明确安装条件、处理复杂情况。

经理不必对每一笔符合规则的报价重复签字，可以把精力转向制定授权范围、处理异常和检查规则是否有效。

导购少花时间找截图、问政策以后，可以把更多精力用于理解顾客、解释取舍、建立信任。

人的工作没有凭空消失，只是需要在新的分工里重新说明贡献。

回到前面那个冰箱咨询场景。门店经理说清楚要交付什么、哪些权限不能突破——这是意图。技术团队把目标变成可执行的步骤，安排资料、工具和前后衔接——这是执行。导购和顾客确认方案是否可用、能不能进入真实业务——这是验收。小团队可以由同一个人在不同阶段承担这些职责，但不能缺位。否则就会出现一种常见局面：目标有人提，工具有人做，到了方案是不是可用，却谁也说不清该由谁负责。

完整流程还需要一个能够持续推动改进的负责人。

报价已经生成，却无法预约，他要组织相关人员查清原因；某类资料反复冲突，他要推动来源和规则的修正。公司不能只给他一个"对结果负责"的要求，却不给他调度资源、调整流程和解决争议的权力。

否则，所谓负责人，只是多了一个需要到处求人、最后承担责任的人。

很多公司的 AI 能力中心建设也容易遇到同样的问题。

如果主要按上线数量考核，它最容易交出的成绩就是更多工具。业务部门负责使用，其他部门提供数据，出了问题再临时协调。能力中心很忙，企业可以展示的 AI 越来越多，一线需要补救的事情却未必真正减少。

让 AI 能力中心与业务共同约定交付结果，工作的重心才会改变。维护资料、落实权限、修复反复出现的错误，都会成为必须完成的工作，而不再只是项目上线后的"配合事项"。

员工的回报也必须跟着变。

一位资深导购花了很多时间讲清楚自己怎样判断安装条件，帮助许多门店减少错误，如果他的销售任务一项没减，新增的贡献也没有地方记录和认可，分享经验就是挤占自己业绩的额外劳动。

如果公司吸收经验以后，最先讨论的又总是可以少配多少人，喊出所谓蒸馏员工的口号，员工就有理由只教到刚好完成眼前任务的程度，AI就无法获得持续的进度和迭代。

想让经验进入系统，就要为这项工作安排时间、职责和回报。否则，系统最需要的那些判断，恰好会留在最忙、最有经验的人脑子里，这些知识无法进入到系统，公司就会一直觉得这个AI工具差点意思，最终还是回到我们的老习惯和老传统。

假设门店试运行时，AI 引用了一份过期活动资料，给出了错误报价。

导购在交给顾客以前发现，把价格改对了。

这笔生意可以继续。但公司的能力有没有提高，要看后面发生了什么。

一种处理方式是，感谢导购足够细心，再提醒大家"以后多检查"。

资料仍然留在原来的地方，过期政策仍然可能被调用。下一家门店遇到同样的咨询，还要指望另一个人及时发现。

另一种处理方式是，查清旧资料为什么仍在被使用，撤下过期政策，把有效期和适用门店的检查接入报价环节，再用那笔出错的咨询重新测试。同时确认，正常报价没有被新规则误伤。

第一种做法完成了这一次补救。第二种做法，则让其他门店以后不必完全依赖个人细心，来防住同一种错误。

这里没有"用得越多，系统就自动越聪明"的保证。资料需要维护，规则需要修改，修改是否有效还得验证。

Anthropic 关于智能体评测的实践区分了两类问题：系统现在能做好什么，以及它是否仍然能做好过去已经做对的事情。后一类检查，是为了发现更新以后出现的退步。^[9]

放到门店业务里，那笔报错价格的咨询，就可以成为以后检查新版本的一道题。

换模型、改提示词、更新资料之后，再跑一遍。回答更流畅，不代表原来做对的工作仍然可靠。

这也是组织记忆与文件堆积的区别。

存下一份聊天记录，只是留下线索。保存一份复盘，也不代表下一次工作会使用它。经过确认的业务知识、任务规格、执行流程和决策依据，要能进入后续任务，经验才开始被更多人用上。

两家使用同款模型的企业，因此可能逐渐形成不同的能力。

一家知道常见错误在哪里，知道更新后该检查什么，也知道哪些任务可以在明确条件下放行。另一家每换一次工具，都要重新依靠几位老员工试用、核对和救火。

这些差别会出现在下一笔报价和下一家门店里：报价是否可信，错误是否重复，新门店开始使用时需要多少人陪着解释。

是否因此能用同样的人手服务更多顾客，还要在经营中验证。但至少，前一家已经在减少对偶然提醒和临时补救的依赖，而不是每次从头再来。

工作方式改变以后，验收的方式也要跟着变。

不能只量 AI 生成了多少内容，还要看合格结果交付了多少；不能只看制作内容省下了多少时间，还要把复核、返工、维护和错误处理都统计进去。

Klarna 在 2024 年披露，图片开发周期从六周缩短到七天，这七天包含品牌一致性、画质和合规检查；当年第一季度，图片制作节省了 150 万美元。数据来自公司自述，范围限于其披露的营销制作效果。^[10]

