ARTICLE · 1102290
国庆放假,AI替你上班?有人1顶2.3人,Meta却翻车了
今年国庆前，两件事放在一起看，很有意思。
一边，国家管网集团西气东输公司的001号数智员工“灵犀·小智”已经正式上岗。过去白班3名调度员要同时监视120个站场，现在这个AI数智员工可以7×24小时值守，操作5大业务系统、调用13项专属技能，处理9类核心岗位任务。
另一边，Meta今年一度推进一项代号Project OT的内部组织转型计划。最激进的情景里，一些团队规模可能缩减最高60%，大量日常工作交给AI Agent。但几个月后，Meta取消了原计划中的第二轮公司级裁员。内部数据显示：代码变更量同比增加220%，真正形成面向用户的新功能或升级却只增加36%；重大技术和安全事故同比增加40%，员工处理这些问题的时间最高增加70%。
一个AI开始7×24小时上岗，一个全球最激进的AI公司却踩了刹车。
这两个案例放在一起，比单独讨论“AI会不会取代人”更有价值。
因为企业真正需要搞清楚的，是两件更具体的事：什么活已经可以放心交给AI？AI接过去以后，公司要怎么管？
过去一年，我们给企业做AI落地时，看到两种很典型的反应。有的老板看到“AI员工上岗”，马上想到减人；有的看到Agent出事故，又觉得还是等等。
这两种判断都太快了。
AI进公司，第一步不是决定“替多少人”，而是先找到一块能稳定运行的AI产能，再把它的账算清楚。
01
AI真能独立值守的，通常是什么活？
先看“灵犀·小智”。
它所在的是生产监视与应急指挥中心。此前白班3名调度员要同时监视120个站场，每天处理大量并发任务。
这类工作的难点很特别：大部分时间可能没有大事，但任何一条真正重要的告警都不能漏。让人连续数小时盯屏，本身就存在注意力衰减；而机器恰恰不怕重复、不怕熬夜，也不会因为今天是国庆就分心。
所以“小智”真正值得企业研究的，不是“AI员工”这个名字，而是它接下来的任务长什么样。
从公开资料看，它能7×24小时值守，熟练操作5大业务系统，掌握13项专属技能，处理9类核心岗位任务。西气东输此前还已经在生产、管道等领域构建30个智能体，覆盖22项业务流程。
这说明它不是一个聊天机器人，而是已经被嵌进具体业务流程里的数智执行主体。
我们在企业里选第一批AI场景时，也越来越看重五个条件：
边界清——AI到底负责哪一段，说得清楚；
规则明——遇到什么情况做什么，有标准；
重复高——这件事每天、每周反复发生；
结果能验——做对没做对，可以快速判断；
出错能兜——AI停下来以后，有人能接，有机制能回滚。
前四项决定AI能不能干，第五项决定企业敢不敢让它真正干。
“AI最适合先接手的，不一定是最简单的工作，而是边界清、结果能验、出错能兜的工作。”
这也是为什么监控告警、单据审核、工单分拨、客服标准问答、巡检记录、生产日报、物流跟踪，往往比“让AI替老板做经营决策”更适合作为第一批场景。
先把一段规整的活交出去，比一上来追求“全面无人化”靠谱得多。
02
AI上岗以后，老板先别算省了几个人，先算三笔账
很多老板看到“数智员工”，第一反应很自然：能替几个人？
这笔账当然要算，但如果只算这一笔，很容易把AI项目算错。
真正落到经营里，我建议至少同时算三笔账。
第一笔，产能账。
过去3个人8小时值守，和AI 7×24小时持续运行，变化不只是人头减少。更重要的是，公司第一次得到了一块不完全受人的工作时长限制的数字产能。
所以要算的不是一句“1个AI等于几个人”，而是：原来一天能处理多少任务？高峰期要不要临时加人？AI加入以后吞吐量提高多少？人的时间真正释放到了哪里？
如果AI只是让员工快一点，但释放出来的时间又被新的低价值工作填满，企业层面的产能并没有真正增加。
第二笔，异常账。
假设一个AI处理1000次任务，准确率98%，看起来已经很高。
但剩下20次是什么？
20份普通内部摘要写错，和20次设备异常漏报、20份合同风险漏审、20个关键客户被错误回复，完全不是一回事。
所以企业判断一个场景能不能交给AI，不能只看准确率，还要看错误发生时的代价，以及企业有没有能力及时发现和接管。
第三笔，管理账。
过去主管管10个人。以后可能变成5个人加10个Agent。
这时主管的工作一定会变：除了管进度和质量，还要管AI权限、异常升级、结果抽检、知识更新、数据边界。
AI员工越多，这些“看不见的管理工作”越重要。
“AI上岗以后，公司增加的不只是一个虚拟员工，而是一种新的产能。新产能进公司，管理方式也必须跟着变。”
这也是为什么，我们在给企业做AI落地时，并不太建议老板一开始就把目标写成“减少多少人”。
更稳妥的顺序是：先证明AI能形成稳定产能，再证明异常能被管住，最后才讨论岗位和人力怎么调整。
Meta的故事，恰好说明了顺序反过来会发生什么。
03
Meta真正翻车的，不是用了AI，而是太早把“预期能力”算进了产能
Reuters在8月披露了Meta内部Project OT的细节。
这个计划的目标很激进：围绕AI重新设计团队和工作方式，让AI Agent承担原来由大量员工完成的日常工作。在一些情景规划里，部分团队规模可能缩减最高60%，更小的人类团队负责监督AI。