对其他企业而言，值得借鉴的不只是"七天"这个数字。它的计时没有停在图片生成的那一刻，也追踪了制作费用。

门店同样不能只计算 AI 回答了多少次问题，还要继续看有效预约、成交、取消和履约。

更快给出方案，有没有增加误导？更多订单，是服务改善带来的，还是额外折扣换来的？调用和维护系统的成本，加上人工复核以后，是否仍然值得？

省下工时，也不等于工资支出已经下降。它可能表现为少加班、少外包，或者同样的人手接待更多顾客。究竟发生了哪一种变化，需要分开说明。

还有一种成绩，更容易被忽略：有些事情终于不必做了。

经理原来每周开三次协调会，现在一次就能解决问题。员工原来要手工整理报表，现在从业务记录直接生成。产品专家原来每天在群里回答相同问题，现在大家可以直接查到有效资料。

假如客户拿到的结果相同或更好，这些减少，本应是改造的收益。

但在旧考核里，会议少，可能显得管理不够积极；材料少，可能显得工作不够饱满；团队人数不再增长，可能被理解为部门不够重要。

公司怎样评价这些变化，会影响其他人愿不愿意继续改变和跟进。

如果可见的忙碌仍然最容易获得认可，员工就会补回那些动作：多一张使用记录，多一次进度汇报，再开一场 AI 应用分享会。

每一步都有理由，省下来的时间又被填满了。

传统企业不必先推倒整家公司，才能开始改变。

可以从一项边界明确的业务出发：一组经营方式和权限相近的门店，一类反复出现的客户需求，一段长期依赖人工补救的流程。选一个具体的瓶颈，说明准备改变哪个结果，再用有限范围的实践验证。切口虽小，但目标、人机边界和可复制的流程，都需要在真实工作中检验。

对于会影响真实客户的流程，可以先用过去的业务记录检查，再让新流程在不执行关键动作的情况下与人工并行，最后进入有限的真实业务。能否扩大自主处理范围，要看错误、成本和交付结果，不能只看演示时是否流畅。

比较也要公平。门店客流、商品价格和活动力度不同，不能把所有成交变化都归给 AI。需要尽量在可比条件下，判断新做法究竟改变了什么。

试验期间保留旧办法，有助于接管和比较。但新流程通过验证以后，哪些重复工作可以停止，也应该明确下来。

否则，公司最终留下的是两套工作。

新系统里做一遍，旧表格里再填一遍；AI 给出建议，员工按老办法从头再查一遍；新流程已经完成，管理者还要原样再批一遍。新旧要求长期并存，改造收益就会被一点点抵消。

这并不是说，大企业天然缺少原生 AI 的条件。

产品经验、客户关系、渠道网络和履约能力，都是有分量的积累。难点在于，这些能力能不能被新流程可靠地使用，而不只是留在文件夹、部门边界和少数人的记忆里。

新成立的 AI 公司也不天然轻盈。它们同样需要维护系统、处理错误、训练员工，也可能不断增加无效工具。成立时间和团队规模，不能替任何一家公司回答业务究竟做得怎样。

两艘船，代表的是两种工作方式，不是两类企业不可改变的命运。

原生 AI 也不该只停留在节省成本上。当一个团队能够更连续地完成调研、验证、原型、运营和复盘，公司才有可能用更低的试错成本探索新业务。

但原型做出来了，不代表需求成立；方案写好了，也不代表客户愿意付钱。更快的生产能力，需要真实反馈来检验，不能让"完成了"代替"做对了"。

还是回到开头那艘船。

给旧工作配上更快的工具，只完成了改造的一部分。企业还要决定哪些工作有必要保留，哪些职责应该调整，哪些判断可以提前写成规则，哪些经验必须进入下一次工作。

这些决定，迟早会落到一笔具体业务上。

新流程已经按约定完成验证。资料核对过了，必要检查通过了，操作也在事先授权的范围内。没有新的风险，也没有需要升级处理的例外。

照约定，事情可以继续往下走。

如果这时，你又说：

"先放着，等我看一下。"

团队会记住这句话。

下一次，即使所有条件都已满足，他们还是会停下来等你。