问题很快出现了。
Meta内部数据显示，代码变更量同比增加220%，但真正形成面向用户的新功能或升级只增加36%。
这个差距很值得老板琢磨。
AI让“产出东西”变得非常快，但产出不等于交付，交付也不等于价值。
更麻烦的是风险。Reuters看到的内部材料显示，一些缺乏充分监督的AI Agent会做出人类通常不会执行的“大规模、破坏性操作”。重大技术和安全事故同比增加40%，员工用于处理这些问题的时间最高增加70%。
结果是：本来希望AI释放人力，最后一部分人力反而被拉去给AI救火。
Meta随后取消了原计划中的第二轮公司级裁员。Meta也强调，Project OT包含多种情景规划，并非所有方案都会执行。
所以这个案例真正值得企业吸取的，不是“Meta证明AI不能替人”。
恰恰相反，Meta仍然在大规模推进AI。
它真正证明的是另一件事：在AI能力没有经过真实业务验证之前，不能提前把“未来可能有的AI能力”算成今天已经存在的稳定产能。
“别用发布会里的AI规划人力，要用试点数据里的AI规划人力。”
这对企业至少有三个提醒。
第一，先验证，再扩权限。AI先在窄场景里证明稳定性，再逐步碰更多数据、系统和业务动作。
第二，先跑出产能，再谈岗位调整。AI能生成多少东西不重要，最终交付多少、返工多少、事故多少，才是真实产能。
第三，人不能撤得比验证快。AI接手之后必须留出一段观察期，覆盖正常业务、业务高峰和异常情况。否则人已经撤了，AI的问题才暴露出来，企业连兜底的人都没有。
04
所以，“AI替人”真正的边界在哪里？
把国家管网和Meta放在一起，边界其实已经很清楚。
AI特别适合接执行层里边界清晰、规则明确、重复度高、结果可验证、出错可兜底的工作。
越往决策、责任和复杂异常走，人越不能退出。
这里有一个很容易被误解的地方。
“人不能退出”不代表所有流程都要保留原来那么多人。真正的变化是人的位置会往后移。
过去，人自己盯、自己查、自己做、自己发现异常；以后，AI可以先盯、先查、先做，人重点处理异常、判断结果、维护规则、承担责任。
这不是简单的“AI替人”，而是在重新设计公司的产能结构。
我们在企业现场看到，真正开始跑出效果的项目，通常都会经历类似变化：第一阶段，AI只是员工手里的工具；第二阶段，AI开始独立接一段任务；第三阶段，企业重新设计人机分工、异常机制和管理方式。
很多企业现在卡在第一阶段。
工具不少，培训也做了，员工会写提示词，但公司的业务流程没有一块真正稳定地交给AI。
所以AI看起来很热闹，老板的经营报表上却看不到明显变化。
“企业AI落地真正开始的标志，不是员工会不会用AI，而是公司第一次拥有一块稳定运行、有人管理、结果可验的AI产能。”
05
真想让AI替你上班，按这三步走
第一步：选一块“能交出去的活”。
不要从岗位名称开始，而要从任务开始。
把一个岗位拆开，看哪些任务满足五个条件：边界清、规则明、重复高、结果能验、出错能兜。
比如客服里的标准问答、财务里的票据核验、生产里的监控告警、供应链里的物流跟踪、销售里的客户资料整理。
先选一个环节，不要一次改整个部门。
第二步：AI上岗前，先写一页“人机岗位说明书”。
至少写清四件事：AI负责什么；人负责什么；什么情况下AI必须停下来交给人；出了问题谁负责。
再补一个关键问题：AI靠什么经验干活？
国家管网“小智”背后的13项专属技能，本质上就是把岗位知识和业务规则变成AI可以调用的能力。企业如果自己的流程、规则、知识都说不清楚，AI很难凭空把它做对。
第三步：跑一次小试，把三笔账留下来。
试点前先记录基准：现在几个人、每天处理多少、平均耗时多少、错误和异常多少。
试点后再看三张账：产能提高多少；异常有没有增加、能不能及时兜住；管理上增加了哪些新动作。
跑通以后，再复制到相邻环节。
没有跑通，也不要急着得出“AI不行”的结论。回头看究竟是场景选错、数据不够、规则没写清，还是AI权限给得太大。
这样做，即使第一次失败，留下来的也不是一场热闹，而是一组真实数据、一套人机边界和一次公司自己的AI落地经验。
这才是下一次能跑得更快的底子。
06
最后｜国庆放假，AI能不能替你上班？
答案不是简单的“能”或者“不能”。
有些活，它已经可以7×24小时干，而且人很难在成本和持续性上跟它竞争。
有些活，它可以先干80%，但最后20%的异常、判断和责任仍然要有人接住。
还有一些活，现在根本不应该急着交出去。
所以老板真正要问的，已经不是“AI到底能不能替人”。
更实在的问题是：公司里有没有一块工作，已经满足边界清、规则明、重复高、结果能验、出错能兜？如果有，就别只停留在培训和工具采购了，选一块跑起来。
先别急着讨论AI能替多少人。
先找一件适合AI接手的活，让它真正跑起来，把产能账、异常账、管理账算清楚。
当公司第一次拥有一块可以稳定运行、有人管理、结果可验的AI产能，企业AI落地才算真正往前走了一步。
如果你正在推进企业AI落地
如果你现在正卡在“场景很多，不知道先做哪个”，可以把一个核心岗位的工作拆出来，用文中的五个条件筛一遍。
如果愿意，也可以私信我“AI体检”。我们可以结合你的业务，看看第一块AI产能应该放在哪里，以及人、流程和管理怎么一起跟上。
